Gemini 3.5 Transcribe

Model Google pro rozpoznávání řeči, určení jazyka, rozlišení mluvčích a časové značky slov.

Ailoot · Převod řeči na text POST /v1/audio/transcriptions gemini-3.5-transcribe

O modelu

Tento popis zahrnuje schopnosti modelu. Vstupy, výstupy a možnosti dostupné v Ailoot jsou uvedeny níže pro vybranou metodu.

Gemini 3.5 Transcribe převádí zvukový soubor na text. Kromě přepisu podporuje určení jazyka, rozlišení mluvčích, časové značky jednotlivých slov, speciální slovník a inteligentní úpravu textu.

Jazyky a délka

Podporováno je více než 85 jazyků, včetně ruštiny, i přepínání mezi jazyky v rámci nahrávky. Jazyk se určuje automaticky. Běžný požadavek zpracuje zvuk o délce až jednu hodinu. Při rozlišení mluvčích nebo zapnutých časových značkách slov se limit zkracuje na 30 minut.

Výstup zahrnuje celý text přepisu a v příslušných režimech samostatné anotace slov. Model je určen pro zpracování souborů; průběžné rozpoznávání v reálném čase patří do samostatné verze gemini-3.5-transcribe-live.

Režimy přepisu

Ve výchozím nastavení se používá doslovný přepis. Inteligentní režim odstraňuje výplňová slova, zohledňuje opravy provedené mluvčím a formátuje text. Tento režim nelze kombinovat s rozlišením mluvčích a časovými značkami slov.

Rozlišení řeči podporuje až osm mluvčích. Určování toho, kdo pronesl repliku, má u tří a více mluvčích experimentální status. Časové značky pomáhají propojit text s nahrávkou, ale jejich zapnutí může snižovat přesnost rozpoznávání.

Termíny a soubory

Slovník uživatelských termínů pojme až 1 000 záznamů; Google uvádí, že obvykle je lepší jej omezit přibližně na stovku. Takový slovník je nekompatibilní s rozlišením mluvčích a časovými značkami slov. Při volbě režimu je proto třeba zohlednit, co je důležitější: speciální termíny, nebo podrobné označení účastníků a času.

Podporované zvukové formáty zahrnují WAV, MP3, AIFF, AAC, OGG, FLAC, MPEG, M4A, L16, Opus, A-law, mu-law a WebM. Pro zpracování souboru jsou zveřejněny limity délky a kombinování režimů. V popisu rodiny Transcribe jsou uvedeny také kontext 96K tokenů a textový výstup 32K tokenů; tyto vlastnosti rodiny nenahrazují omezení souboru ve zvolené metodě.

Ukládání kontextu do mezipaměti, provádění kódu, vyhledávání v souborech, volání funkcí, vytváření obrázků ani Thinking nejsou podporovány. Specializací modelu je získání textu a anotací ze zvuku, nikoli generování nové řeči.

Ailoot · Převod řeči na text POST /v1/audio/transcriptions gemini-3.5-transcribe

gemini-3.5-transcribe

Google /gemini-3.5-transcribe

Úvod

Model Google pro rozpoznávání řeči, určení jazyka, rozlišení mluvčích a časové značky slov.

Přijímané vstupy: Zvuk
Výsledky: Text

Dostupné v Ailoot · vstupy a metody

Ailoot · Převod řeči na text POST /v1/audio/transcriptions

Vstup: audio
Výstup: text
Výstupní formát: json

Pole	Typ	Požadavek	Hodnoty a limity	Výchozí
Pole`model`	Typ`string`	PožadavekPovinné	Hodnoty a limity gemini-3.5-transcribe	Výchozí—
Pole`file`	Typ`file`	PožadavekPovinné	Hodnoty a limity Maximální počet bajtů: 67 108 864 Formáty souborů: wav, mp3, m4a, ogg, webm, flac Typ obsahu: multipart/form-data Maximální délka, sekundy: 600	Výchozí—
Pole`response_format`	Typ`string`	PožadavekVolitelné	Hodnoty a limity json	Výchozí—

Kombinace vstupních materiálů

speech_to_text · Povinné: actual audio file

Parametry a životní cyklus metody

Parametr	Kontrakt
Parametr`material_types`	Kontraktaudio
Parametr`required`	Kontraktnull
Parametr`optional_controls`	Kontraktnull

Životní cyklus: synchronous_result_then_owned_library

GET /v1/media/tasks/{task_id} · skutečně vrácené task_id nebo záznam v knihovně médií

GET /v1/media/assets/{asset_id}/content

GET /v1/media/assets

GET /v1/media/assets/{asset_id}

Struktury metod a ID jsou přesné; schopnosti dodavatele jsou oddělené od připuštění požadavku.

Tarify

Sazby metod Ailoot

Ailoot Převod řeči na textPOST /v1/audio/transcriptions

Vstup: 0,01 US$ za každou započatou minutu

Ailoot před požadavkem rezervuje odhadovanou částku. Po výsledku vyúčtuje konečný poplatek podle naměřeného využití. Při streamování se účtování řídí konečným záznamem využití. Jak funguje rezervace a vyúčtování →

Příklady požadavků

Ailoot · Převod řeči na text

Příklad přepisu

set -eu
: "${AILOOT_API_KEY:?Set your Ailoot API key}"
: "${AILOOT_AUDIO_FILE:?Set your actual MP3 recording}"
export AILOOT_AUDIO_FILE
python3 - <<'PY_REQUEST'
import os
from pathlib import Path
f=Path(os.environ["AILOOT_AUDIO_FILE"])
if not f.is_file() or f.suffix.lower()!=".mp3":raise SystemExit("Choose your actual MP3 recording")
PY_REQUEST
curl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/audio/transcriptions \
  -H "Authorization: Bearer $AILOOT_API_KEY" \
  --form-string model=gemini-3.5-transcribe -F "file=@$AILOOT_AUDIO_FILE" \
  -D response-headers.txt -o result.json
python3 - <<'PY_RESULT'
import json
from pathlib import Path
print(json.dumps(json.loads(Path("result.json").read_text()),ensure_ascii=False,indent=2))
PY_RESULT

Přijímání a ukládání výsledků

Ailoot · Převod řeči na text

json

GET /v1/media/tasks/{task_id}
GET /v1/media/assets/{asset_id}/content
GET /v1/media/assets
GET /v1/media/assets/{asset_id}

Uchovejte všechny dokončené výsledky

Uchovejte každou úplnou vrácenou odpověď, soubor i část obsahu.

Uchovejte celý JSON, nikoli pouze text; zachovejte každý dostupný segment, mluvčího, časovou značku a skutečný identifikátor úlohy či souboru.

Pokud je nutné ověřit původní odpověď

Uchovejte původní operation_id/X-Client-Request-ID pro spárování záznamů bez opětovného odeslání; samostatná trasa pro dotazování na stav zvuku neexistuje.

Pole odpovědi

Pole	Typ
Pole`text`	Typstring
Pole`segments[]`	Typobject
Pole`task_id`	Typstring
Pole`asset_url`	Typstring
Pole`usage`	Typobject

Chyby a další kroky

Odpověď	Podmínka	Další krok
Odpověď400 · `invalid_request_error`	PodmínkaNeplatná povinná pole, reprezentace podkladů nebo hodnota parametru	Další krokPřed novým požadavkem na vytvoření opravte uvedená pole.
Odpověď`server_error`	PodmínkaVrácená odpověď uvádí, že operaci nebo výsledek je třeba zkontrolovat	Další krokUchovejte původní vrácené ID operace nebo úlohy, hlavičky požadavku a odpověď; pokračujte v podporovaném načítání údajů o této původní operaci. Požadavek na vytvoření znovu neodesílejte.

Aliasy

Aliasy modelu

Ailoot gemini-3.5-transcribe

Aliasy cest metod

Použijte cesty metod uvedené výše.

Související ID modelů

gemini-3.5-transcribe

FAQ · Gemini 3.5 Transcribe

Jaké vstupy a výsledky jsou dostupné?: POST /v1/audio/transcriptions · gemini-3.5-transcribe: audio → text
Jaká pole požadavek používá?: POST /v1/audio/transcriptions · gemini-3.5-transcribe: model, file, response_format

Gemini 3.5 Transcribe