Gemini 3.5 Transcribe
Model fra Google til talegenkendelse, sprogidentifikation, taleropdeling og tidsstempler for ord.
Om modellen
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
Gemini 3.5 Transcribe omsætter en lydfil til tekst. Ud over transskription understøtter den sprogidentifikation, taleropdeling, tidsstempler for enkelte ord, en fagordbog og intelligent tekstbearbejdning.
Sprog og varighed
Mere end 85 sprog understøttes, herunder russisk, samt sprogskift i samme optagelse. Sproget identificeres automatisk. En almindelig forespørgsel behandler lyd på op til én time. Ved taleropdeling eller aktiverede tidsstempler for ord reduceres grænsen til 30 minutter.
Output omfatter hele transskriptionsteksten og, i de relevante tilstande, særskilte ordannotationer. Modellen er beregnet til filbehandling; kontinuerlig genkendelse i realtid hører til den særskilte version gemini-3.5-transcribe-live.
Transskriptionstilstande
Ordret transskription er standard. Den intelligente tilstand fjerner fyldord, tager højde for talerens selvrettelser og formaterer teksten. Tilstanden kan ikke kombineres med taleropdeling og tidsstempler for ord.
Taleropdelingen understøtter op til otte talere. Identifikation af den person, der har sagt en replik, har eksperimentel status ved tre eller flere talere. Tidsstempler hjælper med at koble tekst til optagelsen, men aktivering af dem kan reducere genkendelsespræcisionen.
Termer og filer
En ordbog med brugerdefinerede termer kan rumme op til 1 000 poster; Google bemærker, at det normalt er bedre at holde den til omtrent hundrede. Ordbogen er inkompatibel med taleropdeling og tidsstempler for ord. Tilstandsvalget bør derfor tage højde for, om fagtermer eller detaljeret markering af deltagere og tid er vigtigst.
De understøttede lydformater omfatter WAV, MP3, AIFF, AAC, OGG, FLAC, MPEG, M4A, L16, Opus, A-law, mu-law og WebM. For filbehandling er varighedsgrænser og kombinationer af tilstande offentliggjort. Transcribe-familiens beskrivelse angiver også 96K tokens i konteksten og 32K tokens i tekstoutputtet; familieegenskaberne erstatter ikke filbegrænsningerne i den valgte metode.
Kontekstcaching, kodeudførelse, filsøgning, funktionskald, billedskabelse og Thinking understøttes ikke. Modellens speciale er at få tekst og annotationer fra lyd, ikke at generere ny tale.
Ailoot · Tale til tekst POST /v1/audio/transcriptions gemini-3.5-transcribe
gemini-3.5-transcribeStart
Model fra Google til talegenkendelse, sprogidentifikation, taleropdeling og tidsstempler for ord.
- Accepterede input
- Lyd
- Resultater
- Tekst
Tilgængelig i Ailoot · input og metoder
Ailoot · Tale til tekst POST /v1/audio/transcriptions
- Inputtyper
audio- Outputtyper
text- Outputformat
- json
| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser gemini-3.5-transcribe | Standard— |
Feltfile | Typefile | KravPåkrævet | Værdier og grænser Maksimalt antal bytes: 67.108.864 Filformater: wav, mp3, m4a, ogg, webm, flac Indholdstype: multipart/form-data Maksimal varighed, sekunder: 600 | Standard— |
Feltresponse_format | Typestring | KravValgfrit | Værdier og grænser json | Standard— |
Kombinationer af inputmaterialer
speech_to_text · Påkrævet: actual audio file
Metodeparametre og livscyklus
| Parameter | Kontrakt |
|---|---|
Parametermaterial_types | Kontraktaudio |
Parameterrequired | Kontraktnull |
Parameteroptional_controls | Kontraktnull |
Livscyklus: synchronous_result_then_owned_library
GET /v1/media/tasks/{task_id} · det faktisk returnerede task_id eller posten i mediebiblioteket
GET /v1/media/assets/{asset_id}/content
GET /v1/media/assets
GET /v1/media/assets/{asset_id}
Metodernes strukturer og ID’er er præcise; leverandørens muligheder er adskilt fra adgangstilladelse.
Priser
Ailoot-metodetakster
POST /v1/audio/transcriptions- Input
- 0,01 US$ pr. påbegyndt minut
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
Eksempelanmodninger
Ailoot · Tale til tekst
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
Hent og gem resultater
Ailoot · Tale til tekst
json
GET /v1/media/tasks/{task_id}GET /v1/media/assets/{asset_id}/contentGET /v1/media/assetsGET /v1/media/assets/{asset_id}
Behold alle færdige resultater
Gem hvert fuldstændigt returneret svar, hver fil og hver indholdsdel.
Behold hele JSON-svaret, ikke kun teksten; bevar hvert tilgængeligt segment, hver taler og hvert tidsstempel samt den faktiske opgave- og aktividentitet.
Hvis det oprindelige svar skal kontrolleres
Gem det oprindelige operation_id/X-Client-Request-ID til afstemning uden genindsendelse; der er ingen særskilt rute til polling af lyd.
Svarfelter
| Felt | Type |
|---|---|
Felttext | Typestring |
Feltsegments[] | Typeobject |
Felttask_id | Typestring |
Feltasset_url | Typestring |
Feltusage | Typeobject |
Fejl og næste trin
| Svar | Betingelse | Næste trin |
|---|---|---|
Svar400 · invalid_request_error | BetingelseUgyldige obligatoriske felter, materialerepræsentation eller parameterværdi | Næste trinRet de angivne felter før en ny oprettelsesanmodning. |
Svarserver_error | BetingelseDet returnerede svar angiver, at operationen eller resultatet skal kontrolleres | Næste trinGem det oprindeligt returnerede operations-/opgave-ID, anmodningens headere og svaret; fortsæt med de understøttede læseanmodninger for den oprindelige operation. Send ikke oprettelsesanmodningen igen. |
Aliaser
Modelaliaser
Ailoot gemini-3.5-transcribe
Aliaser for metodestier
Brug metodestierne vist ovenfor.
Relaterede kalder-ID’er
FAQ · Gemini 3.5 Transcribe
- Hvilke input og resultater er tilgængelige?
POST /v1/audio/transcriptions·gemini-3.5-transcribe:audio→text- Hvilke felter bruger anmodningen?
POST /v1/audio/transcriptions·gemini-3.5-transcribe:model,file,response_format