Google: Gemini 3.5 Transcribe

Google Gemini 3.5 Transcribe er den synkrone model til at omdanne komplette, forudindspillede lydfiler til skriftlig tale. Den bygger på Geminis lydforståelse, men har en transskriptionsspecifik input- og outputkontrakt. Den særskilte udgave Gemini 3.5 Transcribe Live modtager en lydstrøm og returnerer løbende resultater. Denne model til optaget lyd producerer et færdigt transskript med valgfrie tidsangivelser for ord eller talertilskrivning afhængigt af den valgte konfiguration.

Forbered en tydelig optagelse med tale, der ikke er kraftigt forvrænget af overstyring, og med meningsfuld adskillelse mellem stemmer, hvor det er muligt. Producentens synkrone eksempler sender WAV-lyd som filbytes eller en gemt lydressource med dens MIME-type angivet. Bevar originallyden til gennemgang. Det tilsigtede resultat kan være et kontrolleret interviewtransskript, en post til undertekstjustering eller læsbar diktat; afgør, hvilket resultat der kræves, før du kombinerer funktioner, der ændrer formuleringen eller tilføjer metadata.

Google dokumenterer automatisk sprogregistrering på mere end 85 sprog, herunder sprogblanding i en session. Understøttelsesniveauerne varierer, og et tip om et kendt sprog kan forbedre genkendelsen. Brugerdefineret ordforråd angiver særskilte navne, mærker eller fagudtryk, som sandsynligvis forekommer. Producenten tillader op til 1.000 udtryk og bemærker, at afgrænsede lister med op til omkring 100 typisk fungerer bedst. Hold usædvanlige udtryk relevante for optagelsen, og kontrollér dem mod lyden frem for at antage, at et ordforrådstip beviser, at udtrykket blev sagt.

VERBATIM er standardtilstanden. Den bevarer fyldord, gentagelser, afbrudte begyndelser og talte rettelser, så teksten forbliver en registrering af ordlyden. Brug denne tilstand, når opgaven kræver tidsstempler på ordniveau eller taleradskillelse. Bevar f.eks. de oprindelige ture og tidsangivelser ved et interview, og ret derefter vigtige navne og mængder ved at lytte til den relevante passage. En senere sammenfatning eller gennemarbejdet artikel kan bruge denne kontrollerede registrering uden ubemærket at erstatte det, taleren sagde.

SMART-tilstanden er designet til læsbar diktat. Den fjerner talehakken, afklarer selvrettelser undervejs og strukturerer talt materiale i afsnit eller lister med normaliserede datoer og tal, hvor det er relevant. En dikteret opgaveliste kan blive til en læsbar liste frem for en række talte overgange. Denne behandling ændrer transskriptets form. Google angiver eksplicit, at SMART ikke er kompatibel med tidsstempler for ord og taleradskillelse, så vælg den, når læsbar tekst er det krævede resultat, frem for at forsøge at bruge den som en tidsangivet registrering med talertilskrivning.

Når tidsangivelser for ord er aktiveret, indeholder svaret genkendte ord med start- og slutpositioner. De understøtter lokalisering af en rettelse i optagelsen eller forberedelse af undertekster. Producenten identificerer en afvejning af nøjagtighed ved at aktivere tidsstempler på ordniveau. Gennemgå både teksten og justeringen, især ved hurtig tale, overlap eller usædvanlig terminologi. Et nyttigt tidsangivet transskript bevarer ordregistreringen og kildelyden sammen frem for at behandle en flydende sætning som bevis for korrekt tidsjustering.

Taleradskillelse identificerer og mærker stemmer i optaget lyd med op til otte dokumenterede talere. Tilskrivning for tre eller flere talere beskrives af producenten som eksperimentel. Behandl betegnelserne som udledte talergrupper, og gennemgå overgange mod optagelsen. En talerbetegnelse er ikke et uafhængigt bevis for en persons identitet eller rolle. Hvis opgaven kræver navne, skal betegnelserne forbindes med kendte optagelsesoplysninger frem for at opfinde identiteter ud fra de genkendte ord.

Producentens funktionstabel angiver et optagelsesvindue på 15 minutter med filbehandling begrænset til denne varighed, når funktioner som tidsstempler eller taleradskillelse er aktiveret. Forbered længere kildemateriale som passende segmenter med bevarelse af deres rækkefølge og oprindelige tidsposition. Modellens transskript, tidsangivne ord og talermærkede dele er forskellige resultatrepræsentationer; bevar den repræsentation, opgaven kræver. Disse lydspecifikke grænser må ikke erstattes med kontekst- eller varighedstal fra en generel multimodal Gemini-model. Google angiver SMART-formatering, tidsstempler på ordniveau og taleradskillelse som eksperimentelle funktioner.

Outputkontrakten er transskriptionsspecifik. SMART-formatering skaber læsbar tekst, men tilføjer ikke en generel JSON-skema-svarkontrakt, værktøjskald eller en instruktionsfølgende assistentarbejdsgang. Kontrollér vigtig ordlyd, tal og negationer mod lyden til slutresultatet, bevar eventuelle uafklarede segmenter til rettelse, og gem den valgte tilstand sammen med resultatet. Det tydeliggør, om resultatet registrerer den oprindelige talte ordlyd eller præsenterer en redigeret læseversion afledt af den.