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.
", "aboutText": "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.\n\nForbered 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.\n\nGoogle 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.\n\nVERBATIM 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.\n\nSMART-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.\n\nNår 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.\n\nTaleradskillelse 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.\n\nProducentens 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.\n\nOutputkontrakten 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.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "1461178915578bf4a610279722aa47096ea406877c889d1436f4448003a2c74d", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "da", "methods": [ { "html": "google/gemini-3.5-transcribeGoogle Gemini 3.5 Transcribe omdanner optaget tale til tekst med automatisk sprogregistrering, brugerdefineret ordforråd og valgfrie tidsstempler for ord eller taleradskillelse. Vælg VERBATIM til tidsangivelser og talertilskrivning eller SMART til læsbar diktat; SMART kan ikke kombineres med disse to funktioner.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
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.
POST /v1/audio/transcriptionsaudiotext| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser google/gemini-3.5-transcribe | Standard— |
Feltinput_audio | Typeobject | KravPåkrævet | Værdier og grænser | Standard— |
Feltlanguage | Typestring | KravValgfrit | Værdier og grænser | Standard— |
Felttemperature | Typenumber | KravValgfrit | Værdier og grænser Minimum: 0 Maksimum: 1 | Standard— |
Feltresponse_format | Typestring | KravValgfrit | Værdier og grænser json, verbose_json | Standardjson |
Felttimestamp_granularities | Typearray | KravValgfrit | Værdier og grænser | Standard— |
Feltprovider | Typeobject | KravValgfrit | Værdier og grænser | Standard— |
| Parameter | Kontrakt |
|---|---|
Parametercontent_type | Kontraktapplication/json |
Parameterrequired | Kontraktmodel, input_audio |
Parametermaterial_types | Kontraktaudio |
Parametermaterial_conditions | KontraktLæs en faktisk WAV-fil, og kod dens reelle bytes til det angivne JSON input_audio; der annonceres ingen multipart-rute for denne præcise specifikation, som kun bruger JSON. |
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}
De viste satser bruges til at anslå omkostningen før genereringen. Det endelige beløb beregnes ud fra den registrerede omkostning for den oprindelige generering. Den målte varighed af outputtet og de anslåede mængder er ikke den endelige fakturerbare mængde.
Tarifoplysninger tilføjer ikke anmodningsmuligheder. Understøttede parametre står ved den valgte metode.
Knyt hver omkostning til de viste betingelser. Brug én takst for hver gruppe af alternative konfigurationer.
| Konfiguration | Takstplan | Forventet mængde | Afregningsenhed | Beløb |
|---|---|---|---|---|
| KonfigurationGrundpriser for tokens | TakstplanGrundtakst | Forventet mængde— | Afregningsenhed— | Beløb Input · Inputtokens · Estimat kun til sammenligning — / 1K tokens Output · Outputtokens · Estimat kun til sammenligning — / 1K tokens Input · Cachelæsning · Estimat kun til sammenligning — / 1K tokens Input · Cacheskrivning · Estimat kun til sammenligning — / 1K tokens Input · Cacheskrivning, 1 time · Estimat kun til sammenligning — / 1K tokens |
| Konfigurationinputtoken | Takstplan— | Forventet mængde— | Afregningsenhed/ 1K tokens | Beløb Input · Estimat kun til sammenligning $0.004 / 1K tokens |
| Konfigurationoutputtoken | Takstplan— | Forventet mængde— | Afregningsenhed/ 1K tokens | Beløb Output · Estimat kun til sammenligning $0.024 / 1K tokens |
| KonfigurationAnslået genereringsomkostning | Takstplan— | Forventet mængdeestimat for én generering | Afregningsenhed— | Beløb Output · Anslået genereringsomkostning · Estimat kun til sammenligning $1.179648 estimat før generering Dette estimat er hverken et ekstra gebyr eller en fast pris for den færdige generering. |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_AUDIO_FILE:?Set the path to your actual WAV recording}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\nimport base64\naudio=Path(os.environ['AILOOT_AUDIO_FILE']).read_bytes()\nif not (audio[:4]==b'RIFF' and audio[8:12]==b'WAVE'): raise SystemExit('Supply an actual WAV audio file')\nif len(audio)>26214400: raise SystemExit('Use a documented supported large-file flow')\nrequest={'model': 'google/gemini-3.5-transcribe', 'input_audio': {'data': '${BASE64_ACTUAL_WAV_BYTES}', 'format': 'wav'}}\nrequest['input_audio']['data']=base64.b64encode(audio).decode('ascii')\nPath('request.json').write_text(json.dumps(request,ensure_ascii=False),encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/audio/transcriptions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o response.bin\n# Keep the complete original response and headers. Read every returned segment, word and usage field.\n# Preserve actual operation/task/asset IDs; continue reads of the original result without resubmitting.\nGET /v1/media/tasks/{task_id}GET /v1/media/assets/{asset_id}/contentGET /v1/media/assetsGET /v1/media/assets/{asset_id}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/media/assets \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -o owned-assets.json\n# Preserve every returned asset and follow its exact signed content URL. Do not construct a signed token.\nGem hvert fuldstændigt returneret svar, hver fil og hver indholdsdel.
Gem hele svaret og alle headere, alle faktisk returnerede output, de oprindeligt returnerede identifikatorer og alle felter med forbrugsdata. Gendan den oprindelige operation uden at sende oprettelsesanmodningen igen.
Gem det returnerede X-Client-Request-ID til afstemning. Brug kun faktisk returnerede task_id/asset_id-værdier eller dit eget mediebibliotek til læseanmodninger; opbyg aldrig en opgave-URL ud fra operations-ID’et, og send aldrig oprettelsesanmodningen igen.
| Felt | Type |
|---|---|
Felttext | Type |
Feltusage | Type |
Feltsegments[] | Type |
Feltwords[] | Type |
Feltspeaker fields | Type |
Felttimestamps | Type |
Ailoot Ultra google/gemini-3.5-transcribe
Brug metodestierne vist ovenfor.