Gemini 3.5 Transcribe

Modell von Google für Spracherkennung, Sprachbestimmung, Sprecherzuordnung und Zeitstempel einzelner Wörter.

Ailoot · Sprache zu Text POST /v1/audio/transcriptions gemini-3.5-transcribe

Über das Modell

Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.

Gemini 3.5 Transcribe wandelt eine Audiodatei in Text um. Neben der Transkription unterstützt es Sprachbestimmung, die Unterscheidung sprechender Personen, Zeitstempel einzelner Wörter, ein eigenes Wörterbuch und intelligente Textaufbereitung.

Sprachen und Dauer

Unterstützt werden mehr als 85 Sprachen, darunter Russisch, sowie Sprachwechsel innerhalb einer Aufnahme. Die Sprache wird automatisch erkannt. Eine gewöhnliche Anfrage verarbeitet Audio mit einer Dauer von bis zu einer Stunde. Bei Sprecherzuordnung oder aktivierten Wortzeitstempeln verkürzt sich die Grenze auf 30 Minuten.

Die Ausgabe enthält die vollständige Transkription und in den entsprechenden Modi einzelne Wortannotationen. Das Modell ist für die Verarbeitung von Dateien vorgesehen; kontinuierliche Spracherkennung in Echtzeit gehört zur gesonderten Version gemini-3.5-transcribe-live.

Transkriptionsmodi

Standardmäßig wird eine wortgetreue Transkription verwendet. Der intelligente Modus entfernt Füllwörter, berücksichtigt Selbstkorrekturen der sprechenden Person und formatiert den Text. Dieser Modus kann nicht mit Sprecherzuordnung und Wortzeitstempeln kombiniert werden.

Die Sprecherzuordnung unterstützt bis zu acht sprechende Personen. Bei drei oder mehr Personen hat die Erkennung, wer eine Äußerung gesprochen hat, experimentellen Status. Zeitstempel helfen, Text mit der Aufnahme zu verknüpfen. Ihre Aktivierung kann jedoch die Erkennungsgenauigkeit verringern.

Begriffe und Dateien

Das Wörterbuch eigener Begriffe fasst bis zu 1 000 Einträge. Google weist darauf hin, dass es meistens besser ist, ungefähr hundert Einträge zu verwenden. Ein solches Wörterbuch ist nicht mit Sprecherzuordnung und Wortzeitstempeln kompatibel. Bei der Moduswahl ist daher abzuwägen, ob Fachbegriffe oder eine detaillierte Zuordnung von Personen und Zeiten wichtiger sind.

Unterstützte Audioformate umfassen WAV, MP3, AIFF, AAC, OGG, FLAC, MPEG, M4A, L16, Opus, A-law, mu-law und WebM. Für die Dateiverarbeitung sind Dauergrenzen und zulässige Moduskombinationen veröffentlicht. In der Beschreibung der Transcribe-Familie werden außerdem 96K Tokens Kontext und 32K Tokens Textausgabe genannt. Diese Familieneigenschaften ersetzen nicht die Dateigrenzen der gewählten Methode.

Kontext-Caching, Codeausführung, Dateisuche, Funktionsaufrufe, Bilderstellung und Thinking werden nicht unterstützt. Das Modell ist darauf spezialisiert, Text und Annotationen aus Audio zu gewinnen, nicht neue Sprache zu generieren.

Ailoot · Sprache zu Text POST /v1/audio/transcriptions gemini-3.5-transcribe

gemini-3.5-transcribe

Google /gemini-3.5-transcribe

Einstieg

Modell von Google für Spracherkennung, Sprachbestimmung, Sprecherzuordnung und Zeitstempel einzelner Wörter.

Zulässige Eingaben: Audio
Ergebnisse: Text

In Ailoot verfügbar · Eingaben und Methoden

Ailoot · Sprache zu Text POST /v1/audio/transcriptions

Eingabe: audio
Ausgabe: text
Ausgabeformat: json

Feld	Typ	Anforderung	Werte und Limits	Standard
Feld`model`	Typ`string`	AnforderungErforderlich	Werte und Limits gemini-3.5-transcribe	Standard—
Feld`file`	Typ`file`	AnforderungErforderlich	Werte und Limits Maximale Anzahl Bytes: 67 108 864 Dateiformate: wav, mp3, m4a, ogg, webm, flac Inhaltstyp: multipart/form-data Maximale Dauer, Sekunden: 600	Standard—
Feld`response_format`	Typ`string`	AnforderungOptional	Werte und Limits json	Standard—

Kombinationen von Eingabematerialien

speech_to_text · Erforderlich: actual audio file

Methodenparameter und Lebenszyklus

Parameter	Vertrag
Parameter`material_types`	Vertragaudio
Parameter`required`	Vertragnull
Parameter`optional_controls`	Vertragnull

Lebenszyklus: synchronous_result_then_owned_library

GET /v1/media/tasks/{task_id} · die tatsächlich zurückgegebene task_id oder ein Eintrag in der Medienbibliothek

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

GET /v1/media/assets

GET /v1/media/assets/{asset_id}

Methodenstrukturen und IDs sind exakt; die Fähigkeiten des Anbieters sind von der Zulassung einer Anfrage zu unterscheiden.

Tarife

Ailoot-Methodentarife

Ailoot Sprache zu TextPOST /v1/audio/transcriptions

Eingabe: $ 0,01 pro angefangene Minute

Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →

Beispielanfragen

Ailoot · Sprache zu Text

Transkriptionsbeispiel

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

Ergebnisse abrufen und speichern

Ailoot · Sprache zu 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}

Alle fertiggestellten Ergebnisse aufbewahren

Bewahren Sie jede vollständig zurückgegebene Antwort, Datei und jeden Inhaltsteil auf.

Bewahren Sie das vollständige JSON auf, nicht nur den Text; erhalten Sie jedes verfügbare Segment/jeden Sprecher/Zeitstempel und die tatsächliche Aufgaben-/Asset-Kennung.

Wenn die ursprüngliche Antwort geprüft werden muss

Die ursprüngliche operation_id/X-Client-Request-ID für den Abgleich ohne erneute Einreichung aufbewahren; es gibt keine eigene Route zur Abfrage des Audiostatus.

Antwortfelder

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

Fehler und nächste Schritte

Antwort	Bedingung	Nächster Schritt
Antwort400 · `invalid_request_error`	BedingungPflichtfelder, Darstellung des Eingabematerials oder Parameterwert ungültig	Nächster SchrittDie angegebenen Felder vor einer neuen Erstellungsanfrage korrigieren.
Antwort`server_error`	BedingungDie zurückgegebene Antwort gibt an, dass der Vorgang oder das Ergebnis eine Prüfung erfordert	Nächster SchrittDie ursprünglich zurückgegebene Vorgangs-/Aufgaben-ID, die Anfrageheader und die Antwort aufbewahren; mit unterstützten Leseaufrufen für diesen ursprünglichen Vorgang fortfahren. Die Erstellungsanfrage nicht erneut senden.

Aliasnamen

Modellaliasnamen

Ailoot gemini-3.5-transcribe

Aliasnamen für Methodenpfade

Verwenden Sie die oben angezeigten Methodenpfade.

Zugehörige Aufrufer-IDs

gemini-3.5-transcribe

FAQ · Gemini 3.5 Transcribe

Welche Eingaben und Ergebnisse sind verfügbar?: POST /v1/audio/transcriptions · gemini-3.5-transcribe: audio → text
Welche Felder verwendet die Anfrage?: POST /v1/audio/transcriptions · gemini-3.5-transcribe: model, file, response_format

Gemini 3.5 Transcribe