Gemini 3.5 Transcribe
Google-Modell für Spracherkennung, Sprachidentifikation, Sprechertrennung und Zeitmarken für Wörter.
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 Sprachidentifikation, Sprechererkennung, Zeitmarken einzelner Wörter, ein Fachwörterbuch und intelligente Textaufbereitung.
Sprachen und Dauer
Unterstützt werden mehr als 85 Sprachen, einschliesslich Russisch, und Sprachwechsel innerhalb einer Aufnahme. Die Sprache wird automatisch erkannt. Eine gewöhnliche Anfrage verarbeitet Audio mit einer Dauer von bis zu einer Stunde. Bei Sprechertrennung oder aktivierten Wortzeitmarken verkürzt sich die Grenze auf 30 Minuten.
Die Ausgabe umfasst den vollständigen Transkriptionstext und in entsprechenden Modi separate Wortannotationen. Das Modell dient der Dateiverarbeitung; kontinuierliche Erkennung in Echtzeit gehört zur separaten Version gemini-3.5-transcribe-live.
Transkriptionsmodi
Standardmässig wird wörtlich transkribiert. Der intelligente Modus entfernt Füllwörter, berücksichtigt Selbstkorrekturen des Sprechers und formatiert den Text. Dieser Modus lässt sich nicht mit Sprechertrennung und Wortzeitmarken kombinieren.
Die Sprechertrennung unterstützt bis zu acht Sprecher. Die Zuordnung, wer eine Äusserung gesprochen hat, besitzt bei drei oder mehr Sprechern experimentellen Status. Zeitmarken helfen, Text und Aufnahme zu verbinden, doch ihre Aktivierung kann die Erkennungsgenauigkeit verringern.
Begriffe und Dateien
Das Wörterbuch benutzerdefinierter Begriffe fasst bis zu 1 000 Einträge; Google empfiehlt, sich gewöhnlich auf etwa hundert zu beschränken. Ein solches Wörterbuch ist mit Sprechertrennung und Wortzeitmarken inkompatibel. Bei der Moduswahl muss daher berücksichtigt werden, was wichtiger ist: Fachbegriffe oder eine detaillierte Kennzeichnung von Beteiligten und Zeit.
Zu den unterstützten Audioformaten gehören WAV, MP3, AIFF, AAC, OGG, FLAC, MPEG, M4A, L16, Opus, A-law, mu-law und WebM. Für die Dateiverarbeitung sind Dauergrenzen und Moduskombinationen veröffentlicht. Die Beschreibung der Transcribe-Familie nennt ausserdem 96K Tokens Kontext und 32K Tokens Textausgabe; diese Familienmerkmale ersetzen die Dateigrenzen der gewählten Methode nicht.
Kontext-Caching, Codeausführung, Dateisuche, Funktionsaufrufe, Bildgenerierung und Thinking werden nicht unterstützt. Die Spezialisierung des Modells ist die Gewinnung von Text und Annotationen aus Ton, nicht die Generierung neuer Sprache.
Ailoot · Sprache zu Text POST /v1/audio/transcriptions gemini-3.5-transcribe
gemini-3.5-transcribeEinstieg
Google-Modell für Spracherkennung, Sprachidentifikation, Sprechertrennung und Zeitmarken für 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 |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits gemini-3.5-transcribe | Standard— |
Feldfile | Typfile | 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— |
Feldresponse_format | Typstring | AnforderungOptional | Werte und Limits json | Standard— |
Kombinationen von Eingabematerialien
speech_to_text · Erforderlich: actual audio file
Methodenparameter und Lebenszyklus
| Parameter | Vertrag |
|---|---|
Parametermaterial_types | Vertragaudio |
Parameterrequired | Vertragnull |
Parameteroptional_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
POST /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
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}/contentGET /v1/media/assetsGET /v1/media/assets/{asset_id}
Alle fertiggestellten Ergebnisse aufbewahren
Bewahren Sie jede vollständig zurückgegebene Antwort, Datei und jeden Inhaltsteil auf.
Bewahren Sie JSON vollständig auf, nicht nur den Text; erhalten Sie sämtliche verfügbaren Segmente/Sprecher/Zeitstempel und die tatsächlichen Aufgaben- und Assetkennungen.
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 |
|---|---|
Feldtext | Typstring |
Feldsegments[] | Typobject |
Feldtask_id | Typstring |
Feldasset_url | Typstring |
Feldusage | 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. |
Antwortserver_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
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