Gemini 3.5 Transcribe
Μοντέλο της Google για αναγνώριση ομιλίας, ανίχνευση γλώσσας, διαχωρισμό ομιλητών και χρονικές σημάνσεις λέξεων.
Σχετικά με το μοντέλο
Αυτή η περιγραφή καλύπτει τις δυνατότητες του μοντέλου. Οι είσοδοι, έξοδοι και επιλογές που διατίθενται στο Ailoot παρατίθενται παρακάτω για την επιλεγμένη μέθοδο.
Το Gemini 3.5 Transcribe μετατρέπει αρχείο ήχου σε κείμενο. Εκτός από απομαγνητοφώνηση, υποστηρίζει ανίχνευση γλώσσας, αναγνώριση διαφορετικών ομιλητών, χρονικές σημάνσεις μεμονωμένων λέξεων, ειδικό λεξιλόγιο και έξυπνη επεξεργασία κειμένου.
Γλώσσες και διάρκεια
Υποστηρίζονται περισσότερες από 85 γλώσσες, συμπεριλαμβανομένων των ρωσικών, και εναλλαγή γλωσσών μέσα στην ηχογράφηση. Η γλώσσα ανιχνεύεται αυτόματα. Ένα κανονικό αίτημα επεξεργάζεται ήχο διάρκειας έως μίας ώρας. Με διαχωρισμό ομιλητών ή ενεργές χρονικές σημάνσεις λέξεων, το όριο μειώνεται στα 30 λεπτά.
Η έξοδος περιλαμβάνει το πλήρες κείμενο απομαγνητοφώνησης και, στις αντίστοιχες λειτουργίες, επιμέρους επισημάνσεις λέξεων. Το μοντέλο προορίζεται για επεξεργασία αρχείων· η συνεχής αναγνώριση σε πραγματικό χρόνο αφορά τη χωριστή έκδοση gemini-3.5-transcribe-live.
Λειτουργίες απομαγνητοφώνησης
Από προεπιλογή χρησιμοποιείται κατά λέξη απομαγνητοφώνηση. Η έξυπνη λειτουργία αφαιρεί λέξεις δισταγμού, λαμβάνει υπόψη τις αυτοδιορθώσεις του ομιλητή και μορφοποιεί το κείμενο. Αυτή η λειτουργία δεν μπορεί να συνδυαστεί με διαχωρισμό ομιλητών και χρονικές σημάνσεις λέξεων.
Ο διαχωρισμός ομιλίας υποστηρίζει έως οκτώ ομιλητές. Ο προσδιορισμός του ποιος είπε κάθε τοποθέτηση, για τρεις ή περισσότερους ομιλητές, έχει πειραματική κατάσταση. Οι χρονικές σημάνσεις βοηθούν στη σύνδεση του κειμένου με την ηχογράφηση, αλλά η ενεργοποίησή τους μπορεί να μειώνει την ακρίβεια αναγνώρισης.
Όροι και αρχεία
Το λεξιλόγιο προσαρμοσμένων όρων χωρά έως 1 000 εγγραφές· η Google επισημαίνει ότι συνήθως είναι προτιμότερο να περιορίζεται περίπου στις εκατό. Αυτό το λεξιλόγιο είναι ασύμβατο με διαχωρισμό ομιλητών και χρονικές σημάνσεις λέξεων. Επομένως, η επιλογή λειτουργίας πρέπει να λαμβάνει υπόψη τι έχει μεγαλύτερη σημασία: οι ειδικοί όροι ή η λεπτομερής επισήμανση συμμετεχόντων και χρόνου.
Οι υποστηριζόμενες μορφές ήχου περιλαμβάνουν WAV, MP3, AIFF, AAC, OGG, FLAC, MPEG, M4A, L16, Opus, A-law, mu-law και WebM. Για επεξεργασία αρχείου έχουν δημοσιευτεί όρια διάρκειας και συνδυασμοί λειτουργιών. Στην περιγραφή της οικογένειας Transcribe αναφέρονται επίσης παράθυρο συμφραζομένων 96K token και έξοδος κειμένου 32K token· αυτά τα χαρακτηριστικά της οικογένειας δεν αντικαθιστούν τους περιορισμούς αρχείου στην επιλεγμένη μέθοδο.
Δεν υποστηρίζονται προσωρινή αποθήκευση συμφραζομένων, εκτέλεση κώδικα, αναζήτηση σε αρχεία, κλήσεις συναρτήσεων, δημιουργία εικόνων και Thinking. Η ειδίκευση του μοντέλου είναι η εξαγωγή κειμένου και επισημάνσεων από ήχο, όχι η δημιουργία νέας ομιλίας.
Ailoot · Ομιλία σε κείμενο POST /v1/audio/transcriptions gemini-3.5-transcribe
gemini-3.5-transcribeΕισαγωγή
Μοντέλο της Google για αναγνώριση ομιλίας, ανίχνευση γλώσσας, διαχωρισμό ομιλητών και χρονικές σημάνσεις λέξεων.
- Αποδεκτές είσοδοι
- Ήχος
- Αποτελέσματα
- Κείμενο
Διαθέσιμα στο Ailoot · είσοδοι και μέθοδοι
Ailoot · Ομιλία σε κείμενο POST /v1/audio/transcriptions
- Είσοδος
audio- Έξοδος
text- Μορφή εξόδου
- json
| Πεδίο | Τύπος | Απαίτηση | Τιμές και όρια | Προεπιλογή |
|---|---|---|---|---|
Πεδίοmodel | Τύποςstring | ΑπαίτησηΥποχρεωτικό | Τιμές και όρια gemini-3.5-transcribe | Προεπιλογή— |
Πεδίοfile | Τύποςfile | ΑπαίτησηΥποχρεωτικό | Τιμές και όρια Μέγιστο πλήθος byte: 67.108.864 Μορφές αρχείων: wav, mp3, m4a, ogg, webm, flac Τύπος περιεχομένου: multipart/form-data Μέγιστη διάρκεια, δευτερόλεπτα: 600 | Προεπιλογή— |
Πεδίοresponse_format | Τύποςstring | ΑπαίτησηΠροαιρετικό | Τιμές και όρια json | Προεπιλογή— |
Συνδυασμοί υλικών εισόδου
speech_to_text · Υποχρεωτικό: actual audio file
Παράμετροι και κύκλος ζωής μεθόδου
| Παράμετρος | Σύμβαση |
|---|---|
Παράμετροςmaterial_types | Σύμβασηaudio |
Παράμετροςrequired | Σύμβασηnull |
Παράμετροςoptional_controls | Σύμβασηnull |
Κύκλος ζωής: synchronous_result_then_owned_library
GET /v1/media/tasks/{task_id} · Το πραγματικό task_id που επιστράφηκε ή μια εγγραφή στη βιβλιοθήκη πολυμέσων
GET /v1/media/assets/{asset_id}/content
GET /v1/media/assets
GET /v1/media/assets/{asset_id}
Οι δομές και τα ID των μεθόδων είναι ακριβή· η δυνατότητα του προμηθευτή είναι ξεχωριστή από την αποδοχή αιτημάτων.
Τιμολόγηση
Χρεώσεις μεθόδων Ailoot
POST /v1/audio/transcriptions- Είσοδος
- 0,01 $ ανά αρχόμενο λεπτό
Το Ailoot δεσμεύει ένα εκτιμώμενο ποσό πριν από το αίτημα. Μετά το αποτέλεσμα, εκκαθαρίζει την τελική χρέωση βάσει της μετρημένης χρήσης. Η εκκαθάριση ροής χρησιμοποιεί την τελική καταγραφή χρήσης. Πώς λειτουργούν η δέσμευση και η εκκαθάριση →
Παραδείγματα αιτημάτων
Ailoot · Ομιλία σε κείμενο
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
Λήψη και αποθήκευση αποτελεσμάτων
Ailoot · Ομιλία σε κείμενο
json
GET /v1/media/tasks/{task_id}GET /v1/media/assets/{asset_id}/contentGET /v1/media/assetsGET /v1/media/assets/{asset_id}
Διατηρήστε όλα τα ολοκληρωμένα αποτελέσματα
Διατηρήστε κάθε πλήρη απάντηση, αρχείο και τμήμα περιεχομένου που επιστρέφεται.
Διατηρήστε ολόκληρο το JSON, όχι μόνο το κείμενο· διατηρήστε κάθε διαθέσιμο τμήμα, ομιλητή, χρονική σήμανση και πραγματική ταυτότητα εργασίας ή αρχείου πολυμέσων.
Αν χρειάζεται έλεγχος της αρχικής απάντησης
Διατηρήστε το αρχικό operation_id/X-Client-Request-ID για τη συμφωνία των εγγραφών χωρίς νέα υποβολή· δεν υπάρχει ειδική διαδρομή περιοδικού ελέγχου για τον ήχο.
Πεδία απάντησης
| Πεδίο | Τύπος |
|---|---|
Πεδίοtext | Τύποςstring |
Πεδίοsegments[] | Τύποςobject |
Πεδίοtask_id | Τύποςstring |
Πεδίοasset_url | Τύποςstring |
Πεδίοusage | Τύποςobject |
Σφάλματα και επόμενα βήματα
| Απάντηση | Συνθήκη | Επόμενο βήμα |
|---|---|---|
Απάντηση400 · invalid_request_error | ΣυνθήκηΜη έγκυρα υποχρεωτικά πεδία, μη έγκυρη αναπαράσταση υλικού ή μη έγκυρη τιμή παραμέτρου | Επόμενο βήμαΔιορθώστε τα υποδεικνυόμενα πεδία πριν από νέο αίτημα δημιουργίας. |
Απάντησηserver_error | ΣυνθήκηΗ απόκριση που επιστράφηκε αναφέρει ότι η λειτουργία ή το αποτέλεσμα χρειάζεται έλεγχο | Επόμενο βήμαΔιατηρήστε το αρχικό ID της λειτουργίας/εργασίας που επιστράφηκε, τις κεφαλίδες του αιτήματος και την απόκριση· συνεχίστε με τις υποστηριζόμενες αναγνώσεις αυτής της αρχικής λειτουργίας. Μην υποβάλετε ξανά το αίτημα δημιουργίας. |
Εναλλακτικά ονόματα
Εναλλακτικά ονόματα μοντέλου
Ailoot gemini-3.5-transcribe
Εναλλακτικές διαδρομές μεθόδων
Χρησιμοποιήστε τις διαδρομές μεθόδων που εμφανίζονται παραπάνω.
Σχετικά ID μοντέλων
FAQ · Gemini 3.5 Transcribe
- Ποιες είσοδοι και αποτελέσματα διατίθενται;
POST /v1/audio/transcriptions·gemini-3.5-transcribe:audio→text- Ποια πεδία χρησιμοποιεί το αίτημα;
POST /v1/audio/transcriptions·gemini-3.5-transcribe:model,file,response_format