Gemini 3.5 Transcribe convierte un archivo de audio en texto. Además de la transcripción, admite detección de idioma, identificación de hablantes, marcas de tiempo por palabra, vocabulario personalizado y preparación inteligente del texto.
Se admiten más de 85 idiomas, incluido el ruso, y cambios de idioma dentro de una grabación. La detección es automática. Una solicitud normal procesa hasta una hora de audio. Con separación de hablantes o marcas de tiempo por palabra, el límite se reduce a 30 minutos.
La salida incluye el texto completo y, en los modos correspondientes, anotaciones independientes de palabras. El modelo procesa archivos; el reconocimiento continuo en tiempo real corresponde a la versión independiente gemini-3.5-transcribe-live.
Por defecto se utiliza transcripción literal. El modo inteligente elimina muletillas, tiene en cuenta las autocorrecciones del hablante y da formato al texto. No se puede combinar con separación de hablantes ni marcas de tiempo por palabra.
Se admite separar hasta ocho hablantes. Identificar quién ha hablado con tres o más participantes tiene estado experimental. Las marcas de tiempo relacionan texto y grabación, pero activarlas puede reducir la precisión del reconocimiento.
El vocabulario personalizado admite hasta 1 000 entradas; Google señala que normalmente conviene limitarlo a alrededor de un centenar. Es incompatible con separación de hablantes y marcas de tiempo por palabra. La elección del modo debe considerar qué importa más: términos especializados o anotaciones detalladas de participantes y tiempos.
Los formatos de audio admitidos incluyen WAV, MP3, AIFF, AAC, OGG, FLAC, MPEG, M4A, L16, Opus, A-law, mu-law y WebM. Para archivos se publican límites de duración y combinaciones de modos. La descripción de la familia Transcribe también indica 96K tokens de contexto y 32K tokens de salida; estas características de la familia no sustituyen los límites del archivo en el método elegido.
No se admiten caché de contexto, ejecución de código, búsqueda en archivos, llamadas a funciones, creación de imágenes ni Thinking. Su especialidad es obtener texto y anotaciones a partir de audio, no generar una voz nueva.
", "aboutText": "Gemini 3.5 Transcribe convierte un archivo de audio en texto. Además de la transcripción, admite detección de idioma, identificación de hablantes, marcas de tiempo por palabra, vocabulario personalizado y preparación inteligente del texto.\n\n### Idiomas y duración\n\nSe admiten **más de 85 idiomas**, incluido el ruso, y cambios de idioma dentro de una grabación. La detección es automática. Una solicitud normal procesa hasta **una hora** de audio. Con separación de hablantes o marcas de tiempo por palabra, el límite se reduce a **30 minutos**.\n\nLa salida incluye el texto completo y, en los modos correspondientes, anotaciones independientes de palabras. El modelo procesa archivos; el reconocimiento continuo en tiempo real corresponde a la versión independiente `gemini-3.5-transcribe-live`.\n\n### Modos de transcripción\n\nPor defecto se utiliza transcripción literal. El modo inteligente elimina muletillas, tiene en cuenta las autocorrecciones del hablante y da formato al texto. No se puede combinar con separación de hablantes ni marcas de tiempo por palabra.\n\nSe admite separar **hasta ocho hablantes**. Identificar quién ha hablado con tres o más participantes tiene **estado experimental**. Las marcas de tiempo relacionan texto y grabación, pero activarlas puede reducir la precisión del reconocimiento.\n\n### Términos y archivos\n\nEl vocabulario personalizado admite **hasta 1 000 entradas**; Google señala que normalmente conviene limitarlo a alrededor de un centenar. Es incompatible con separación de hablantes y marcas de tiempo por palabra. La elección del modo debe considerar qué importa más: términos especializados o anotaciones detalladas de participantes y tiempos.\n\nLos formatos de audio admitidos incluyen WAV, MP3, AIFF, AAC, OGG, FLAC, MPEG, M4A, L16, Opus, A-law, mu-law y WebM. Para archivos se publican límites de duración y combinaciones de modos. La descripción de la familia Transcribe también indica **96K tokens de contexto** y **32K tokens de salida**; estas características de la familia no sustituyen los límites del archivo en el método elegido.\n\nNo se admiten caché de contexto, ejecución de código, búsqueda en archivos, llamadas a funciones, creación de imágenes ni Thinking. Su especialidad es obtener texto y anotaciones a partir de audio, no generar una voz nueva.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "ce0aeb4436063d16076a0b37a2e8e751604e466fa7c9ee9add768540fcb2987b", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "es-mx", "methods": [ { "html": "gemini-3.5-transcribeModelo de Google para reconocer voz, detectar el idioma, separar hablantes y generar marcas de tiempo por palabra.
Esta descripción cubre las capacidades del modelo. Las entradas, salidas y opciones disponibles en Ailoot se indican a continuación para el método seleccionado.
Gemini 3.5 Transcribe convierte un archivo de audio en texto. Además de la transcripción, admite detección de idioma, identificación de hablantes, marcas de tiempo por palabra, vocabulario personalizado y preparación inteligente del texto.
Se admiten más de 85 idiomas, incluido el ruso, y cambios de idioma dentro de una grabación. La detección es automática. Una solicitud normal procesa hasta una hora de audio. Con separación de hablantes o marcas de tiempo por palabra, el límite se reduce a 30 minutos.
La salida incluye el texto completo y, en los modos correspondientes, anotaciones independientes de palabras. El modelo procesa archivos; el reconocimiento continuo en tiempo real corresponde a la versión independiente gemini-3.5-transcribe-live.
Por defecto se utiliza transcripción literal. El modo inteligente elimina muletillas, tiene en cuenta las autocorrecciones del hablante y da formato al texto. No se puede combinar con separación de hablantes ni marcas de tiempo por palabra.
Se admite separar hasta ocho hablantes. Identificar quién ha hablado con tres o más participantes tiene estado experimental. Las marcas de tiempo relacionan texto y grabación, pero activarlas puede reducir la precisión del reconocimiento.
El vocabulario personalizado admite hasta 1 000 entradas; Google señala que normalmente conviene limitarlo a alrededor de un centenar. Es incompatible con separación de hablantes y marcas de tiempo por palabra. La elección del modo debe considerar qué importa más: términos especializados o anotaciones detalladas de participantes y tiempos.
Los formatos de audio admitidos incluyen WAV, MP3, AIFF, AAC, OGG, FLAC, MPEG, M4A, L16, Opus, A-law, mu-law y WebM. Para archivos se publican límites de duración y combinaciones de modos. La descripción de la familia Transcribe también indica 96K tokens de contexto y 32K tokens de salida; estas características de la familia no sustituyen los límites del archivo en el método elegido.
No se admiten caché de contexto, ejecución de código, búsqueda en archivos, llamadas a funciones, creación de imágenes ni Thinking. Su especialidad es obtener texto y anotaciones a partir de audio, no generar una voz nueva.
POST /v1/audio/transcriptionsaudiotext| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites gemini-3.5-transcribe | Predeterminado— |
Campofile | Tipofile | RequisitoObligatorio | Valores y límites Máximo de bytes: 67,108,864 Formatos de archivo: wav, mp3, m4a, ogg, webm, flac Tipo de contenido: multipart/form-data Duración máxima, segundos: 600 | Predeterminado— |
Camporesponse_format | Tipostring | RequisitoOpcional | Valores y límites json | Predeterminado— |
speech_to_text · Obligatorio: actual audio file
| Parámetro | Contrato |
|---|---|
Parámetromaterial_types | Contratoaudio |
Parámetrorequired | Contratonull |
Parámetrooptional_controls | Contratonull |
Ciclo de vida: synchronous_result_then_owned_library
GET /v1/media/tasks/{task_id} · El task_id real devuelto o el registro de la biblioteca multimedia
GET /v1/media/assets/{asset_id}/content
GET /v1/media/assets
GET /v1/media/assets/{asset_id}
Las estructuras e ID de los métodos son exactos; la capacidad del proveedor y la admisión son conceptos distintos.
POST /v1/audio/transcriptionsAiloot reserva un monto estimado antes de la solicitud. Tras obtener el resultado, liquida el cargo definitivo según el uso medido. En las respuestas en flujo, la liquidación usa el registro de uso final. Cómo funcionan la reserva y la liquidación →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_AUDIO_FILE:?Set your actual MP3 recording}"\nexport AILOOT_AUDIO_FILE\npython3 - <<'PY_REQUEST'\nimport os\nfrom pathlib import Path\nf=Path(os.environ["AILOOT_AUDIO_FILE"])\nif not f.is_file() or f.suffix.lower()!=".mp3":raise SystemExit("Choose your actual MP3 recording")\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/audio/transcriptions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" \\\n --form-string model=gemini-3.5-transcribe -F "file=@$AILOOT_AUDIO_FILE" \\\n -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nprint(json.dumps(json.loads(Path("result.json").read_text()),ensure_ascii=False,indent=2))\nPY_RESULT\njson
GET /v1/media/tasks/{task_id}GET /v1/media/assets/{asset_id}/contentGET /v1/media/assetsGET /v1/media/assets/{asset_id}Conserva todas las respuestas, archivos y partes de contenido completos recibidos.
Conserva el JSON completo, no solo el texto; conserva cada segmento, hablante y marca de tiempo disponible, así como la identidad real de tarea y recurso.
Conserva el operation_id/X-Client-Request-ID original para la conciliación sin volver a enviar la solicitud; no hay una ruta específica para consultar el estado del audio.
| Campo | Tipo |
|---|---|
Campotext | Tipostring |
Camposegments[] | Tipoobject |
Campotask_id | Tipostring |
Campoasset_url | Tipostring |
Campousage | Tipoobject |
| Respuesta | Condición | Siguiente paso |
|---|---|---|
Respuesta400 · invalid_request_error | CondiciónCampos obligatorios, representación del material o valor del parámetro no válidos | Siguiente pasoCorrige los campos indicados antes de una nueva solicitud de creación. |
Respuestaserver_error | CondiciónLa respuesta devuelta indica que la operación o el resultado requiere una revisión | Siguiente pasoConserva el ID original de operación o tarea devuelto, los encabezados de la solicitud y la respuesta; continúa con las consultas admitidas de esa operación original. No vuelvas a enviar la solicitud de creación. |
Ailoot gemini-3.5-transcribe
Usa las rutas de método indicadas arriba.