Gemini 3.5 Transcribe

Modelo de Google para reconocer voz, detectar el idioma, separar hablantes y generar marcas de tiempo por palabra.

Ailoot · De voz a texto POST /v1/audio/transcriptions gemini-3.5-transcribe

Sobre el modelo

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.

Idiomas y duración

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.

Modos de transcripción

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.

Términos y archivos

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.

Ailoot · De voz a texto POST /v1/audio/transcriptions gemini-3.5-transcribe

gemini-3.5-transcribe

Google /gemini-3.5-transcribe

Primeros pasos

Modelo de Google para reconocer voz, detectar el idioma, separar hablantes y generar marcas de tiempo por palabra.

Entradas aceptadas: Audio
Resultados: Texto

Disponible en Ailoot · entradas y métodos

Ailoot · De voz a texto POST /v1/audio/transcriptions

Tipos de entrada: audio
Tipos de salida: text
Formato de salida: json

Campo	Tipo	Requisito	Valores y límites	Predeterminado
Campo`model`	Tipo`string`	RequisitoObligatorio	Valores y límites gemini-3.5-transcribe	Predeterminado—
Campo`file`	Tipo`file`	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—
Campo`response_format`	Tipo`string`	RequisitoOpcional	Valores y límites json	Predeterminado—

Combinaciones de materiales de entrada

speech_to_text · Obligatorio: actual audio file

Parámetros del método y ciclo de vida

Parámetro	Contrato
Parámetro`material_types`	Contratoaudio
Parámetro`required`	Contratonull
Parámetro`optional_controls`	Contratonull

Ciclo de vida: synchronous_result_then_owned_library

GET /v1/media/tasks/{task_id} · task_id real devuelto o 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.

Planes

Tarifas de métodos Ailoot

Ailoot De voz a textoPOST /v1/audio/transcriptions

Entrada: 0,01 US$ por cada minuto iniciado

Ailoot reserva un importe 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 →

Solicitudes de ejemplo

Ailoot · De voz a texto

Ejemplo de transcripción

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

Recibir y guardar resultados

Ailoot · De voz a texto

json

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

Conserva todos los resultados completados

Conserva todas las respuestas, archivos y partes de contenido completos recibidos.

Conserva el JSON completo, no solo el texto; preserva todos los segmentos, hablantes y marcas temporales disponibles y la identidad real de la tarea o recurso.

Si es necesario revisar la respuesta original

Conserva el operation_id/X-Client-Request-ID original para la conciliación sin volver a enviar la solicitud; no hay una ruta dedicada para consultar periódicamente el audio.

Campos de respuesta

Campo	Tipo
Campo`text`	Tipostring
Campo`segments[]`	Tipoobject
Campo`task_id`	Tipostring
Campo`asset_url`	Tipostring
Campo`usage`	Tipoobject

Errores y siguientes pasos

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.
Respuesta`server_error`	CondiciónLa respuesta devuelta indica que la operación o el resultado requiere una comprobación	Siguiente pasoConserva el ID original de operación o tarea devuelto, las cabeceras de la solicitud y la respuesta; continúa con las lecturas admitidas de esa operación original. No vuelvas a enviar la solicitud de creación.

Alias

Alias del modelo

Ailoot gemini-3.5-transcribe

Alias de rutas de métodos

Usa las rutas de método indicadas arriba.

ID de modelo relacionados

gemini-3.5-transcribe

FAQ · Gemini 3.5 Transcribe

¿Qué entradas y resultados están disponibles?: POST /v1/audio/transcriptions · gemini-3.5-transcribe: audio → text
¿Qué campos utiliza la solicitud?: POST /v1/audio/transcriptions · gemini-3.5-transcribe: model, file, response_format

Gemini 3.5 Transcribe