Gemini 3.5 Transcribe

Googlen malli puheentunnistukseen, kielen tunnistamiseen, puhujien erotteluun ja sanojen aikaleimoihin.

Ailoot · Puheesta tekstiksi POST /v1/audio/transcriptions gemini-3.5-transcribe

Tietoa mallista

Tämä kuvaus kattaa mallin ominaisuudet. Ailootissa saatavilla olevat syötteet, tulosteet ja asetukset luetellaan alla valitulle menetelmälle.

Gemini 3.5 Transcribe muuntaa äänitiedoston tekstiksi. Litteroinnin lisäksi se tukee kielen tunnistusta, puhujien erottelua, yksittäisten sanojen aikaleimoja, erikoissanastoa ja tekstin älykästä viimeistelyä.

Kielet ja kesto

Tuettuja kieliä on yli 85, venäjä mukaan lukien, ja tallenteessa voi vaihtaa kielestä toiseen. Kieli tunnistetaan automaattisesti. Tavallinen pyyntö käsittelee enintään tunnin mittaista ääntä. Puhujien erottelua tai sanojen aikaleimoja käytettäessä raja lyhenee 30 minuuttiin.

Tuloste sisältää koko litterointitekstin ja soveltuvissa tiloissa yksittäisten sanojen annotaatiot. Malli on tarkoitettu tiedostojen käsittelyyn; jatkuva reaaliaikainen tunnistus kuuluu erilliseen versioon gemini-3.5-transcribe-live.

Litterointitilat

Oletuksena käytetään sanatarkkaa litterointia. Älykäs tila poistaa täytesanoja, huomioi puhujan itsekorjaukset ja muotoilee tekstin. Tätä tilaa ei voi yhdistää puhujien erotteluun eikä sanojen aikaleimoihin.

Puheen erottelu tukee enintään kahdeksaa puhujaa. Sen määrittäminen, kuka sanoi repliikin, on kokeellinen ominaisuus, kun puhujia on kolme tai enemmän. Aikaleimat auttavat yhdistämään tekstin tallenteeseen, mutta niiden käyttö voi heikentää tunnistuksen tarkkuutta.

Termit ja tiedostot

Käyttäjän termisanastoon mahtuu enintään 1 000 merkintää; Google toteaa, että se kannattaa yleensä rajata noin sataan. Sanasto ei ole yhteensopiva puhujien erottelun eikä sanojen aikaleimojen kanssa. Tilaa valittaessa on siksi arvioitava, kumpi on tärkeämpää: erikoistermit vai osallistujien ja ajan yksityiskohtainen merkintä.

Tuettuihin ääniformaatteihin kuuluvat WAV, MP3, AIFF, AAC, OGG, FLAC, MPEG, M4A, L16, Opus, A-law, mu-law ja WebM. Tiedostojen käsittelylle on julkaistu kestorajat ja tilojen yhdistämisehdot. Transcribe-perheen kuvauksessa ilmoitetaan myös 96K tokenin konteksti ja 32K tokenin tekstituloste; nämä perheen ominaisuudet eivät korvaa valitun menetelmän tiedostorajoja.

Kontekstin välimuistia, koodin suoritusta, tiedostohakua, funktiokutsuja, kuvien luomista eikä Thinking-ominaisuutta tueta. Mallin erikoisala on tekstin ja merkintöjen tuottaminen äänestä, ei uuden puheen generointi.

Ailoot · Puheesta tekstiksi POST /v1/audio/transcriptions gemini-3.5-transcribe

gemini-3.5-transcribe

Google /gemini-3.5-transcribe

Aloitus

Googlen malli puheentunnistukseen, kielen tunnistamiseen, puhujien erotteluun ja sanojen aikaleimoihin.

Hyväksytyt syötteet: Ääni
Tulokset: Teksti

Saatavilla Ailootissa · syötteet & menetelmät

Ailoot · Puheesta tekstiksi POST /v1/audio/transcriptions

Syötetyypit: audio
Tulostyypit: text
Tulosteen muoto: json

Kenttä	Tyyppi	Vaatimus	Arvot & rajat	Oletus
Kenttä`model`	Tyyppi`string`	VaatimusPakollinen	Arvot & rajat gemini-3.5-transcribe	Oletus—
Kenttä`file`	Tyyppi`file`	VaatimusPakollinen	Arvot & rajat Tavujen enimmäismäärä: 67 108 864 Tiedostomuodot: wav, mp3, m4a, ogg, webm, flac Sisältötyyppi: multipart/form-data Enimmäiskesto, sekuntia: 600	Oletus—
Kenttä`response_format`	Tyyppi`string`	VaatimusValinnainen	Arvot & rajat json	Oletus—

Syöteaineistojen yhdistelmät

speech_to_text · Pakollinen: actual audio file

Menetelmän parametrit ja elinkaari

Parametri	Sopimus
Parametri`material_types`	Sopimusaudio
Parametri`required`	Sopimusnull
Parametri`optional_controls`	Sopimusnull

Elinkaari: synchronous_result_then_owned_library

GET /v1/media/tasks/{task_id} · todellisuudessa palautettu task_id tai mediakirjaston tietue

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

GET /v1/media/assets

GET /v1/media/assets/{asset_id}

Menetelmien rakenteet ja ID:t ovat täsmällisiä; toimittajan kyvykkyys on erillinen pyynnön hyväksymisestä.

Hinnoittelu

Ailoot-menetelmien hinnat

Ailoot Puheesta tekstiksiPOST /v1/audio/transcriptions

Syöte: 0,01 $ alkavaa minuuttia kohden

Ailoot varaa arvioidun summan ennen pyyntöä. Tuloksen jälkeen lopullinen veloitus toteutetaan mitatun käytön perusteella. Suoratoiston veloituksessa käytetään lopullista käyttötietuetta. Varauksen ja lopullisen veloituksen toiminta →

Esimerkkipyynnöt

Ailoot · Puheesta tekstiksi

Litterointiesimerkki

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

Vastaanota ja tallenna tulokset

Ailoot · Puheesta tekstiksi

json

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

Säilytä kaikki valmistuneet tulokset

Säilytä jokainen kokonainen palautettu vastaus, tiedosto ja sisällön osa.

Säilytä koko JSON, älä pelkkää tekstiä; säilytä jokainen saatavilla oleva segmentti, puhuja ja aikaleima sekä todellinen tehtävä- ja aineistotunniste.

Jos alkuperäinen vastaus on tarkistettava

Säilytä alkuperäinen operation_id/X-Client-Request-ID täsmäytystä varten lähettämättä pyyntöä uudelleen; erillistä äänen tilakyselyreittiä ei ole.

Vastauksen kentät

Kenttä	Tyyppi
Kenttä`text`	Tyyppistring
Kenttä`segments[]`	Tyyppiobject
Kenttä`task_id`	Tyyppistring
Kenttä`asset_url`	Tyyppistring
Kenttä`usage`	Tyyppiobject

Virheet ja seuraavat vaiheet

Vastaus	Ehto	Seuraava vaihe
Vastaus400 · `invalid_request_error`	EhtoVirheelliset pakolliset kentät, aineiston esitysmuoto tai parametrin arvo	Seuraava vaiheKorjaa ilmoitetut kentät ennen uutta luontipyyntöä.
Vastaus`server_error`	EhtoPalautettu vastaus ilmoittaa, että operaatio tai tulos edellyttää tarkistusta	Seuraava vaiheSäilytä alkuperäinen palautettu operaation tai tehtävän ID, pyynnön otsakkeet ja vastaus; jatka kyseisen alkuperäisen operaation tuettuja lukutoimintoja. Älä lähetä luontipyyntöä uudelleen.

Aliakset

Mallin aliakset

Ailoot gemini-3.5-transcribe

Menetelmäpolkujen aliakset

Käytä yllä näytettyjä menetelmäpolkuja.

Liittyvät kutsujan ID:t

gemini-3.5-transcribe

FAQ · Gemini 3.5 Transcribe

Mitä syötteitä ja tuloksia on saatavilla?: POST /v1/audio/transcriptions · gemini-3.5-transcribe: audio → text
Mitä kenttiä pyyntö käyttää?: POST /v1/audio/transcriptions · gemini-3.5-transcribe: model, file, response_format

Gemini 3.5 Transcribe