Google: Gemini 3.5 Transcribe

Google Gemini 3.5 Transcribe est le modèle synchrone qui convertit des fichiers audio complets, préenregistrés, en texte transcrit. Il repose sur les capacités de compréhension audio de Gemini, mais possède un contrat d’entrée et de sortie propre à la transcription. L’édition distincte Gemini 3.5 Transcribe Live reçoit un flux audio et renvoie des résultats progressifs. Ce modèle d’audio enregistré produit une transcription complète, avec, en option, le minutage des mots ou l’attribution des locuteurs selon la configuration sélectionnée.

Préparez un enregistrement clair avec une parole qui n’est pas fortement écrêtée et, si possible, une séparation significative entre les voix. Les exemples synchrones du fabricant transmettent de l’audio WAV sous forme d’octets de fichier ou de ressource audio stockée, en précisant son type MIME. Gardez l’audio original disponible pour vérification. Le résultat visé peut être une transcription d’entrevue vérifiée, un enregistrement d’alignement des sous-titres ou une dictée lisible; décidez du livrable nécessaire avant de combiner des fonctions qui modifient la formulation ou ajoutent des métadonnées.

Google documente la détection automatique de la langue dans plus de 85 langues, y compris le mélange de langues dans une même session. Les niveaux de prise en charge varient, et une indication de langue connue peut améliorer la reconnaissance. Le vocabulaire personnalisé fournit des noms distinctifs, des marques ou des termes spécialisés susceptibles d’apparaître. Le concepteur permet jusqu’à 1 000 termes et note que des listes ciblées contenant au plus environ 100 termes fonctionnent généralement le mieux. Gardez les termes rares pertinents pour l’enregistrement et vérifiez-les à l’écoute plutôt que de supposer qu’une indication de vocabulaire prouve que le terme a été prononcé.

VERBATIM est le mode par défaut. Il préserve les mots de remplissage, les répétitions, les faux départs et les corrections orales pour que le texte reste une trace de la formulation. C’est le mode à utiliser lorsque la tâche exige des horodatages au niveau du mot ou la diarisation des locuteurs. Pour une entrevue, par exemple, conservez les tours et les minutages originaux, puis corrigez les noms et les quantités importants en écoutant le passage pertinent. Un résumé ultérieur ou un article révisé peut utiliser cette transcription vérifiée sans remplacer discrètement les propos du locuteur.

Le mode SMART est conçu pour une dictée lisible. Il retire les disfluences, résout les autocorrections faites en cours de phrase et structure le contenu parlé en paragraphes ou en listes, avec normalisation des dates et des nombres au besoin. Une liste de tâches dictée peut devenir une liste lisible plutôt qu’une suite de transitions orales. Ce traitement change la forme de la transcription. Google indique explicitement que SMART est incompatible avec les horodatages des mots et la diarisation; choisissez-le donc lorsque le livrable requis est un texte lisible plutôt que de tenter de l’utiliser comme transcription minutée et attribuée aux locuteurs.

Lorsque le minutage des mots est activé, la réponse comprend les mots reconnus avec leurs décalages de début et de fin. Ces renseignements aident à trouver une correction dans l’enregistrement ou à préparer des sous-titres. Le concepteur relève un compromis d’exactitude lié à l’activation des horodatages au niveau du mot. Vérifiez le texte autant que l’alignement, particulièrement lors de parole rapide, de chevauchements ou de terminologie inhabituelle. Une transcription minutée utile conserve ensemble l’enregistrement des mots et l’audio source, plutôt que de traiter une phrase fluide comme une preuve que son alignement est correct.

La diarisation des locuteurs identifie et étiquette les voix dans l’audio enregistré, avec jusqu’à huit locuteurs documentés. Le concepteur décrit l’attribution pour trois locuteurs ou plus comme expérimentale. Traitez les étiquettes comme des regroupements de locuteurs inférés et vérifiez les transitions à l’écoute de l’enregistrement. Une étiquette de locuteur n’est pas une preuve indépendante de l’identité ou du rôle d’une personne. Si la tâche nécessite des noms, associez les étiquettes à de l’information connue sur l’enregistrement plutôt que d’inventer des identités à partir des mots reconnus.

Le tableau de fonctions du fabricant indique une fenêtre d’audio enregistré de 15 minutes, le traitement des fichiers étant limité à cette durée lorsque des fonctions comme les horodatages ou la diarisation sont activées. Préparez le contenu source plus long en segments appropriés, tout en préservant leur ordre et leur position temporelle d’origine. La transcription du modèle, les mots minutés et les parties étiquetées par locuteur sont des représentations différentes du résultat; conservez celle dont la tâche a besoin. Ces limites propres à l’audio ne doivent pas être remplacées par les chiffres de contexte ou de durée d’un modèle multimodal Gemini général. Google indique le formatage SMART, les horodatages au niveau du mot et la diarisation des locuteurs comme des fonctions expérimentales.

Le contrat de sortie est propre à la transcription. Le formatage SMART crée un texte lisible, mais n’ajoute pas un contrat général de réponse à schéma JSON, une capacité d’appel d’outils ou un flux d’assistant suivant des instructions. Pour le livrable final, vérifiez les formulations, les nombres et les négations importants à l’écoute de l’audio, conservez tout segment non résolu pour correction et gardez le mode sélectionné avec le résultat. Cela clarifie si le livrable consigne la formulation orale d’origine ou présente une version de lecture révisée qui en est dérivée.