Google: Gemini 3.5 Transcribe

Google Gemini 3.5 Transcribe est le modèle synchrone qui convertit des fichiers audio complets préenregistrés en texte. Il s’appuie 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 l’horodatage des mots ou l’attribution aux locuteurs en option selon la configuration choisie.

Préparez un enregistrement clair avec une parole sans écrêtage important et, dans la mesure du possible, une séparation nette entre les voix. Les exemples synchrones du fabricant transmettent 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 la vérification. Le résultat souhaité peut être une transcription d’entretien vérifiée, un enregistrement d’alignement de sous-titres ou une dictée lisible ; choisissez le livrable nécessaire avant de combiner des fonctions qui modifient les formulations ou ajoutent des métadonnées.

Google documente la détection automatique de langue pour plus de 85 langues, y compris les mélanges de langues au sein d’une session. Les niveaux de prise en charge varient selon la langue, 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 fabricant autorise jusqu’à 1 000 termes et indique que des listes ciblées allant jusqu’à environ 100 fonctionnent généralement le mieux. Gardez les termes peu courants pertinents pour l’enregistrement et vérifiez-les à l’écoute plutôt que de supposer qu’une indication de vocabulaire prouve qu’un terme a été prononcé.

VERBATIM est le mode par défaut. Il conserve les mots de remplissage, les répétitions, les faux départs et les corrections orales afin que le texte reste un enregistrement des formulations. C’est le mode à utiliser lorsque la tâche nécessite des horodatages au niveau du mot ou la diarisation des locuteurs. Pour un entretien, par exemple, conservez les tours et les repères temporels originaux, puis corrigez les noms et les quantités importants en écoutant le passage concerné. Un résumé ultérieur ou un article retravaillé peut utiliser cet enregistrement vérifié sans remplacer silencieusement ce que le locuteur a dit.

Le mode SMART est conçu pour une dictée lisible. Il supprime les disfluences, résout les autocorrections faites en parlant et structure les éléments oraux en paragraphes ou en listes, avec des dates et des nombres normalisés lorsque c’est approprié. Une liste de tâches dictée peut devenir une liste lisible plutôt qu’une suite de transitions parlées. Ce traitement modifie la forme de la transcription. Google indique explicitement que SMART est incompatible avec les horodatages des mots et la diarisation : choisissez-le lorsque le livrable requis est du texte lisible plutôt que de tenter d’en faire un enregistrement horodaté avec attribution aux locuteurs.

Lorsque l’horodatage des mots est activé, la réponse comprend les mots reconnus avec leurs positions temporelles de début et de fin. Ces données permettent de localiser une correction dans l’enregistrement ou de préparer des sous-titres. Le fabricant identifie un compromis de précision lié à l’activation des horodatages au niveau du mot. Vérifiez le texte autant que l’alignement, en particulier pour la parole rapide, les chevauchements ou la terminologie peu courante. Une transcription horodatée utile conserve ensemble l’enregistrement des mots et l’audio source plutôt que de prendre une phrase fluide comme preuve d’un alignement correct.

La diarisation identifie et étiquette les voix dans l’audio enregistré, avec jusqu’à huit locuteurs documentés. Le fabricant décrit l’attribution pour trois locuteurs ou plus comme expérimentale. Traitez les étiquettes comme des regroupements de locuteurs inférés et vérifiez les transitions par rapport à l’enregistrement. Une étiquette de locuteur n’est pas une preuve indépendante de l’identité ou du rôle d’une personne. Si la tâche exige des noms, associez les étiquettes aux informations connues 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 les sources plus longues en segments adaptés tout en préservant leur ordre et leur position temporelle originale. La transcription du modèle, les mots horodatés et les parties avec étiquettes de locuteur constituent différentes représentations du résultat ; conservez celle dont la tâche a besoin. Ces limites propres à l’audio ne doivent pas être remplacées par des chiffres de contexte ou de durée d’un modèle Gemini multimodal général. Google indique que le formatage SMART, les horodatages au niveau du mot et la diarisation des locuteurs sont des fonctions expérimentales.

Le contrat de sortie est propre à la transcription. Le formatage SMART crée du texte lisible, mais n’ajoute pas de contrat de réponse général par schéma JSON, de capacité d’appel d’outils ni de processus d’assistant suivant des instructions. Pour le livrable final, vérifiez les formulations importantes, les nombres et les négations par rapport à l’audio, préservez les segments non résolus pour correction et conservez le mode choisi avec le résultat. Cela précise si le livrable enregistre la formulation orale originale ou présente une version de lecture retravaillée qui en est dérivée.