Gemini 3.5 Transcribe

Un modèle de Google pour la reconnaissance vocale, l’identification de la langue, la distinction des locuteurs et l’horodatage des mots.

Ailoot · Reconnaissance vocale POST /v1/audio/transcriptions gemini-3.5-transcribe

À propos du modèle

Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.

Gemini 3.5 Transcribe transforme un fichier audio en texte. En plus de la transcription, il prend en charge l’identification de la langue, la distinction des locuteurs, l’horodatage de chaque mot, un lexique spécialisé et un traitement intelligent du texte.

Les langues et la durée

Plus de 85 langues, dont le russe, et les changements de langue au sein d’un enregistrement sont pris en charge. La langue est détectée automatiquement. Une requête habituelle traite un audio d’une durée allant jusqu’à une heure. Avec la distinction des locuteurs ou l’horodatage des mots activés, la limite passe à 30 minutes.

La sortie comprend le texte intégral de la transcription et, pour les modes correspondants, des annotations distinctes pour les mots. Le modèle est destiné au traitement de fichiers ; la reconnaissance continue en temps réel relève de la version distincte gemini-3.5-transcribe-live.

Les modes de transcription

La transcription verbatim est utilisée par défaut. Le mode intelligent supprime les mots de remplissage, tient compte des corrections que le locuteur apporte à ses propos et met le texte en forme. Ce mode ne peut pas être combiné à la distinction des locuteurs ni à l’horodatage des mots.

La distinction des voix prend en charge jusqu’à huit locuteurs. L’identification de la personne qui prononce une réplique a un statut expérimental lorsqu’il y a trois locuteurs ou plus. L’horodatage permet de relier le texte à l’enregistrement, mais son activation peut réduire la précision de la reconnaissance.

Les termes et les fichiers

Le lexique personnalisé peut contenir jusqu’à 1 000 entrées ; Google précise qu’il est généralement préférable de le limiter à une centaine environ. Ce lexique est incompatible avec la distinction des locuteurs et l’horodatage des mots. Le choix du mode doit donc tenir compte de la priorité : les termes spécialisés ou l’annotation détaillée des participants et des temps.

Les formats audio pris en charge comprennent WAV, MP3, AIFF, AAC, OGG, FLAC, MPEG, M4A, L16, Opus, A-law, mu-law et WebM. Des limites de durée et des combinaisons de modes ont été publiées pour le traitement de fichiers. La description de la famille Transcribe indique également un contexte de 96K tokens et une sortie textuelle de 32K tokens ; ces caractéristiques de la famille ne remplacent pas les limites du fichier dans la méthode choisie.

La mise en cache du contexte, l’exécution de code, la recherche dans des fichiers, les appels de fonctions, la création d’images et Thinking ne sont pas pris en charge. Le modèle est spécialisé dans l’extraction du texte et des annotations à partir du son, et non dans la génération d’une nouvelle voix.

Ailoot · Reconnaissance vocale POST /v1/audio/transcriptions gemini-3.5-transcribe

gemini-3.5-transcribe

Google /gemini-3.5-transcribe

Premiers pas

Un modèle de Google pour la reconnaissance vocale, l’identification de la langue, la distinction des locuteurs et l’horodatage des mots.

Entrées acceptées: Audio
Résultats: Texte

Disponible dans Ailoot · entrées et méthodes

Ailoot · Reconnaissance vocale POST /v1/audio/transcriptions

Types d’entrée: audio
Types de sortie: text
Format de sortie: json

Champ	Type	Exigence	Valeurs et limites	Par défaut
Champ`model`	Type`string`	ExigenceObligatoire	Valeurs et limites gemini-3.5-transcribe	Par défaut—
Champ`file`	Type`file`	ExigenceObligatoire	Valeurs et limites Nombre maximal d’octets: 67 108 864 Formats de fichier: wav, mp3, m4a, ogg, webm, flac Type de contenu: multipart/form-data Durée maximale, en secondes: 600	Par défaut—
Champ`response_format`	Type`string`	ExigenceFacultatif	Valeurs et limites json	Par défaut—

Combinaisons d’éléments d’entrée

speech_to_text · Obligatoire : actual audio file

Paramètres et cycle de vie de la méthode

Paramètre	Contrat
Paramètre`material_types`	Contrataudio
Paramètre`required`	Contratnull
Paramètre`optional_controls`	Contratnull

Cycle de vie : synchronous_result_then_owned_library

GET /v1/media/tasks/{task_id} · task_id effectivement renvoyé ou enregistrement de la bibliothèque multimédia

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

GET /v1/media/assets

GET /v1/media/assets/{asset_id}

Les structures des méthodes et les identifiants sont exacts ; la capacité du fournisseur est distincte de l’admission.

Tarifs

Tarifs des méthodes Ailoot

Ailoot Reconnaissance vocalePOST /v1/audio/transcriptions

Entrée: 0,01 USD par minute entamée

Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →

Exemples de requêtes

Ailoot · Reconnaissance vocale

Exemple de transcription

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

Recevoir et enregistrer les résultats

Ailoot · Reconnaissance vocale

json

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

Conserver tous les résultats terminés

Conservez chaque réponse, fichier et partie de contenu renvoyés dans leur intégralité.

Conservez le JSON complet, y compris les éléments autres que le texte ; préservez chaque segment, locuteur et horodatage disponible ainsi que l’identité réelle de la tâche ou de la ressource.

Si la réponse d’origine doit être vérifiée

Conservez l’operation_id/X-Client-Request-ID d’origine pour le rapprochement sans nouvelle soumission ; aucune route dédiée à l’interrogation du statut audio.

Champs de la réponse

Champ	Type
Champ`text`	Typestring
Champ`segments[]`	Typeobject
Champ`task_id`	Typestring
Champ`asset_url`	Typestring
Champ`usage`	Typeobject

Erreurs et étapes suivantes

Réponse	Condition	Étape suivante
Réponse400 · `invalid_request_error`	ConditionChamps obligatoires, représentation des contenus ou valeur de paramètre non valides	Étape suivanteCorrigez les champs indiqués avant une nouvelle requête de création.
Réponse`server_error`	ConditionLa réponse renvoyée indique que l’opération ou le résultat nécessite une vérification	Étape suivanteConservez l’identifiant d’opération/de tâche initialement renvoyé, les en-têtes de la requête et la réponse ; poursuivez les lectures prises en charge de cette opération d’origine. Ne soumettez pas à nouveau la requête de création.

Alias

Alias du modèle

Ailoot gemini-3.5-transcribe

Alias des chemins de méthode

Utilisez les chemins de méthode indiqués ci-dessus.

ID d’appel associés

gemini-3.5-transcribe

FAQ · Gemini 3.5 Transcribe

Quelles entrées et quels résultats sont disponibles ?: POST /v1/audio/transcriptions · gemini-3.5-transcribe: audio → text
Quels champs la requête utilise-t-elle ?: POST /v1/audio/transcriptions · gemini-3.5-transcribe: model, file, response_format

Gemini 3.5 Transcribe