Gemini 3.5 Transcribe

מודל של Google לזיהוי דיבור, לזיהוי שפה, להפרדה בין דוברים ולחותמות זמן של מילים.

Ailoot · המרת דיבור לטקסט POST /v1/audio/transcriptions gemini-3.5-transcribe

על המודל

התיאור הזה מציג את יכולות המודל. הקלט, הפלט והאפשרויות הזמינים ב-Ailoot מפורטים בהמשך לפי השיטה שנבחרה.

Gemini 3.5 Transcribe ממיר קובץ אודיו לטקסט. בנוסף לתמלול הוא תומך בזיהוי שפה, בזיהוי דוברים, בחותמות זמן למילים בודדות, במילון ייעודי ובהכנה חכמה של הטקסט.

שפות ומשך

נתמכות יותר מ־85 שפות, כולל רוסית, ומעבר בין שפות בתוך ההקלטה. השפה מזוהה אוטומטית. בקשה רגילה מעבדת אודיו באורך של עד שעה אחת. עם הפרדה בין דוברים או חותמות זמן של מילים מופעלות, המגבלה מתקצרת ל־30 דקות.

הפלט כולל את מלוא טקסט התמלול, ובמצבים המתאימים גם הערות נפרדות למילים. המודל מיועד לעיבוד קבצים; זיהוי רציף בזמן אמת שייך לגרסה הנפרדת gemini-3.5-transcribe-live.

מצבי תמלול

כברירת מחדל משתמשים בתמלול מילולי. המצב החכם מסיר מילות מילוי, מביא בחשבון תיקונים עצמיים של הדובר ומעצב את הטקסט. אי אפשר לשלב מצב כזה עם הפרדה בין דוברים וחותמות זמן של מילים.

הפרדת הדיבור תומכת ב־עד שמונה דוברים. לזיהוי מי אמר אמירה מסוימת כאשר יש שלושה דוברים ומעלה יש סטטוס ניסיוני. חותמות הזמן מסייעות לקשר את הטקסט להקלטה, אך הפעלתן עלולה להפחית את דיוק הזיהוי.

מונחים וקבצים

מילון המונחים של המשתמש מכיל עד 1 000 רשומות; Google מציינת שבדרך כלל עדיף להגביל אותו לכמאה. מילון כזה אינו תואם להפרדה בין דוברים ולחותמות זמן של מילים. לכן בחירת המצב צריכה להביא בחשבון מה חשוב יותר: מונחים מיוחדים או סימון מפורט של המשתתפים והזמן.

פורמטי האודיו הנתמכים כוללים WAV, MP3, AIFF, AAC, OGG, FLAC, MPEG, M4A, L16, Opus, A-law, mu-law ו־WebM. לעיבוד קובץ פורסמו מגבלות משך ושילובים של מצבים. בתיאור משפחת Transcribe מצוינים גם הקשר של 96K טוקנים ופלט טקסטואלי של 32K טוקנים; מאפייני המשפחה האלה אינם מחליפים את מגבלות הקובץ בשיטה שנבחרה.

שמירה במטמון של ההקשר, ביצוע קוד, חיפוש בקבצים, קריאות לפונקציות, יצירת תמונות ו־Thinking אינם נתמכים. התמחות המודל היא קבלת טקסט וסימון מתוך צליל, ולא יצירת דיבור חדש.

Ailoot · המרת דיבור לטקסט POST /v1/audio/transcriptions gemini-3.5-transcribe

gemini-3.5-transcribe

Google /gemini-3.5-transcribe

התחלה

מודל של Google לזיהוי דיבור, לזיהוי שפה, להפרדה בין דוברים ולחותמות זמן של מילים.

סוגי קלט נתמכים: שמע
תוצאות: טקסט

זמין ב-Ailoot · קלט ושיטות

Ailoot · המרת דיבור לטקסט POST /v1/audio/transcriptions

סוגי קלט: audio
סוגי פלט: text
פורמט פלט: json

שדה	סוג	דרישה	ערכים ומגבלות	ברירת מחדל
שדה`model`	סוג`string`	דרישהחובה	ערכים ומגבלות gemini-3.5-transcribe	ברירת מחדל—
שדה`file`	סוג`file`	דרישהחובה	ערכים ומגבלות מספר בייטים מרבי: ⁦67,108,864⁩ פורמטי קבצים: wav, mp3, m4a, ogg, webm, flac סוג תוכן: multipart/form-data משך מרבי, בשניות: ⁦600⁩	ברירת מחדל—
שדה`response_format`	סוג`string`	דרישהרשות	ערכים ומגבלות json	ברירת מחדל—

שילובים של חומרי קלט

speech_to_text · נדרש: actual audio file

פרמטרים ומחזור חיים של השיטה

פרמטר	מפרט
פרמטר`material_types`	מפרטaudio
פרמטר`required`	מפרטnull
פרמטר`optional_controls`	מפרטnull

מחזור חיים: synchronous_result_then_owned_library

GET /v1/media/tasks/{task_id} · ערך task_id שהוחזר בפועל או רשומה בספריית המדיה

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

GET /v1/media/assets

GET /v1/media/assets/{asset_id}

מבני המתודות והמזהים מדויקים; יכולת הספק נפרדת מקבלת הבקשה לביצוע.

תעריפים

תעריפי שיטות Ailoot

Ailoot המרת דיבור לטקסטPOST /v1/audio/transcriptions

קלט: ⁦‏0.01 ‏$⁩ לכל דקה או חלק ממנה

לפני הבקשה Ailoot משריינת סכום משוער. לאחר קבלת התוצאה היא מסדירה את החיוב הסופי לפי השימוש המדוד. הסדרת חיוב בהזרמה משתמשת ברשומת השימוש הסופית. איך פועלים שריון הסכום והסדרת החיוב →

דוגמאות לבקשות

Ailoot · המרת דיבור לטקסט

דוגמת תמלול

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

קבלה ושמירה של תוצאות

Ailoot · המרת דיבור לטקסט

json

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

שמירת כל התוצאות שהושלמו

שמרו כל תגובה מלאה, קובץ ומקטע תוכן שהוחזרו.

יש לשמור JSON מלא, ולא רק טקסט; יש לשמר כל מקטע, דובר וחותמת זמן זמינים ואת זהות המשימה או הנכס בפועל.

כשצריך לבדוק את התגובה המקורית

שמרו את operation_id/X-Client-Request-ID המקורי לצורך התאמת רישומים ללא שליחה מחדש; אין נתיב ייעודי לתשאול סטטוס אודיו.

שדות התגובה

שדה	סוג
שדה`text`	סוגstring
שדה`segments[]`	סוגobject
שדה`task_id`	סוגstring
שדה`asset_url`	סוגstring
שדה`usage`	סוגobject

שגיאות והשלבים הבאים

תגובה	תנאי	השלב הבא
תגובה⁦400⁩ · `invalid_request_error`	תנאישדות נדרשים, ייצוג חומר או ערך פרמטר שאינם תקינים	השלב הבאתקנו את השדות שצוינו לפני בקשת יצירה חדשה.
תגובה`server_error`	תנאיהתשובה שהוחזרה מציינת שהפעולה או התוצאה דורשת בדיקה	השלב הבאשמרו את מזהה הפעולה/המשימה המקורי שהוחזר, את כותרות הבקשה ואת התשובה; המשיכו לבצע פעולות קריאה נתמכות של אותה פעולה מקורית. אל תשלחו שוב את בקשת היצירה.

כינויים

כינויים למודל

Ailoot gemini-3.5-transcribe

כינויים לנתיבי שיטות

השתמשו בנתיבי השיטות המוצגים למעלה.

מזהי מודלים קשורים IDs

gemini-3.5-transcribe

FAQ · Gemini 3.5 Transcribe

אילו קלטים ותוצאות זמינים?: POST /v1/audio/transcriptions · gemini-3.5-transcribe: audio → text
באילו שדות הבקשה משתמשת?: POST /v1/audio/transcriptions · gemini-3.5-transcribe: model, file, response_format

Gemini 3.5 Transcribe