Google: Gemini 3.5 Transcribe

Google Gemini 3.5 Transcribe ממיר דיבור מוקלט לטקסט עם זיהוי שפה אוטומטי, אוצר מילים מותאם ותזמון מילים או הפרדת דוברים אופציונליים. יש לבחור VERBATIM לתזמון ולשיוך לדוברים, או SMART להכתבה קריאה; אי אפשר לשלב את SMART עם שתי התכונות האלה.

Ailoot Ultra · תמלול POST /v1/audio/transcriptions google/gemini-3.5-transcribe

על המודל

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

Google Gemini 3.5 Transcribe הוא המודל הסינכרוני להמרת קובצי אודיו שלמים שהוקלטו מראש לדיבור כתוב. הוא מבוסס על יכולות הבנת האודיו של Gemini, אך יש לו חוזה קלט ופלט ייעודי לתמלול. מהדורת Gemini 3.5 Transcribe Live הנפרדת מקבלת זרם אודיו ומחזירה תוצאות בהדרגה. מודל האודיו המוקלט הזה מפיק תמליל שלם, עם תזמון מילים או שיוך לדוברים לפי התצורה שנבחרה.

יש להכין הקלטה ברורה שהדיבור בה אינו סובל מקיטום חמור, ועם הפרדה משמעותית בין קולות ככל האפשר. הדוגמאות הסינכרוניות של היצרן מעבירות אודיו WAV כבתים של קובץ או כמשאב אודיו מאוחסן, עם ציון סוג ה־MIME שלו. יש לשמור את האודיו המקורי זמין לבדיקה. התוצאה הרצויה עשויה להיות תמליל ראיון בדוק, רשומת יישור כתוביות או הכתבה קריאה; יש להחליט איזה תוצר נדרש לפני שמשלבים תכונות שמשנות את הניסוח או מוסיפות מטא־נתונים.

Google מתעדת זיהוי שפה אוטומטי ביותר מ־85 שפות, לרבות ערבוב שפות באותה שיחה. רמות התמיכה בשפות משתנות, ורמז לשפה ידועה יכול לשפר את הזיהוי. אוצר מילים מותאם מספק שמות, מותגים או מונחים מקצועיים ייחודיים שסביר שיופיעו. היצרן מאפשר עד 1,000 מונחים ומציין שרשימות ממוקדות של עד כ־100 בדרך כלל פועלות בצורה הטובה ביותר. יש להשאיר מונחים לא נפוצים רלוונטיים להקלטה ולבדוק אותם מול האודיו, ולא להניח שרמז באוצר המילים מוכיח שהמונח נאמר.

VERBATIM הוא מצב ברירת המחדל. הוא משמר מילות מילוי, חזרות, התחלות שנקטעו ותיקונים שנאמרו בקול, כך שהטקסט נשאר תיעוד של הניסוח. זהו המצב המתאים כשהמשימה דורשת חותמות זמן ברמת המילה או הפרדת דוברים. בראיון, למשל, יש לשמור את התורים והתזמונים המקוריים, ואז לתקן שמות וכמויות חשובים באמצעות האזנה לקטע הרלוונטי. סיכום או מאמר מלוטש בשלב מאוחר יותר יכולים להשתמש בתיעוד הבדוק הזה בלי להחליף בשתיקה את דברי הדובר.

מצב SMART מיועד להכתבה קריאה. הוא מסיר חוסר שטף, פותר תיקונים עצמיים בתוך המשפט ומארגן חומר מדובר בפסקאות או ברשימות, עם האחדת תאריכים ומספרים לפי הצורך. רשימת משימות מוכתבת יכולה להפוך לרשימה קריאה במקום לרצף מעברים מדוברים. העיבוד הזה משנה את צורת התמליל. Google מציינת במפורש ש־SMART אינו תואם לחותמות זמן של מילים ולהפרדת דוברים, ולכן יש לבחור בו כשהתוצר הנדרש הוא טקסט קריא, ולא לנסות להשתמש בו כתיעוד מתוזמן ומשויך לדוברים.

כשתזמון מילים מופעל, התשובה כוללת מילים שזוהו עם היסטי התחלה וסיום. אלה מסייעים לאתר תיקון בהקלטה או להכין כתוביות. היצרן מציין פשרה בדיוק כתוצאה מהפעלת חותמות זמן ברמת המילה. יש לבדוק הן את הטקסט והן את היישור, במיוחד סביב דיבור מהיר, חפיפה או מונחים לא שגרתיים. תמליל מתוזמן שימושי שומר יחד את רשומת המילים ואת אודיו המקור, במקום להתייחס למשפט שוטף כהוכחה שהיישור שלו נכון.

הפרדת דוברים מזהה ומתייגת קולות באודיו מוקלט, עם עד שמונה דוברים מתועדים. היצרן מתאר שיוך לשלושה דוברים או יותר כניסיוני. יש להתייחס לתוויות כקיבוצים משוערים של דוברים ולבדוק מעברים מול ההקלטה. תווית דובר אינה הוכחה עצמאית לזהותו או לתפקידו של אדם. אם המשימה דורשת שמות, יש לשייך את התוויות למידע ידוע על ההקלטה, ולא להמציא זהויות מתוך המילים שזוהו.

טבלת התכונות של היצרן מציינת חלון אודיו מוקלט של 15 דקות, ועיבוד הקבצים מוגבל למשך הזה כאשר תכונות כגון חותמות זמן או הפרדת דוברים מופעלות. יש להכין חומר מקור ארוך יותר כמקטעים מתאימים, תוך שמירה על סדרם ועל מיקומם בזמן המקורי. תמליל המודל, המילים המתוזמנות והמקטעים המסומנים לפי דובר הם ייצוגי תוצאה שונים; יש לשמור את הייצוג הנדרש למשימה. אין להחליף מגבלות ייעודיות לאודיו אלה בנתוני הקשר או משך ממודל Gemini רב־מודאלי כללי. Google מציינת עיצוב SMART, חותמות זמן ברמת המילה והפרדת דוברים כתכונות ניסיוניות.

חוזה הפלט ייעודי לתמלול. עיצוב SMART יוצר טקסט קריא, אך אינו מוסיף חוזה תשובה כללי המבוסס על סכמת JSON, יכולת קריאה לכלים או תהליך עוזר המציית להוראות. בתוצר הסופי, יש לבדוק ניסוחים חשובים, מספרים ושלילות מול האודיו, לשמור כל מקטע שלא הוכרע לתיקון ולשמור את המצב שנבחר עם התוצאה. כך ברור אם התוצר מתעד את הניסוח המקורי שנאמר או מציג גרסת קריאה ערוכה הנגזרת ממנו.

Ailoot Ultra · תמלול POST /v1/audio/transcriptions google/gemini-3.5-transcribe

google/gemini-3.5-transcribe

Google /google/gemini-3.5-transcribe

התחלה

סוגי קלט נתמכים: שמע
תוצאות: טקסט

זמין ב-Ailoot · קלט ושיטות

Ailoot Ultra · תמלול POST /v1/audio/transcriptions

סוגי קלט: audio
סוגי פלט: text

שדה	סוג	דרישה	ערכים ומגבלות	ברירת מחדל
שדה`model`	סוג`string`	דרישהחובה	ערכים ומגבלות google/gemini-3.5-transcribe	ברירת מחדל—
שדה`input_audio`	סוג`object`	דרישהחובה	ערכים ומגבלות	ברירת מחדל—
שדה`language`	סוג`string`	דרישהרשות	ערכים ומגבלות	ברירת מחדל—
שדה`temperature`	סוג`number`	דרישהרשות	ערכים ומגבלות מינימום: ⁦0⁩ מקסימום: ⁦1⁩	ברירת מחדל—
שדה`response_format`	סוג`string`	דרישהרשות	ערכים ומגבלות json, verbose_json	ברירת מחדלjson
שדה`timestamp_granularities`	סוג`array`	דרישהרשות	ערכים ומגבלות	ברירת מחדל—
שדה`provider`	סוג`object`	דרישהרשות	ערכים ומגבלות	ברירת מחדל—

פרמטרים ומחזור חיים של השיטה

פרמטר	מפרט
פרמטר`content_type`	מפרטapplication/json
פרמטר`required`	מפרטmodel, input_audio
פרמטר`material_types`	מפרטaudio
פרמטר`material_conditions`	מפרטקראו קובץ WAV ממשי וקודדו את הבתים האמיתיים שלו עבור קלט ה־JSON input_audio שהוצהר; לא מוצג נתיב multipart להצהרה המדויקת הזו, התומכת ב־JSON בלבד.

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}

תעריפים

אופן חישוב החיוב הסופי

התעריפים המוצגים מספקים אומדן לעלות לפני היצירה. החיוב הסופי מחושב לפי העלות שנרשמה עבור היצירה המקורית. משך הפלט שנמדד והכמויות החזויות אינם הכמות הסופית לחיוב.

מידע תעריפים אינו מוסיף אפשרויות לבקשה. הפרמטרים הנתמכים מפורטים בשיטה שנבחרה.

מצב מהיר: לא צוין כאשר נבחר מצב מהיר
מצב Flex: לא צוין כאשר נבחר מצב flex
מאמץ חשיבה מרבי: לא צוין כאשר מאמץ החשיבה המרבי משתמש בהתאמת ברירת המחדל (default)

תעריפים משוערים להשוואה

מחירים לפי תצורה

התאימו כל חיוב לתנאים המוצגים. השתמשו בתעריף אחד לכל קבוצה של תצורות חלופיות.

תצורה	טבלת תעריפים	כמות חזויה	יחידת חיוב	חיוב
תצורהתעריפי בסיס לטוקנים	טבלת תעריפיםתעריף בסיס	כמות חזויה—	יחידת חיוב—	חיוב קלט · טוקני קלט · אומדן להשוואה בלבד — / 1K טוקנים פלט · טוקני פלט · אומדן להשוואה בלבד — / 1K טוקנים קלט · קריאה מהמטמון · אומדן להשוואה בלבד — / 1K טוקנים קלט · כתיבה למטמון · אומדן להשוואה בלבד — / 1K טוקנים קלט · כתיבה למטמון, 1 שעה · אומדן להשוואה בלבד — / 1K טוקנים
תצורהטוקן קלט	טבלת תעריפים—	כמות חזויה—	יחידת חיוב/ 1K טוקנים	חיוב קלט · אומדן להשוואה בלבד $0.004 / 1K טוקנים
תצורהטוקן פלט	טבלת תעריפים—	כמות חזויה—	יחידת חיוב/ 1K טוקנים	חיוב פלט · אומדן להשוואה בלבד $0.024 / 1K טוקנים
תצורהעלות יצירה משוערת	טבלת תעריפים—	כמות חזויהאומדן ליצירה אחת	יחידת חיוב—	חיוב פלט · עלות יצירה משוערת · אומדן להשוואה בלבד $1.179648 אומדן לפני היצירה אומדן זה אינו חיוב נוסף או תעריף קבוע עבור היצירה שהושלמה.

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 Ultra · תמלול

curl · גוף בקשה מדויק בפורמט המקורי והתוצאה המלאה

set -eu
: "${AILOOT_API_KEY:?Set your Ailoot API key}"
: "${AILOOT_AUDIO_FILE:?Set the path to your actual WAV recording}"
python3 - <<'PY_REQUEST'
import json,os
from pathlib import Path
import base64
audio=Path(os.environ['AILOOT_AUDIO_FILE']).read_bytes()
if not (audio[:4]==b'RIFF' and audio[8:12]==b'WAVE'): raise SystemExit('Supply an actual WAV audio file')
if len(audio)>26214400: raise SystemExit('Use a documented supported large-file flow')
request={'model': 'google/gemini-3.5-transcribe', 'input_audio': {'data': '${BASE64_ACTUAL_WAV_BYTES}', 'format': 'wav'}}
request['input_audio']['data']=base64.b64encode(audio).decode('ascii')
Path('request.json').write_text(json.dumps(request,ensure_ascii=False),encoding='utf-8')
PY_REQUEST
curl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/audio/transcriptions \
  -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \
  --data-binary @request.json -D response-headers.txt -o response.bin
# Keep the complete original response and headers. Read every returned segment, word and usage field.
# Preserve actual operation/task/asset IDs; continue reads of the original result without resubmitting.

קבלה ושמירה של תוצאות

Ailoot Ultra · תמלול

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

קריאות תוכן נוספות

קריאת נכסים קיימים שבבעלותכם

set -eu
: "${AILOOT_API_KEY:?Set your Ailoot API key}"
curl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/media/assets \
  -H "Authorization: Bearer $AILOOT_API_KEY" -o owned-assets.json
# Preserve every returned asset and follow its exact signed content URL. Do not construct a signed token.

שמירת כל התוצאות שהושלמו

שמרו כל תגובה מלאה, קובץ ומקטע תוכן שהוחזרו.

שמרו את התשובה המלאה ואת הכותרות, כל פלט שהתקבל בפועל, את המזהים המקוריים שהוחזרו ואת כל שדות השימוש. שחזרו את הפעולה המקורית בלי לשלוח שוב בקשת יצירה.

כשצריך לבדוק את התגובה המקורית

שמרו את X-Client-Request-ID שהוחזר לצורך התאמת רישומים. קראו רק ערכי task_id/asset_id שהוחזרו בפועל או את ספריית המדיה שבבעלותכם; לעולם אל תבנו URL של משימה ממזהה הפעולה ואל תשלחו שוב בקשת יצירה.

שדות התגובה

שדה	סוג
שדה`text`	סוג
שדה`usage`	סוג
שדה`segments[]`	סוג
שדה`words[]`	סוג
שדה`speaker fields`	סוג
שדה`timestamps`	סוג

כינויים

כינויים למודל

Ailoot Ultra google/gemini-3.5-transcribe

כינויים לנתיבי שיטות

השתמשו בנתיבי השיטות המוצגים למעלה.

מזהי מודלים קשורים IDs

google/gemini-3.5-transcribe

FAQ · Google: Gemini 3.5 Transcribe

אילו קלטים ותוצאות זמינים?: POST /v1/audio/transcriptions · google/gemini-3.5-transcribe: audio → text
באילו שדות הבקשה משתמשת?: POST /v1/audio/transcriptions · google/gemini-3.5-transcribe: model, input_audio, language, temperature, response_format, timestamp_granularities, provider
אילו מגבלות חלות?: POST /v1/audio/transcriptions · google/gemini-3.5-transcribe: temperature.minimum: 0; temperature.maximum: 1

Google: Gemini 3.5 Transcribe