Gemini 3.5 Transcribe

A Google modellje beszédfelismeréshez, nyelvazonosításhoz, beszélők elkülönítéséhez és szószintű időbélyegekhez.

Ailoot · Beszéd átírása szöveggé POST /v1/audio/transcriptions gemini-3.5-transcribe

A modellről

Ez a leírás a modell képességeit ismerteti. Az Ailootban elérhető bemenetek, kimenetek és lehetőségek alább, a kiválasztott metódusnál láthatók.

A Gemini 3.5 Transcribe szöveggé alakítja a hangfájlt. Az átíráson kívül támogatja a nyelvazonosítást, a beszélők elkülönítését, az egyes szavak időbélyegeit, a speciális szótárat és a szöveg intelligens előkészítését.

Nyelvek és időtartam

Több mint 85 nyelv támogatott, köztük az orosz, valamint a felvételen belüli nyelvváltás. A nyelv automatikusan felismerésre kerül. Egy szokásos kérés legfeljebb egyórás hanganyagot dolgoz fel. Beszélőelkülönítés vagy bekapcsolt szószintű időbélyegek esetén a határ 30 percre csökken.

A kimenet a teljes átiratszöveget és a megfelelő módokban külön szóannotációkat tartalmaz. A modell fájlfeldolgozásra szolgál; a folyamatos valós idejű felismerés a külön gemini-3.5-transcribe-live verzióhoz tartozik.

Átírási módok

Az alapértelmezett átírás szó szerinti. Az intelligens mód eltávolítja a töltelékszavakat, figyelembe veszi a beszélő önjavításait, és formázza a szöveget. E mód nem kombinálható beszélőelkülönítéssel és szószintű időbélyegekkel.

A beszéd elkülönítése legfeljebb nyolc beszélőt támogat. Annak meghatározása, hogy ki mondott egy megszólalást, három vagy több beszélő esetén kísérleti státuszú. Az időbélyegek segítenek összekapcsolni a szöveget a felvétellel, de bekapcsolásuk csökkentheti a felismerés pontosságát.

Kifejezések és fájlok

Az egyedi kifejezések szótára legfeljebb 1 000 bejegyzést tartalmazhat; a Google szerint rendszerint érdemes körülbelül százra korlátozni. E szótár inkompatibilis a beszélőelkülönítéssel és a szószintű időbélyegekkel. Ezért a módválasztásnál figyelembe kell venni, mi fontosabb: a szakkifejezések vagy a résztvevők és az idő részletes jelölése.

A támogatott hangformátumok között WAV, MP3, AIFF, AAC, OGG, FLAC, MPEG, M4A, L16, Opus, A-law, mu-law és WebM szerepel. A fájlfeldolgozáshoz közzétettek időtartamkorlátokat és módkombinációkat. A Transcribe család leírása 96K tokenes kontextust és 32K tokenes szöveges kimenetet is megad; e családjellemzők nem helyettesítik a választott metódus fájlkorlátait.

Kontextusgyorsítótárazás, kódfuttatás, fájlkeresés, függvényhívás, képkészítés és Thinking nem támogatott. A modell szakterülete szöveg és jelölések kinyerése hangból, nem új beszéd generálása.

Ailoot · Beszéd átírása szöveggé POST /v1/audio/transcriptions gemini-3.5-transcribe

gemini-3.5-transcribe

Google /gemini-3.5-transcribe

Kezdő lépések

A Google modellje beszédfelismeréshez, nyelvazonosításhoz, beszélők elkülönítéséhez és szószintű időbélyegekhez.

Elfogadott bemenetek: Hang
Eredmények: Szöveg

Elérhető az Ailootban · bemenetek és metódusok

Ailoot · Beszéd átírása szöveggé POST /v1/audio/transcriptions

Bemenet: audio
Kimenet: text
Kimeneti formátum: json

Mező	Típus	Követelmény	Értékek és korlátok	Alapértelmezett
Mező`model`	Típus`string`	KövetelményKötelező	Értékek és korlátok gemini-3.5-transcribe	Alapértelmezett—
Mező`file`	Típus`file`	KövetelményKötelező	Értékek és korlátok Maximális bájtszám: 67 108 864 Fájlformátumok: wav, mp3, m4a, ogg, webm, flac Tartalomtípus: multipart/form-data Maximális időtartam, másodperc: 600	Alapértelmezett—
Mező`response_format`	Típus`string`	KövetelményOpcionális	Értékek és korlátok json	Alapértelmezett—

Bemeneti anyagok kombinációi

speech_to_text · Kötelező: actual audio file

Metódus paraméterei és életciklusa

Paraméter	Szerződés
Paraméter`material_types`	Szerződésaudio
Paraméter`required`	Szerződésnull
Paraméter`optional_controls`	Szerződésnull

Életciklus: synchronous_result_then_owned_library

GET /v1/media/tasks/{task_id} · A ténylegesen visszaadott task_id vagy a médiatár bejegyzése

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

GET /v1/media/assets

GET /v1/media/assets/{asset_id}

A metódusok szerkezete és azonosítói pontosak; a beszállítói képesség különbözik a kérelmek befogadásától.

Díjcsomagok

Ailoot-metódusok díjai

Ailoot Beszéd átírása szöveggéPOST /v1/audio/transcriptions

Bemenet: 0,01 USD minden megkezdett perc után

Az Ailoot a kérés előtt becsült összeget foglal le. Az eredmény után a mért használat alapján elszámolja a végső díjat. Folyamatos átvitel esetén a végső használati rekordot használja. A foglalás és az elszámolás működése →

Példakérések

Ailoot · Beszéd átírása szöveggé

Átírási példa

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

Eredmények fogadása és mentése

Ailoot · Beszéd átírása szöveggé

json

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

Őrizzen meg minden elkészült eredményt

Őrizzen meg minden teljes visszaadott választ, fájlt és tartalomrészt.

A teljes JSON-t őrizze meg, ne csak a szöveget; tartson meg minden elérhető szegmenst, beszélőt és időbélyeget, valamint a tényleges feladat- és médiaazonosítókat.

Ha az eredeti választ ellenőrizni kell

Őrizze meg az eredeti operation_id/X-Client-Request-ID értéket az egyeztetéshez, újbóli beküldés nélkül; nincs külön hangállapot-lekérdezési útvonal.

Válaszmezők

Mező	Típus
Mező`text`	Típusstring
Mező`segments[]`	Típusobject
Mező`task_id`	Típusstring
Mező`asset_url`	Típusstring
Mező`usage`	Típusobject

Hibák és következő lépések

Válasz	Feltétel	Következő lépés
Válasz400 · `invalid_request_error`	FeltételÉrvénytelen kötelező mezők, az anyag érvénytelen reprezentációja vagy érvénytelen paraméterérték	Következő lépésJavítsa a jelzett mezőket egy új létrehozási kérés előtt.
Válasz`server_error`	FeltételA visszaadott válasz szerint a művelet vagy az eredmény ellenőrzést igényel	Következő lépésŐrizze meg az eredetileg visszaadott művelet- vagy feladatazonosítót, a kérés fejléceit és a választ; folytassa az eredeti művelet támogatott lekérdezéseit. Ne küldje be újra a létrehozási kérést.

Álnevek

Modell álnevei

Ailoot gemini-3.5-transcribe

Metódusútvonalak álnevei

Használja a fent látható metódusútvonalakat.

Kapcsolódó modellazonosítók

gemini-3.5-transcribe

FAQ · Gemini 3.5 Transcribe

Milyen bemenetek és eredmények érhetők el?: POST /v1/audio/transcriptions · gemini-3.5-transcribe: audio → text
Mely mezőket használja a kérés?: POST /v1/audio/transcriptions · gemini-3.5-transcribe: model, file, response_format

Gemini 3.5 Transcribe