Google: Gemini 3.5 Transcribe

Google Gemini 3.5 Transcribe adalah model sinkron untuk mengubah berkas audio lengkap yang telah direkam menjadi ucapan tertulis. Model ini berlandaskan kemampuan pemahaman audio Gemini, tetapi memiliki kontrak masukan dan keluaran khusus transkripsi. Edisi Gemini 3.5 Transcribe Live yang terpisah menerima aliran audio dan mengembalikan hasil secara bertahap. Model untuk audio rekaman ini menghasilkan transkrip lengkap, dengan penanda waktu kata atau atribusi pembicara opsional sesuai konfigurasi yang dipilih.

Siapkan rekaman jernih dengan ucapan yang tidak mengalami clipping parah dan, jika memungkinkan, pemisahan yang bermakna antar-suara. Contoh sinkron dari produsen mengirim audio WAV sebagai byte berkas atau sumber daya audio tersimpan, dengan tipe MIME yang ditentukan. Simpan audio asli agar tersedia untuk peninjauan. Hasil yang diinginkan dapat berupa transkrip wawancara yang telah diperiksa, rekaman penyelarasan takarir, atau dikte yang mudah dibaca; tentukan artefak yang diperlukan sebelum menggabungkan fitur yang mengubah kata-kata atau menambahkan metadata.

Google mendokumentasikan deteksi bahasa otomatis untuk lebih dari 85 bahasa, termasuk percampuran bahasa dalam satu sesi. Tingkat dukungan bahasa bervariasi, dan petunjuk bahasa yang diketahui dapat meningkatkan pengenalan. Kosakata khusus memasok nama, merek, atau istilah bidang tertentu yang kemungkinan muncul. Pembuat mengizinkan hingga 1,000 istilah dan mencatat bahwa daftar terfokus hingga sekitar 100 biasanya bekerja paling baik. Jaga agar istilah yang tidak umum tetap relevan dengan rekaman dan periksa terhadap audio, alih-alih menganggap petunjuk kosakata membuktikan istilah tersebut diucapkan.

VERBATIM adalah mode bawaan. Mode ini mempertahankan kata pengisi, pengulangan, awal ucapan yang terputus, dan koreksi lisan sehingga teks tetap menjadi rekaman kata-kata yang diucapkan. Gunakan mode ini ketika tugas memerlukan timestamp pada tingkat kata atau diarisasi pembicara. Untuk wawancara, misalnya, pertahankan giliran bicara dan waktu aslinya, lalu koreksi nama dan jumlah penting dengan mendengarkan bagian yang relevan. Ringkasan atau artikel yang dipoles kemudian dapat menggunakan rekaman yang telah diperiksa tersebut tanpa diam-diam mengganti ucapan pembicara.

Mode SMART dirancang untuk dikte yang mudah dibaca. Mode ini menghapus ketidaklancaran ucapan, menyelesaikan koreksi diri yang muncul dalam ucapan, serta menyusun materi lisan menjadi paragraf atau daftar, dengan tanggal dan angka yang dinormalisasi jika sesuai. Daftar tugas yang didiktekan dapat menjadi daftar yang mudah dibaca, bukan rangkaian ungkapan transisi lisan. Pemrosesan ini mengubah bentuk transkrip. Google secara eksplisit menyatakan bahwa SMART tidak kompatibel dengan timestamp kata dan diarisasi, sehingga pilih mode ini ketika artefak yang diperlukan adalah teks yang mudah dibaca, bukan mencoba menggunakannya sebagai rekaman dengan waktu dan atribusi pembicara.

Ketika penanda waktu kata diaktifkan, respons mencakup kata-kata yang dikenali beserta offset awal dan akhir. Data tersebut membantu menemukan lokasi koreksi dalam rekaman atau menyiapkan takarir. Pembuat mengidentifikasi kompromi akurasi akibat pengaktifan timestamp pada tingkat kata. Tinjau teks sekaligus penyelarasannya, terutama di sekitar ucapan cepat, suara tumpang tindih, atau istilah yang tidak umum. Transkrip berpenanda waktu yang berguna menyimpan rekaman kata bersama audio sumber, alih-alih menganggap kalimat yang lancar sebagai bukti bahwa penyelarasannya benar.

Diarisasi pembicara mengidentifikasi dan memberi label pada suara dalam audio rekaman, dengan dukungan hingga delapan pembicara yang didokumentasikan. Atribusi untuk tiga pembicara atau lebih dinyatakan eksperimental oleh pembuat. Perlakukan label sebagai pengelompokan pembicara hasil inferensi dan tinjau perpindahannya terhadap rekaman. Label pembicara bukan bukti independen atas identitas atau peran seseorang. Jika tugas membutuhkan nama, hubungkan label dengan informasi rekaman yang diketahui, bukan mengarang identitas dari kata-kata yang dikenali.

Tabel fitur produsen mencantumkan jendela audio rekaman 15 menit, dengan pemrosesan berkas dibatasi pada durasi tersebut ketika fitur seperti timestamp atau diarisasi diaktifkan. Siapkan materi sumber yang lebih panjang sebagai segmen yang sesuai, sambil mempertahankan urutan dan posisi waktu aslinya. Transkrip model, kata berpenanda waktu, dan bagian berlabel pembicara merupakan representasi hasil yang berbeda; simpan representasi yang diperlukan oleh tugas. Batas khusus audio ini tidak boleh digantikan dengan angka konteks atau durasi dari model multimodal Gemini umum. Google mencantumkan pemformatan SMART, timestamp tingkat kata, dan diarisasi pembicara sebagai fitur eksperimental.

Kontrak keluarannya khusus untuk transkripsi. Pemformatan SMART menghasilkan teks yang mudah dibaca, tetapi tidak menambahkan kontrak respons JSON-schema umum, kemampuan pemanggilan alat, atau alur asisten yang mengikuti instruksi. Untuk artefak akhir, periksa kata-kata penting, angka, dan negasi terhadap audio, pertahankan segmen yang belum terselesaikan untuk dikoreksi, serta simpan mode yang dipilih bersama hasilnya. Dengan demikian, jelas apakah hasil serahan merekam kata-kata lisan asli atau menyajikan versi bacaan yang disunting darinya.