Gemini 3.5 Transcribe

Modello di Google per riconoscimento vocale, identificazione della lingua, separazione dei parlanti e riferimenti temporali delle parole.

Ailoot · Trascrizione da parlato a testo POST /v1/audio/transcriptions gemini-3.5-transcribe

Informazioni sul modello

Questa descrizione illustra le funzionalità del modello. Gli input, gli output e le opzioni disponibili in Ailoot per il metodo selezionato sono elencati di seguito.

Gemini 3.5 Transcribe converte un file audio in testo. Oltre alla trascrizione, supporta identificazione della lingua, individuazione dei parlanti, riferimenti temporali delle singole parole, un vocabolario specialistico e preparazione intelligente del testo.

Lingue e durata

Sono supportate oltre 85 lingue, tra cui il russo, e il passaggio tra lingue nella stessa registrazione. La lingua viene identificata automaticamente. Una richiesta normale elabora audio della durata di fino a un'ora. Con separazione dei parlanti o riferimenti temporali delle parole attivi, il limite scende a 30 minuti.

L'output comprende il testo completo della trascrizione e, nelle modalità corrispondenti, annotazioni delle singole parole. Il modello è pensato per elaborare file; il riconoscimento continuo in tempo reale appartiene alla versione separata gemini-3.5-transcribe-live.

Modalità di trascrizione

Per impostazione predefinita si utilizza una trascrizione letterale. La modalità intelligente rimuove i riempitivi, tiene conto delle autocorrezioni del parlante e formatta il testo. Non può essere combinata con la separazione dei parlanti né con i riferimenti temporali delle parole.

La separazione del parlato supporta fino a otto parlanti. L'identificazione di chi ha pronunciato una battuta per tre o più parlanti ha stato sperimentale. I riferimenti temporali aiutano a collegare il testo alla registrazione, ma la loro attivazione può ridurre la precisione del riconoscimento.

Termini e file

Il vocabolario dei termini personalizzati può contenere fino a 1 000 voci; Google segnala che in genere è meglio limitarlo a circa un centinaio. È incompatibile con la separazione dei parlanti e con i riferimenti temporali delle parole. La scelta della modalità deve quindi considerare cosa conta di più: i termini specialistici oppure una marcatura dettagliata di partecipanti e tempi.

I formati audio supportati comprendono WAV, MP3, AIFF, AAC, OGG, FLAC, MPEG, M4A, L16, Opus, A-law, mu-law e WebM. Per l'elaborazione del file sono pubblicati limiti di durata e combinazioni delle modalità. La descrizione della famiglia Transcribe indica anche un contesto di 96K token e un output testuale di 32K token; queste caratteristiche della famiglia non sostituiscono i limiti del file nel metodo scelto.

Non sono supportati memorizzazione in cache del contesto, esecuzione di codice, ricerca nei file, chiamate di funzioni, creazione di immagini e Thinking. La specializzazione del modello è ricavare testo e annotazioni dall'audio, non generare nuovo parlato.

Ailoot · Trascrizione da parlato a testo POST /v1/audio/transcriptions gemini-3.5-transcribe

gemini-3.5-transcribe

Google /gemini-3.5-transcribe

Introduzione

Modello di Google per riconoscimento vocale, identificazione della lingua, separazione dei parlanti e riferimenti temporali delle parole.

Input accettati: Audio
Risultati: Testo

Disponibile in Ailoot · input e metodi

Ailoot · Trascrizione da parlato a testo POST /v1/audio/transcriptions

Tipi di input: audio
Tipi di output: text
Formato di output: json

Campo	Tipo	Requisito	Valori e limiti	Predefinito
Campo`model`	Tipo`string`	RequisitoObbligatorio	Valori e limiti gemini-3.5-transcribe	Predefinito—
Campo`file`	Tipo`file`	RequisitoObbligatorio	Valori e limiti Numero massimo di byte: 67.108.864 Formati di file: wav, mp3, m4a, ogg, webm, flac Tipo di contenuto: multipart/form-data Durata massima, secondi: 600	Predefinito—
Campo`response_format`	Tipo`string`	RequisitoFacoltativo	Valori e limiti json	Predefinito—

Combinazioni di materiali in input

speech_to_text · Obbligatorio: actual audio file

Parametri e ciclo di vita del metodo

Parametro	Contratto
Parametro`material_types`	Contrattoaudio
Parametro`required`	Contrattonull
Parametro`optional_controls`	Contrattonull

Ciclo di vita: synchronous_result_then_owned_library

GET /v1/media/tasks/{task_id} · task_id effettivamente restituito o record della libreria multimediale

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

GET /v1/media/assets

GET /v1/media/assets/{asset_id}

Le strutture dei metodi e gli ID sono esatti; la capacità del fornitore è distinta dall’ammissione delle richieste.

Tariffe

Tariffe dei metodi Ailoot

Ailoot Trascrizione da parlato a testoPOST /v1/audio/transcriptions

Input: 0,01 USD per minuto o frazione di minuto

Ailoot prenota un importo stimato prima di una richiesta. Dopo il risultato, addebita il costo finale in base all’utilizzo misurato. Per lo streaming, l’addebito usa il record finale di utilizzo. Come funzionano la prenotazione e l’addebito finale →

Esempi di richieste

Ailoot · Trascrizione da parlato a testo

Esempio di trascrizione

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

Ricevi e salva i risultati

Ailoot · Trascrizione da parlato a testo

json

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

Conserva tutti i risultati completati

Conserva ogni risposta, file e parte di contenuto restituiti per intero.

Conserva il JSON completo, non solo il testo; preserva ogni segmento, parlante e timestamp disponibile e l'identità effettiva dell'attività o della risorsa.

Se occorre verificare la risposta originale

Conserva operation_id/X-Client-Request-ID originale per la riconciliazione senza reinvio; non esiste una rotta dedicata al polling audio.

Campi della risposta

Campo	Tipo
Campo`text`	Tipostring
Campo`segments[]`	Tipoobject
Campo`task_id`	Tipostring
Campo`asset_url`	Tipostring
Campo`usage`	Tipoobject

Errori e passaggi successivi

Risposta	Condizione	Passaggio successivo
Risposta400 · `invalid_request_error`	CondizioneCampi obbligatori, rappresentazione del materiale o valore del parametro non validi	Passaggio successivoCorreggi i campi indicati prima di una nuova richiesta di creazione.
Risposta`server_error`	CondizioneLa risposta restituita indica che l'operazione o il risultato richiede una verifica	Passaggio successivoConserva l'ID originale di operazione/task restituito, gli header della richiesta e la risposta; continua a leggere l'operazione originale tramite le modalità supportate. Non reinviare la richiesta di creazione.

Alias

Alias del modello

Ailoot gemini-3.5-transcribe

Alias dei percorsi dei metodi

Usa i percorsi dei metodi indicati sopra.

ID di chiamata correlati

gemini-3.5-transcribe

FAQ · Gemini 3.5 Transcribe

Quali input e risultati sono disponibili?: POST /v1/audio/transcriptions · gemini-3.5-transcribe: audio → text
Quali campi usa la richiesta?: POST /v1/audio/transcriptions · gemini-3.5-transcribe: model, file, response_format

Gemini 3.5 Transcribe