Google: Gemini 3.5 Transcribe

Google Gemini 3.5 Transcribe è il modello sincrono per convertire file audio completi, preregistrati, in parlato scritto. Si basa sulle capacità di comprensione audio di Gemini, ma ha un contratto di input e output specifico per la trascrizione. L'edizione separata Gemini 3.5 Transcribe Live riceve un flusso audio e restituisce risultati incrementali. Questo modello per audio registrato produce una trascrizione completa, con tempi delle parole o attribuzione ai parlanti facoltativi a seconda della configurazione selezionata.

Prepara una registrazione chiara, con parlato non gravemente saturato e, dove possibile, una separazione significativa tra le voci. Gli esempi sincroni del produttore passano audio WAV come byte del file o come risorsa audio memorizzata, specificandone il tipo MIME. Conserva l'audio originale per la verifica. Il risultato previsto potrebbe essere una trascrizione verificata di un'intervista, un record per l'allineamento dei sottotitoli o una dettatura leggibile; decidi quale artefatto serve prima di combinare funzionalità che modificano le parole o aggiungono metadati.

Google documenta il rilevamento automatico della lingua in oltre 85 lingue, incluso il mescolamento di lingue all'interno di una sessione. I livelli di supporto linguistico variano, e un'indicazione della lingua nota può migliorare il riconoscimento. Il vocabolario personalizzato fornisce nomi distintivi, marchi o termini specialistici che probabilmente ricorrono. Il produttore consente fino a 1,000 termini e osserva che elenchi mirati fino a circa 100 tendono a funzionare meglio. Mantieni i termini poco comuni pertinenti alla registrazione e verificali rispetto all'audio, anziché presumere che un suggerimento di vocabolario dimostri che il termine sia stato pronunciato.

VERBATIM è la modalità predefinita. Conserva intercalari, ripetizioni, false partenze e correzioni pronunciate, affinché il testo resti una registrazione delle parole usate. È la modalità da usare quando il compito richiede timestamp a livello di parola o diarizzazione dei parlanti. Per un'intervista, per esempio, conserva i turni e i tempi originali, poi correggi nomi e quantità importanti ascoltando il brano pertinente. Un riepilogo successivo o un articolo rifinito possono usare quel record verificato senza sostituire implicitamente ciò che il parlante ha detto.

La modalità SMART è progettata per una dettatura leggibile. Rimuove le disfluenze, risolve le autocorrezioni in linea e struttura il materiale parlato in paragrafi o elenchi, normalizzando date e numeri dove appropriato. Un elenco di attività dettato può diventare un elenco leggibile anziché una sequenza di transizioni pronunciate. Questa elaborazione cambia la forma della trascrizione. Google afferma esplicitamente che SMART è incompatibile con timestamp delle parole e diarizzazione: sceglila quindi quando l'artefatto richiesto è un testo leggibile, anziché tentare di usarla come record temporizzato e attribuito ai parlanti.

Quando i tempi delle parole sono abilitati, la risposta include le parole riconosciute con offset iniziali e finali. Questi aiutano a localizzare una correzione nella registrazione o a preparare sottotitoli. Il produttore segnala un compromesso in termini di accuratezza quando si abilitano timestamp a livello di parola. Controlla il testo oltre all'allineamento, soprattutto in presenza di parlato rapido, sovrapposizioni o terminologia insolita. Una trascrizione temporizzata utile conserva insieme il record delle parole e l'audio sorgente, anziché considerare una frase scorrevole come prova della correttezza del suo allineamento.

La diarizzazione identifica ed etichetta le voci nell'audio registrato, con un massimo documentato di otto parlanti. Il produttore descrive come sperimentale l'attribuzione per tre o più parlanti. Considera le etichette come raggruppamenti di parlanti inferiti e controlla le transizioni rispetto alla registrazione. L'etichetta di un parlante non costituisce una prova indipendente dell'identità o del ruolo di una persona. Se il compito richiede nomi, associa le etichette alle informazioni note sulla registrazione, anziché inventare identità dalle parole riconosciute.

La tabella delle funzionalità del produttore elenca una finestra di audio registrato di 15 minuti, con elaborazione dei file limitata a tale durata quando sono abilitate funzionalità come timestamp o diarizzazione. Prepara il materiale sorgente più lungo in segmenti adeguati, conservandone l'ordine e la posizione temporale originale. La trascrizione del modello, le parole temporizzate e le parti etichettate per parlante sono rappresentazioni diverse del risultato; conserva quella necessaria al compito. Questi limiti specifici dell'audio non devono essere sostituiti con valori di contesto o durata di un modello Gemini multimodale generalista. Google elenca formattazione SMART, timestamp a livello di parola e diarizzazione dei parlanti come funzionalità sperimentali.

Il contratto di output è specifico per la trascrizione. La formattazione SMART crea testo leggibile, ma non aggiunge un contratto generale di risposta basato su JSON Schema, capacità di chiamata agli strumenti o un flusso di assistente che segue istruzioni. Per il risultato finale, verifica parole importanti, numeri e negazioni rispetto all'audio, conserva gli eventuali segmenti irrisolti per la correzione e mantieni la modalità selezionata insieme al risultato. Questo chiarisce se il risultato registra le parole originali pronunciate oppure presenta una versione di lettura rielaborata da esse.