Gemini 3.5 Transcribe
音声認識、言語の判定、話者の分離、単語ごとのタイムスタンプに向けたGoogleのモデルです。
モデルについて
この説明はモデルの機能を紹介するものです。Ailootで利用できる入力、出力、オプションは、選択したメソッドごとに以下に記載されています。
Gemini 3.5 Transcribeは、音声ファイルをテキストに変換します。書き起こしに加え、言語の判定、話者の分離、単語ごとのタイムスタンプ、専用辞書、テキストのインテリジェントな整形に対応しています。
言語と長さ
ロシア語を含む85を超える言語と、録音内での言語の切り替えに対応しています。言語は自動的に判定します。通常のリクエストでは、一時間までの音声を処理します。話者を分離する場合や、単語のタイムスタンプを有効にする場合、上限は30分に短縮されます。
出力には書き起こしの全文と、対応するモードでは個々の単語の注釈が含まれます。モデルはファイルの処理に向けられています。リアルタイムの連続した認識は、別のバージョンgemini-3.5-transcribe-liveに属します。
書き起こしのモード
既定では、発話どおりの書き起こしを使用します。インテリジェントモードは、つなぎ言葉を取り除き、話者の言い直しを考慮し、テキストを整形します。このモードは、話者の分離と単語のタイムスタンプと組み合わせられません。
話者分離は最大八人の話者に対応しています。三人以上の場合の、誰が発話したかの判定は実験的な機能です。タイムスタンプはテキストを録音と結び付けるのに役立ちますが、有効にすると認識の精度が下がる場合があります。
用語とファイル
ユーザー独自の用語辞書には1 000件まで登録できます。Googleは、通常は百件程度に絞る方がよいとしています。この辞書は、話者の分離と単語のタイムスタンプとは互換性がありません。そのため、モードを選ぶ際には、専門用語と、参加者や時刻の詳細な注釈のどちらが重要かを考慮する必要があります。
対応する音声形式には、WAV、MP3、AIFF、AAC、OGG、FLAC、MPEG、M4A、L16、Opus、A-law、mu-law、WebMがあります。ファイルの処理については、長さとモードの組み合わせの制限が公表されています。Transcribeファミリーの説明には、96Kトークンのコンテキストと、32Kトークンのテキスト出力も示されています。これらのファミリーの特性は、選択したメソッドのファイル制限を置き換えるものではありません。
コンテキストのキャッシュ、コードの実行、ファイル検索、関数呼び出し、画像の作成、Thinkingには対応していません。モデルの専門領域は、音声からテキストと注釈を得ることであり、新しい発話を生成することではありません。
Ailoot · 音声認識 POST /v1/audio/transcriptions gemini-3.5-transcribe
gemini-3.5-transcribeはじめに
音声認識、言語の判定、話者の分離、単語ごとのタイムスタンプに向けたGoogleのモデルです。
- 対応する入力
- 音声
- 結果
- テキスト
Ailootで利用可能 · 入力とメソッド
Ailoot · 音声認識 POST /v1/audio/transcriptions
- 入力の種類
audio- 出力の種類
text- 出力形式
- json
| フィールド | 種類 | 要件 | 値と制限 | デフォルト |
|---|---|---|---|---|
フィールドmodel | 種類string | 要件必須 | 値と制限 gemini-3.5-transcribe | デフォルト— |
フィールドfile | 種類file | 要件必須 | 値と制限 最大バイト数: 67,108,864 ファイル形式: wav, mp3, m4a, ogg, webm, flac コンテンツタイプ: multipart/form-data 最大の長さ（秒）: 600 | デフォルト— |
フィールドresponse_format | 種類string | 要件任意 | 値と制限 json | デフォルト— |
入力素材の組み合わせ
speech_to_text · 必須: actual audio file
メソッドのパラメータとライフサイクル
| パラメータ | 仕様 |
|---|---|
パラメータmaterial_types | 仕様audio |
パラメータrequired | 仕様null |
パラメータoptional_controls | 仕様null |
ライフサイクル: synchronous_result_then_owned_library
GET /v1/media/tasks/{task_id} · 実際に返された task_id またはメディアライブラリのレコード
GET /v1/media/assets/{asset_id}/content
GET /v1/media/assets
GET /v1/media/assets/{asset_id}
メソッドの形式とIDは正確に記載しています。供給元の対応能力とリクエストの受け入れは別です。
料金
Ailootのメソッド料金
POST /v1/audio/transcriptions- 入力
- $0.01 1分あたり（1分未満の端数は切り上げ）
Ailootはリクエスト前に見積額を確保します。結果の取得後、実測使用量に基づいて最終料金を精算します。ストリーミング時の精算には最終の使用量記録を使用します。金額の確保と精算の仕組み →
リクエスト例
Ailoot · 音声認識
set -eu
: "${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
結果を受け取って保存
Ailoot · 音声認識
json
GET /v1/media/tasks/{task_id}GET /v1/media/assets/{asset_id}/contentGET /v1/media/assetsGET /v1/media/assets/{asset_id}
完了した結果をすべて保存
返された完全なレスポンス、ファイル、コンテンツ部分をすべて保存してください。
テキストだけでなくJSON全体を保持してください。利用可能なすべてのセグメント／話者／タイムスタンプと、実際のタスク／アセットの識別情報を保持します。
元のレスポンスを確認する場合
再送せずに照合できるよう、元の operation_id/X-Client-Request-ID を保存してください。音声専用のポーリングルートはありません。
レスポンスのフィールド
| フィールド | 種類 |
|---|---|
フィールドtext | 種類string |
フィールドsegments[] | 種類object |
フィールドtask_id | 種類string |
フィールドasset_url | 種類string |
フィールドusage | 種類object |
エラーと次の手順
| レスポンス | 条件 | 次の手順 |
|---|---|---|
レスポンス400 · invalid_request_error | 条件必須フィールド、素材の表現形式、またはパラメーター値が不正です | 次の手順新しい生成リクエストを送る前に、指定されたフィールドを修正してください。 |
レスポンスserver_error | 条件返されたレスポンスは、操作または結果の確認が必要であることを示しています | 次の手順最初に返された操作／タスク ID、リクエストヘッダー、レスポンスを保存し、その元の操作に対してサポートされている読み取りを継続してください。作成リクエストを再送しないでください。 |
エイリアス
モデルのエイリアス
Ailoot gemini-3.5-transcribe
メソッドパスのエイリアス
上記に表示されたメソッドパスを使用してください。
関連する呼び出し用ID
FAQ · Gemini 3.5 Transcribe
- 利用できる入力と結果は何ですか？
POST /v1/audio/transcriptions·gemini-3.5-transcribe:audio→text- リクエストはどの項目を使用しますか？
POST /v1/audio/transcriptions·gemini-3.5-transcribe:model,file,response_format