Source: https://ailoot.ai/models/ja/google-gemini-3-5-transcribe/ Canonical: https://ailoot.ai/models/ja/google-gemini-3-5-transcribe/ Language: ja # Google: Gemini 3.5 Transcribe [Markdown](https://ailoot.ai/models/ja/google-gemini-3-5-transcribe/index.md) · [JSON](https://ailoot.ai/models/ja/google-gemini-3-5-transcribe/facts.json) ## [Google: Gemini 3.5 Transcribe](https://ailoot.ai/models/ja/google-gemini-3-5-transcribe/) Google Gemini 3.5 Transcribeは、録音された音声を、自動言語検出、カスタム語彙、任意の単語タイミングや話者ダイアライゼーションを使ってテキスト化します。タイミングと話者の割り当てにはVERBATIM、読みやすい口述文にはSMARTを選びます。SMARTは、この2つの機能と併用できません。 - [**Ailoot Ultra · 文字起こし** `POST /v1/audio/transcriptions` `google/gemini-3.5-transcribe`](https://ailoot.ai/models/ja/google-gemini-3-5-transcribe/#method-0) 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。 Google Gemini 3.5 Transcribeは、完成済みの事前録音音声ファイルを、発話の文章へ変換する同期モデルです。Geminiの音声理解能力を基にしていますが、文字起こし専用の入出力仕様を持ちます。別のGemini 3.5 Transcribe Live版は音声ストリームを受信し、結果を逐次返します。この録音音声用モデルは完成した文字起こしを生成し、選択した設定に応じて、任意で単語のタイミングや話者の割り当てを付けられます。 ひどいクリッピングのない明瞭な録音を準備し、可能であれば話者の声を意味のある形で区別できるようにします。開発元の同期処理の例では、MIMEタイプを指定し、WAV音声をファイルのバイト列または保存された音声リソースとして渡しています。確認用に元の音声を保管してください。必要な成果物は、確認済みのインタビューの文字起こし、字幕の時間合わせ用レコード、読みやすい口述文などです。文言を変える機能やメタデータを加える機能を組み合わせる前に、必要な成果物を決めます。 Googleは、セッション内の言語混在を含め、85を超える言語の自動検出を公開しています。言語ごとに対応水準が異なり、分かっている言語のヒントを与えると認識が改善する場合があります。カスタム語彙は、録音に現れそうな固有名、ブランド、専門用語を与えるものです。開発元は最大1,000語を許容し、おおむね100語までの絞った一覧が通常は最も有効だと述べています。珍しい用語は録音に関係するものに限定し、語彙のヒントでその語が実際に発話されたと見なさず、音声と照合してください。 デフォルトのモードはVERBATIMです。フィラー、繰り返し、言いかけ、口頭の訂正を保持し、発話した文言の記録を残します。単語単位のタイムスタンプや話者ダイアライゼーションが必要な場合に使うモードです。たとえばインタビューでは、元の発言順とタイミングを保持し、関連する区間を聞いて重要な名前や数量を修正します。後で要約や整った記事を作る際にも、話者の言葉を無断で置き換えずに、この確認済みの記録を使えます。 SMARTモードは、読みやすい口述文に向けて設計されています。言いよどみを除き、発話中の自己訂正を解決し、話された内容を段落や一覧に構成し、必要に応じて日付と数値を正規化します。口述した作業一覧を、口頭のつなぎ言葉が連続する文章ではなく、読みやすい一覧にできます。この処理は文字起こしの形を変えます。Googleは、SMARTと単語タイムスタンプ、ダイアライゼーションは非互換だと明記しています。そのため、時間付き・話者付きの記録として使おうとせず、読みやすい文章が必要なときに選択してください。 単語タイミングを有効にすると、応答に認識した単語と開始・終了オフセットが含まれます。録音内で修正箇所を探したり、字幕を準備したりするために使えます。開発元は、単語単位のタイムスタンプを有効にすると精度とのトレードオフがあると説明しています。特に速い発話、重なり、珍しい用語の周辺では、文字と時間の対応の両方を確認してください。有用な時間付き文字起こしでは、流暢な文章だけで時間合わせが正しいと見なさず、単語の記録と元の音声を一緒に保持します。 話者ダイアライゼーションは、録音内の声を識別してラベルを付け、公開仕様では最大8人の話者を扱います。3人以上の話者への割り当ては、開発元が実験的としています。ラベルは推定された話者のグループ分けとして扱い、切り替わりを録音と照合してください。話者ラベルは、人物の身元や役割を独立に証明するものではありません。名前が必要な場合は、認識された言葉から人物像を作るのではなく、分かっている録音情報にラベルを対応付けます。 開発元の機能表には、録音音声のウィンドウが15分と記載されており、タイムスタンプやダイアライゼーションなどの機能を有効にした場合、ファイル処理はその長さに制限されます。より長い素材は、順序と元の時間位置を保ちながら適切な区間に分けてください。モデルの文字起こし、時間付き単語、話者ラベル付き部分は異なる結果表現であり、課題に必要な表現を保持します。これらの音声専用の上限を、一般的なGeminiマルチモーダルモデルのコンテキストや時間の数値に置き換えてはいけません。Googleは、SMART整形、単語タイムスタンプ、話者ダイアライゼーションを実験的機能として挙げています。 出力仕様は文字起こし専用です。SMART整形は読みやすい文章を作りますが、一般的なJSON Schema応答の契約、ツール呼び出し能力、指示に従うアシスタントの手順を追加するものではありません。最終成果物では、重要な文言、数値、否定表現を音声と照合し、未解決の区間を修正用に残し、選択したモードを結果とともに保存してください。これにより、その成果物が元の発話を記録したものか、それを基に読みやすく編集した版かが明確になります。 **Ailoot Ultra · 文字起こし** `POST /v1/audio/transcriptions` `google/gemini-3.5-transcribe` [`google/gemini-3.5-transcribe`](https://ailoot.ai/models/ja/#m=google%2Fgemini-3.5-transcribe&route=Ultra&caller=google%2Fgemini-3.5-transcribe&fmt=transcriptions) Google /`google/gemini-3.5-transcribe` ### はじめに Google Gemini 3.5 Transcribeは、録音された音声を、自動言語検出、カスタム語彙、任意の単語タイミングや話者ダイアライゼーションを使ってテキスト化します。タイミングと話者の割り当てにはVERBATIM、読みやすい口述文にはSMARTを選びます。SMARTは、この2つの機能と併用できません。 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 Ultra · 文字起こし** `POST /v1/audio/transcriptions` 入力の種類 `audio` 出力の種類 `text` | 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 google/gemini-3.5-transcribe | デフォルト— | | フィールド`input_audio` | 種類`object` | 要件必須 | 値と制限 | デフォルト— | | フィールド`language` | 種類`string` | 要件任意 | 値と制限 | デフォルト— | | フィールド`temperature` | 種類`number` | 要件任意 | 値と制限 最小値: 0 最大値: 1 | デフォルト— | | フィールド`response_format` | 種類`string` | 要件任意 | 値と制限 json, verbose\_json | デフォルトjson | | フィールド`timestamp_granularities` | 種類`array` | 要件任意 | 値と制限 | デフォルト— | | フィールド`provider` | 種類`object` | 要件任意 | 値と制限 | デフォルト— | 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`content_type` | 仕様application/json | | パラメータ`required` | 仕様model, input\_audio | | パラメータ`material_types` | 仕様audio | | パラメータ`material_conditions` | 仕様実際のWAVファイルを読み込み、その実際のバイト列を、宣言されたJSONのinput\_audio向けにエンコードしてください。この厳密にJSONのみを扱う宣言では、multipartルートは提供するとしていません。 | 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}` ### 料金 ##### 最終料金の計算方法 表示料金は生成前の費用の見積もりです。最終請求額は、元の生成処理に記録された費用から計算されます。実測された出力時間や予測数量が、そのまま最終的な課金数量になるわけではありません。 料金情報はリクエストの機能を追加しません。対応するパラメーターは選択したメソッドに記載されています。 高速モード 未指定 高速モードが選択されている場合 Flex モード 未指定 flex モードが選択されている場合 最大推論量 未指定 推論量が最大で、調整に既定値（default）を使用する場合 #### 比較用の推定料金 #### 設定別の価格 各料金を表示された条件と照合してください。選択肢となる設定の各組には、いずれか1つの料金を適用します。 | 設定 | 料金表 | 予測数量 | 課金単位 | 料金 | | --- | --- | --- | --- | --- | | 設定基本トークン料金 | 料金表基本料金 | 予測数量— | 課金単位— | 料金 入力 · 入力トークン · 比較専用の見積もり **—** / 1K トークン 出力 · 出力トークン · 比較専用の見積もり **—** / 1K トークン 入力 · キャッシュ読み取り · 比較専用の見積もり **—** / 1K トークン 入力 · キャッシュ書き込み · 比較専用の見積もり **—** / 1K トークン 入力 · キャッシュ書き込み、1時間 · 比較専用の見積もり **—** / 1K トークン | | 設定入力トークン | 料金表— | 予測数量— | 課金単位/ 1K トークン | 料金 入力 · 比較専用の見積もり **$0.004** / 1K トークン | | 設定出力トークン | 料金表— | 予測数量— | 課金単位/ 1K トークン | 料金 出力 · 比較専用の見積もり **$0.024** / 1K トークン | | 設定生成費用の見積もり | 料金表— | 予測数量生成1回分の概算 | 課金単位— | 料金 出力 · 推定生成コスト · 比較専用の見積もり **$1.179648** 生成前の見積もり この見積もりは追加料金ではなく、完了した生成処理に対する固定料金でもありません。 | Ailootはリクエスト前に見積額を確保します。結果の取得後、実測使用量に基づいて最終料金を精算します。ストリーミング時の精算には最終の使用量記録を使用します。[金額の確保と精算の仕組み →](https://ailoot.ai/docs/ja/billing/reserve/) ### リクエスト例 #### Ailoot Ultra · 文字起こし curl · 正確なネイティブ形式のボディと結果全体 ```bash set -eu : "${AILOOT_API_KEY:?Set your Ailoot API key}" : "${AILOOT_AUDIO_FILE:?Set the path to your actual WAV recording}" python3 - <<'PY_REQUEST' import json,os from pathlib import Path import base64 audio=Path(os.environ['AILOOT_AUDIO_FILE']).read_bytes() if not (audio[:4]==b'RIFF' and audio[8:12]==b'WAVE'): raise SystemExit('Supply an actual WAV audio file') if len(audio)>26214400: raise SystemExit('Use a documented supported large-file flow') request={'model': 'google/gemini-3.5-transcribe', 'input_audio': {'data': '${BASE64_ACTUAL_WAV_BYTES}', 'format': 'wav'}} request['input_audio']['data']=base64.b64encode(audio).decode('ascii') Path('request.json').write_text(json.dumps(request,ensure_ascii=False),encoding='utf-8') PY_REQUEST curl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/audio/transcriptions \ -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \ --data-binary @request.json -D response-headers.txt -o response.bin # Keep the complete original response and headers. Read every returned segment, word and usage field. # Preserve actual operation/task/asset IDs; continue reads of the original result without resubmitting. ``` ### 結果を受け取って保存 #### Ailoot Ultra · 文字起こし - `GET /v1/media/tasks/{task_id}` - `GET /v1/media/assets/{asset_id}/content` - `GET /v1/media/assets` - `GET /v1/media/assets/{asset_id}` その他のコンテンツ取得 自分が所有する既存のアセットを読み取る ```bash set -eu : "${AILOOT_API_KEY:?Set your Ailoot API key}" curl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/media/assets \ -H "Authorization: Bearer $AILOOT_API_KEY" -o owned-assets.json # Preserve every returned asset and follow its exact signed content URL. Do not construct a signed token. ``` ##### 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。 レスポンスとヘッダーの全体、実際の出力すべて、最初に返された識別子、使用量フィールドすべてを保存してください。作成リクエストを再送せずに、元の操作を復旧してください。 ##### 元のレスポンスを確認する場合 照合のため、返された X-Client-Request-ID を保存してください。実際に返された task\_id/asset\_id の値、または自分が所有するメディアライブラリだけを使って読み取ってください。操作 ID からタスクの URL を組み立てたり、作成リクエストを再送したりしないでください。 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 | | フィールド`usage` | 種類 | | フィールド`segments[]` | 種類 | | フィールド`words[]` | 種類 | | フィールド`speaker fields` | 種類 | | フィールド`timestamps` | 種類 | ### エイリアス #### モデルのエイリアス **Ailoot Ultra** [`google/gemini-3.5-transcribe`](https://ailoot.ai/models/ja/#m=google%2Fgemini-3.5-transcribe&route=Ultra&caller=google%2Fgemini-3.5-transcribe&fmt=transcriptions) #### 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 [`google/gemini-3.5-transcribe`](https://ailoot.ai/models/ja/#m=google%2Fgemini-3.5-transcribe&route=Ultra&caller=google%2Fgemini-3.5-transcribe&fmt=transcriptions) FAQ · Google: Gemini 3.5 Transcribe 利用できる入力と結果は何ですか？ `POST /v1/audio/transcriptions` · `google/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` · `google/gemini-3.5-transcribe`: `model`, `input_audio`, `language`, `temperature`, `response_format`, `timestamp_granularities`, `provider` どの制限が適用されますか？ `POST /v1/audio/transcriptions` · `google/gemini-3.5-transcribe`: `temperature.minimum`: `0`; `temperature.maximum`: `1` AilootをClaude Code、OpenCode、Hermes、自分のアプリに接続しましょう。 ## 企業とそのプロジェクト群 企業とそのプロジェクト群：数百万の顧客、毎月数十億規模の売上。 ## トークンを割引価格で購入。 継続利用にサブスクリプション割引。プロモコードでトークン購入が最大50%割引。 サブスクリプション 定期的なリクエストに合う割引プランを選びましょう。 最大50%のプロモコード 購入時にコードを入力すると、実施中のキャンペーンに沿って価格を再計算します。 支出を履歴で確認 各リクエストのモデル、トークン、金額が保存されます。 [サブスクリプションを選ぶ](https://ailoot.ai/docs/ja/billing/subscriptions/) · [モデルの価格を見る](https://ailoot.ai/models/ja/) ## 販売する製品に、 APIを組み込みましょう。 SaaS、アプリ、ボットをAilootの公式サービス提供条件とライセンス契約に基づいて接続できます。再販にはリセラーライセンスを申請できます。 商用アプリ サービスの有料機能に、文章、画像、動画、音声の生成を組み込めます。 リセラーライセンス プロジェクトの説明とアクセスの仕組みをお送りください。利用・再販条件の書面を申請できます。 サイトで契約文書を確認 接続前にサービス提供条件、ライセンス契約、データ処理ポリシーを読めます。 [リセラーライセンスを申請](mailto:support@ailoot.ai) · [サービス提供条件とライセンス契約](https://ailoot.ai/legal/offer?lang=ja) ## Ailoot · 企業とそのプロジェクト群 Ailootは、蓄積した運営経験、幅広い顧客基盤、安定したサービス、継続的なKPI管理を基盤としています。 企業とそのプロジェクト群：数百万の顧客、毎月数十億規模の売上。 Ailootはこの運営経験を、お客様の製品、エージェント、アプリケーション、自動化でAI機能を利用するためのAPIアクセスに活かしています。