Gemini 3.5 Transcribe

Сөйлеуді тануға, тілді анықтауға, сөйлеушілерді ажыратуға және сөздердің уақыт белгілеріне арналған Google моделі.

Ailoot · Сөйлеуді мәтінге түсіру POST /v1/audio/transcriptions gemini-3.5-transcribe

Модель туралы

Бұл сипаттама модель мүмкіндіктерін қамтиды. Ailoot жүйесінде таңдалған әдіс үшін қолжетімді кіріс, шығыс және параметрлер төменде берілген.

Gemini 3.5 Transcribe аудиофайлды мәтінге айналдырады. Транскрипциядан бөлек, ол тілді анықтауды, сөйлеушілерді бөліп көрсетуді, жеке сөздердің уақыт белгілерін, арнайы сөздік пен мәтінді интеллектуалды дайындауды қолдайды.

Тілдер және ұзақтық

Орыс тілін қоса алғанда, 85-тен астам тіл және жазба ішінде тілдер арасында ауысу қолдау табады. Тіл автоматты түрде анықталады. Кәдімгі сұрау ұзақтығы бір сағатқа дейінгі аудионы өңдейді. Сөйлеушілер ажыратылғанда немесе сөздердің уақыт белгілері қосылғанда шек 30 минутқа қысқарады.

Шығыс транскрипцияның толық мәтінін және тиісті режимдер үшін сөздердің жеке аннотацияларын қамтиды. Модель файл өңдеуге арналған; нақты уақыттағы үздіксіз тану жеке gemini-3.5-transcribe-live нұсқасына қатысты.

Транскрипция режимдері

Әдепкіде сөзбе-сөз транскрипция қолданылады. Интеллектуалды режим кідіріс сөздерін алып тастайды, сөйлеушінің өзін түзетуін ескереді және мәтінді пішімдейді. Мұндай режимді сөйлеушілерді ажыратумен және сөздердің уақыт белгілерімен біріктіруге болмайды.

Сөйлеуді ажырату сегіз сөйлеушіге дейін қолдайды. Үш және одан көп сөйлеуші үшін репликаны кім айтқанын анықтаудың эксперименттік мәртебесі бар. Уақыт белгілері мәтінді жазбамен байланыстыруға көмектеседі, бірақ оларды қосу тану дәлдігін төмендетуі мүмкін.

Терминдер және файлдар

Пайдаланушы терминдерінің сөздігі 1 000 жазбаға дейін сыйдырады; Google әдетте оны шамамен жүз жазбамен шектеген дұрыс екенін атап көрсетеді. Мұндай сөздік сөйлеушілерді ажыратумен және сөздердің уақыт белгілерімен үйлеспейді. Сондықтан режимді таңдағанда қайсысы маңызды екенін ескеру керек: арнайы терминдер ме, әлде қатысушылар мен уақытты егжей-тегжейлі белгілеу ме.

Қолдау табатын аудиоформаттарға WAV, MP3, AIFF, AAC, OGG, FLAC, MPEG, M4A, L16, Opus, A-law, mu-law және WebM кіреді. Файл өңдеу үшін ұзақтық шектері мен режимдердің үйлесімі жарияланған. Transcribe тобының сипаттамасында 96K токендік контекст және 32K токендік мәтіндік шығыс та көрсетілген; топтың бұл сипаттары таңдалған әдістегі файл шектеулерін алмастырмайды.

Контекстті кэштеу, код орындау, файлдар бойынша іздеу, функцияларды шақыру, сурет жасау және Thinking қолдау таппайды. Модельдің мамандануы — жаңа сөйлеу генерациялау емес, дыбыстан мәтін мен белгілер алу.

Ailoot · Сөйлеуді мәтінге түсіру POST /v1/audio/transcriptions gemini-3.5-transcribe

gemini-3.5-transcribe

Google /gemini-3.5-transcribe

Бастау

Қабылданатын кіріс деректері: Аудио
Нәтижелер: Мәтін

Ailoot жүйесінде қолжетімді · кіріс деректері мен әдістер

Ailoot · Сөйлеуді мәтінге түсіру POST /v1/audio/transcriptions

Кіріс: audio
Шығыс: text
Шығыс пішімі: json

Өріс	Түрі	Талап	Мәндер мен шектеулер	Әдепкі
Өріс`model`	Түрі`string`	ТалапМіндетті	Мәндер мен шектеулер gemini-3.5-transcribe	Әдепкі—
Өріс`file`	Түрі`file`	ТалапМіндетті	Мәндер мен шектеулер Байттардың ең көп саны: 67 108 864 Файл пішімдері: wav, mp3, m4a, ogg, webm, flac Мазмұн түрі: multipart/form-data Ұзақтықтың жоғарғы шегі, секунд: 600	Әдепкі—
Өріс`response_format`	Түрі`string`	ТалапМіндетті емес	Мәндер мен шектеулер json	Әдепкі—

Кіріс материалдарының үйлесімдері

speech_to_text · Міндетті: actual audio file

Әдіс параметрлері мен өмірлік циклі

Параметр	Параметр талаптары
Параметр`material_types`	Параметр талаптарыaudio
Параметр`required`	Параметр талаптарыnull
Параметр`optional_controls`	Параметр талаптарыnull

Өмірлік цикл: synchronous_result_then_owned_library

GET /v1/media/tasks/{task_id} · Нақты қайтарылған task_id немесе медиатека жазбасы

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

GET /v1/media/assets

GET /v1/media/assets/{asset_id}

Әдіс құрылымдары мен ID мәндері дәл берілген; жеткізушінің мүмкіндігі сұрауды қабылдаудан бөлек қаралады.

Тарифтер

Ailoot әдістерінің мөлшерлемелері

Ailoot Сөйлеуді мәтінге түсіруPOST /v1/audio/transcriptions

Кіріс: 0,01 $ әр басталған минут үшін

Ailoot сұрау алдында болжамды соманы резервтейді. Нәтижеден кейін өлшенген пайдалану көлемі бойынша қорытынды төлемді шегереді. Ағындық жауап үшін төлем соңғы пайдалану жазбасы негізінде шегеріледі. Резервтеу мен төлемді есептеу тәртібі →

Сұрау мысалдары

Ailoot · Сөйлеуді мәтінге түсіру

Транскрипция мысалы

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

Нәтижелерді алу және сақтау

Ailoot · Сөйлеуді мәтінге түсіру

json

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

Барлық дайын нәтижені сақтау

Қайтарылған әр толық жауапты, файлды және мазмұн бөлігін сақтаңыз.

Тек мәтінді емес, JSON жауабын толық сақтаңыз; қолжетімді әрбір сегментті, сөйлеушіні, уақыт белгісін және нақты тапсырма мен ресурс идентификаторын сақтаңыз.

Бастапқы жауапты тексеру қажет болса

Қайта жібермей салыстырып тексеру үшін бастапқы operation_id/X-Client-Request-ID мәнін сақтаңыз; аудио күйін мерзімді түрде сұратуға арналған жеке маршрут жоқ.

Жауап өрістері

Өріс	Түрі
Өріс`text`	Түріstring
Өріс`segments[]`	Түріobject
Өріс`task_id`	Түріstring
Өріс`asset_url`	Түріstring
Өріс`usage`	Түріobject

Қателер және келесі қадамдар

Жауап	Шарт	Келесі қадам
Жауап400 · `invalid_request_error`	ШартМіндетті өрістер, материалды ұсыну тәсілі немесе параметр мәні қате	Келесі қадамЖаңадан жасау сұрауын жібермес бұрын көрсетілген өрістерді түзетіңіз.
Жауап`server_error`	ШартҚайтарылған жауапта операцияны немесе нәтижені тексеру қажет екені көрсетілген	Келесі қадамБастапқыда қайтарылған операцияның/тапсырманың ID мәнін, сұрау тақырыптарын және жауабын сақтаңыз; сол бастапқы операцияны қолдау көрсетілетін тәсілдермен оқуды жалғастырыңыз. Жасау сұрауын қайта жібермеңіз.

Балама атаулар

Модельдердің балама атаулары

Ailoot gemini-3.5-transcribe

Әдіс жолдарының балама атаулары

Жоғарыда көрсетілген әдіс жолдарын пайдаланыңыз.

Шақыруға арналған байланысты ID

gemini-3.5-transcribe

FAQ · Gemini 3.5 Transcribe

Қандай кіріс деректері мен нәтижелер қолжетімді?: POST /v1/audio/transcriptions · gemini-3.5-transcribe: audio → text
Сұрау қандай өрістерді пайдаланады?: POST /v1/audio/transcriptions · gemini-3.5-transcribe: model, file, response_format

Gemini 3.5 Transcribe