Google: Gemini 3.5 Transcribe

Google Gemini 3.5 Transcribe жазылған сөйлеуді мәтінге айналдырады: тілді автоматты анықтайды, арнайы сөздікті, сондай-ақ қажет болса сөздердің уақыт белгілерін не сөйлеушілерді ажыратуды қолдайды. Уақыт белгілері мен сөйлеушіні белгілеу үшін VERBATIM, ал оқуға ыңғайлы диктант үшін SMART таңдаңыз; SMART осы екі мүмкіндікпен біріктірілмейді.

Ailoot Ultra · Дыбысты мәтінге түсіру POST /v1/audio/transcriptions google/gemini-3.5-transcribe

Модель туралы

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

Google Gemini 3.5 Transcribe — толық, алдын ала жазылған аудиофайлдардағы сөйлеуді мәтінге айналдыратын синхронды модель. Ол Gemini аудионы түсіну мүмкіндіктеріне негізделген, бірақ транскрипцияға тән кіріс және шығыс келісімі бар. Бөлек Gemini 3.5 Transcribe Live нұсқасы аудио ағынын қабылдап, біртіндеп нәтижелер қайтарады. Осы жазылған аудио моделі таңдалған баптауға қарай қажет болса сөздердің уақыт белгілері не сөйлеуші туралы белгілері бар аяқталған транскрипт жасайды.

Сөйлеу дыбысы қатты клиппингке ұшырамаған, мүмкіндігінше дауыстары бір-бірінен анық ажыратылатын анық жазба дайындаңыз. Өндірушінің синхронды мысалдары WAV аудиосын MIME түрін көрсетіп, файл байттары немесе сақталған аудио ресурсы ретінде береді. Тексеру үшін түпнұсқа аудионы қолжетімді сақтаңыз. Көзделген нәтиже тексерілген сұхбат транскрипті, субтитрді уақытқа сәйкестендіру жазбасы немесе оқуға ыңғайлы диктант болуы мүмкін; сөздерді өзгертетін не метадерек қосатын мүмкіндіктерді біріктірмес бұрын қажетті артефактты таңдаңыз.

Google 85-тен астам тілде, соның ішінде бір сессиядағы тіл араласуында автоматты тіл анықтауын құжаттайды. Тіл қолдауының деңгейлері әртүрлі; белгілі тілге ишара тануды жақсарта алады. Арнайы сөздік жазбада кездесуі ықтимал ерекше есімдерді, брендтерді немесе салалық терминдерді береді. Өндіруші 1,000-ға дейін терминге рұқсат етіп, шамамен 100-ге дейінгі нысаналы тізімдер әдетте ең жақсы нәтиже беретінін айтады. Сирек терминдерді жазбаға қатысты ұстаңыз және сөздік ишарасы терминнің айтылғанын дәлелдейді деп болжамай, аудиомен тексеріңіз.

VERBATIM — әдепкі режим. Ол мәтін айтылған сөздердің жазбасы болып қалуы үшін қыстырма дыбыстарды, қайталауларды, аяқталмаған сөйлеу бастамаларын және ауызша түзетулерді сақтайды. Тапсырмаға сөз деңгейіндегі уақыт белгілері немесе сөйлеушіні ажырату керек болса, осы режимді қолданыңыз. Мысалы, сұхбатта бастапқы кезектер мен уақыттарды сақтап, кейін маңызды есімдер мен шамаларды тиісті үзіндіні тыңдап түзетіңіз. Кейінгі түйіндеме не өңделген мақала сөйлеушінің айтқанын үнсіз алмастырмай, осы тексерілген жазбаны пайдалана алады.

SMART режимі оқуға ыңғайлы диктантқа арналған. Ол сөйлеу іркілістерін алып тастайды, сөйлеушінің сөз арасында енгізген түзетулерін ескереді және қажет жерде күндер мен сандарды қалыпқа келтіріп, материалды абзацтарға не тізімдерге құрады. Ауызша берілген тапсырмалар тізімі сөйлеу өтулерінің тізбегінің орнына оқылатын тізімге айнала алады. Бұл өңдеу транскрипт пішінін өзгертеді. Google SMART режимі сөздердің уақыт белгілерімен және сөйлеушіні ажыратумен үйлеспейтінін нақты айтады; сондықтан оны уақыт пен сөйлеуші тіркелген жазба ретінде қолдануға тырыспай, қажетті артефакт оқылатын мәтін болғанда таңдаңыз.

Сөздердің уақыт белгілері қосылса, жауапта танылған сөздер олардың басталуы мен аяқталуының уақыттық ығысу мәндерімен беріледі. Олар жазбадағы түзету орнын табуға немесе субтитр дайындауға көмектеседі. Өндіруші сөз деңгейіндегі уақыт белгілерін қосудың дәлдікке қатысты ымырасы барын көрсетеді. Әсіресе жылдам сөйлеу, қабаттасу не ерекше терминология тұсында мәтінмен бірге уақыт сәйкестігін де тексеріңіз. Уақыт белгілері бар пайдалы транскрипт жатық сөйлемді оның уақыты дұрыс екенінің дәлелі санамай, сөз жазбасы мен түпнұсқа аудионы бірге сақтайды.

Сөйлеушіні ажырату жазылған аудиода дауыстарды анықтап, белгілейді; сегізге дейін сөйлеуші құжатталған. Үш не одан көп сөйлеушіні атрибуциялауды өндіруші эксперименттік деп сипаттайды. Белгілерді болжанған сөйлеуші топтары ретінде қарап, ауысуларды жазбамен тексеріңіз. Сөйлеуші белгісі адамның кім екеніне немесе рөліне дербес дәлел емес. Тапсырмаға аттар қажет болса, танылған сөздерден тұлғалар ойлап таппай, белгілерді жазба туралы белгілі ақпаратпен байланыстырыңыз.

Өндірушінің мүмкіндіктер кестесі жазылған аудиоға 15 минуттық терезе көрсетеді; уақыт белгілері не сөйлеушіні ажырату сияқты мүмкіндіктер қосылғанда файл өңдеу сол ұзақтықпен шектеледі. Ұзақ материалды ретін және бастапқы уақыт орнын сақтап, тиісті сегменттерге бөліңіз. Модель транскрипті, уақыт белгілері бар сөздер және сөйлеуші белгіленген бөліктер — әртүрлі нәтиже көріністері; тапсырмаға қажет көріністі сақтаңыз. Бұл аудиоға тән шектерді жалпы Gemini мультимодалды моделінің контексті не ұзақтығы сандарымен алмастыруға болмайды. Google SMART пішімдеуін, сөз деңгейіндегі уақыт белгілерін және сөйлеушіні ажыратуды эксперименттік мүмкіндіктер деп көрсетеді.

Шығыс келісімі транскрипцияға тән. SMART пішімдеуі оқылатын мәтін жасайды, бірақ жалпы JSON-schema жауап келісімін, құрал шақыру мүмкіндігін немесе нұсқау орындайтын көмекші үдерісін қоспайды. Соңғы артефактта маңызды сөздерді, сандарды және терістеулерді аудиомен тексеріп, шешілмеген сегментті түзетуге сақтаңыз және таңдалған режимді нәтижемен бірге тіркеңіз. Сонда нәтиже бастапқы айтылған сөздерді жаза ма, әлде одан алынған өңделген оқу нұсқасын бере ме, анық болады.

Ailoot Ultra · Дыбысты мәтінге түсіру POST /v1/audio/transcriptions google/gemini-3.5-transcribe

google/gemini-3.5-transcribe

Google /google/gemini-3.5-transcribe

Бастау

Қабылданатын кіріс деректері: Аудио
Нәтижелер: Мәтін

Ailoot жүйесінде қолжетімді · кіріс деректері мен әдістер

Ailoot Ultra · Дыбысты мәтінге түсіру POST /v1/audio/transcriptions

Кіріс: audio
Шығыс: text

Өріс	Түрі	Талап	Мәндер мен шектеулер	Әдепкі
Өріс`model`	Түрі`string`	ТалапМіндетті	Мәндер мен шектеулер google/gemini-3.5-transcribe	Әдепкі—
Өріс`input_audio`	Түрі`object`	ТалапМіндетті	Мәндер мен шектеулер	Әдепкі—
Өріс`language`	Түрі`string`	ТалапМіндетті емес	Мәндер мен шектеулер	Әдепкі—
Өріс`temperature`	Түрі`number`	ТалапМіндетті емес	Мәндер мен шектеулер Ең азы: 0 Ең көбі: 1	Әдепкі—
Өріс`response_format`	Түрі`string`	ТалапМіндетті емес	Мәндер мен шектеулер json, verbose_json	Әдепкіjson
Өріс`timestamp_granularities`	Түрі`array`	ТалапМіндетті емес	Мәндер мен шектеулер	Әдепкі—
Өріс`provider`	Түрі`object`	ТалапМіндетті емес	Мәндер мен шектеулер	Әдепкі—

Әдіс параметрлері мен өмірлік циклі

Параметр	Параметр талаптары
Параметр`content_type`	Параметр талаптарыapplication/json
Параметр`required`	Параметр талаптарыmodel, input_audio
Параметр`material_types`	Параметр талаптарыaudio
Параметр`material_conditions`	Параметр талаптарыНақты WAV файлын оқып, оның шын байттарын мәлімделген JSON input_audio үшін кодтаңыз; тек JSON қабылдайтын осы нақты декларация үшін multipart маршруты ұсынылмайды.

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}

Тарифтер

Қорытынды төлем қалай есептеледі

Көрсетілген тарифтер генерация басталғанға дейінгі құнын бағалауға арналған. Соңғы төлем бастапқы генерация үшін тіркелген құннан есептеледі. Нәтиженің өлшенген ұзақтығы мен болжамды көлемдер төлемге негіз болатын түпкілікті көлем болып саналмайды.

Тариф анықтамасы сұрау мүмкіндіктерін қоспайды. Қолдау көрсетілетін параметрлер таңдалған әдісте берілген.

Жылдам режим: Көрсетілмеген Жылдам режим таңдалғанда
Икемді режим: Көрсетілмеген flex режимі таңдалғанда
Ой қорытудың ең жоғары деңгейі: Көрсетілмеген Ой қорыту деңгейі ең жоғары болып, default түзетуі қолданылғанда

Салыстыруға арналған болжамды мөлшерлемелер

Баптаулар бойынша бағалар

Әр төлемді көрсетілген шарттармен салыстырыңыз. Балама баптаулардың әр жиыны үшін бір мөлшерлемені қолданыңыз.

Баптау	Мөлшерлемелер кестесі	Болжамды мөлшер	Есептеу бірлігі	Төлем
БаптауТокендердің базалық тарифтері	Мөлшерлемелер кестесіНегізгі мөлшерлеме	Болжамды мөлшер—	Есептеу бірлігі—	Төлем Кіріс · Кіріс токендері · Тек салыстыруға арналған бағалау — / 1K токен Шығыс · Шығыс токендері · Тек салыстыруға арналған бағалау — / 1K токен Кіріс · Кэшті оқу · Тек салыстыруға арналған бағалау — / 1K токен Кіріс · Кэшке жазу · Тек салыстыруға арналған бағалау — / 1K токен Кіріс · Кэшке жазу, 1 сағ · Тек салыстыруға арналған бағалау — / 1K токен
Баптаукіріс токені	Мөлшерлемелер кестесі—	Болжамды мөлшер—	Есептеу бірлігі/ 1K токен	Төлем Кіріс · Тек салыстыруға арналған бағалау $0.004 / 1K токен
Баптаушығыс токені	Мөлшерлемелер кестесі—	Болжамды мөлшер—	Есептеу бірлігі/ 1K токен	Төлем Шығыс · Тек салыстыруға арналған бағалау $0.024 / 1K токен
БаптауГенерацияның болжамды құны	Мөлшерлемелер кестесі—	Болжамды мөлшербір генерацияға арналған болжам	Есептеу бірлігі—	Төлем Шығыс · Генерацияның болжамды құны · Тек салыстыруға арналған бағалау $1.179648 жасауға дейінгі бағалау Бұл бағалау қосымша төлем де, аяқталған генерация үшін белгіленген тұрақты тариф те емес.

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 Ultra · Дыбысты мәтінге түсіру

curl · төл пішімдегі дәл сұрау денесі және толық нәтиже

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.

Нәтижелерді алу және сақтау

Ailoot Ultra · Дыбысты мәтінге түсіру

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

Басқа мазмұнды оқу

Өзіңізге тиесілі қолда бар материалдарды оқу

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.

Барлық дайын нәтижені сақтау

Қайтарылған әр толық жауапты, файлды және мазмұн бөлігін сақтаңыз.

Толық жауапты және тақырыптарды, алынған әрбір нәтижені, бастапқыда қайтарылған идентификаторларды және пайдалану туралы барлық өрістерді сақтаңыз. Жасау сұрауын қайта жібермей, бастапқы операцияны қалпына келтіріңіз.

Бастапқы жауапты тексеру қажет болса

Есептерді салыстырып тексеру үшін қайтарылған X-Client-Request-ID мәнін сақтаңыз. Тек нақты қайтарылған task_id/asset_id мәндері арқылы немесе өзіңізге тиесілі медиатекадан оқыңыз; операция ID мәнінен тапсырманың URL мекенжайын ешқашан құрастырмаңыз және жасау сұрауын ешқашан қайта жібермеңіз.

Жауап өрістері

Өріс	Түрі
Өріс`text`	Түрі
Өріс`usage`	Түрі
Өріс`segments[]`	Түрі
Өріс`words[]`	Түрі
Өріс`speaker fields`	Түрі
Өріс`timestamps`	Түрі

Балама атаулар

Модельдердің балама атаулары

Ailoot Ultra google/gemini-3.5-transcribe

Әдіс жолдарының балама атаулары

Жоғарыда көрсетілген әдіс жолдарын пайдаланыңыз.

Шақыруға арналған байланысты ID

google/gemini-3.5-transcribe

FAQ · Google: Gemini 3.5 Transcribe

Қандай кіріс деректері мен нәтижелер қолжетімді?: POST /v1/audio/transcriptions · google/gemini-3.5-transcribe: audio → text
Сұрау қандай өрістерді пайдаланады?: POST /v1/audio/transcriptions · google/gemini-3.5-transcribe: model, input_audio, language, temperature, response_format, timestamp_granularities, provider
Қандай шектеулер қолданылады?: POST /v1/audio/transcriptions · google/gemini-3.5-transcribe: temperature.minimum: 0; temperature.maximum: 1

Google: Gemini 3.5 Transcribe