Gemini 3.5 Transcribe
Google modelis kalbai atpažinti, kalbai nustatyti, kalbėtojams atskirti ir žodžių laiko žymoms pateikti.
Apie modelį
Šis aprašas apima modelio galimybes. Pasirinktam metodui Ailoot prieinamos įvestys, išvestys ir parinktys nurodytos toliau.
Gemini 3.5 Transcribe paverčia garso failą tekstu. Be transkribavimo, ji palaiko kalbos nustatymą, kalbėtojų atskyrimą, atskirų žodžių laiko žymas, specialų žodyną ir išmanųjį teksto parengimą.
Kalbos ir trukmė
Palaikomos daugiau nei 85 kalbos, įskaitant rusų, ir kalbų kaitaliojimas tame pačiame įraše. Kalba nustatoma automatiškai. Įprasta užklausa apdoroja iki vienos valandos trukmės garsą. Atskiriant kalbėtojus arba įjungus žodžių laiko žymas riba sutrumpėja iki 30 minučių.
Išvestis apima visą transkripcijos tekstą ir, atitinkamais režimais, atskiras žodžių anotacijas. Modelis skirtas failams apdoroti; nepertraukiamas atpažinimas realiuoju laiku priklauso atskirai versijai gemini-3.5-transcribe-live.
Transkribavimo režimai
Pagal numatytąsias nuostatas naudojama pažodinė transkripcija. Išmanusis režimas pašalina užpildomuosius žodžius, atsižvelgia į kalbėtojo pasitaisymus ir formatuoja tekstą. Šio režimo negalima derinti su kalbėtojų atskyrimu ir žodžių laiko žymomis.
Kalbos atskyrimas palaiko iki aštuonių kalbėtojų. Nustatymas, kas ištarė repliką, kai kalbėtojų yra trys ar daugiau, turi eksperimentinį statusą. Laiko žymos padeda susieti tekstą su įrašu, tačiau jas įjungus atpažinimo tikslumas gali sumažėti.
Terminai ir failai
Naudotojo terminų žodynas talpina iki 1 000 įrašų; Google pažymi, kad paprastai geriau apsiriboti maždaug šimtu. Toks žodynas nesuderinamas su kalbėtojų atskyrimu ir žodžių laiko žymomis. Todėl renkantis režimą reikia atsižvelgti į tai, kas svarbiau: specialūs terminai ar išsamus dalyvių ir laiko sužymėjimas.
Palaikomi garso formatai apima WAV, MP3, AIFF, AAC, OGG, FLAC, MPEG, M4A, L16, Opus, A-law, mu-law ir WebM. Failo apdorojimui paskelbtos trukmės ribos ir režimų deriniai. Transcribe šeimos aprašyme taip pat nurodytas 96K tokenų kontekstas ir 32K tokenų tekstinė išvestis; šios šeimos savybės nepakeičia failo apribojimų pasirinktu metodu.
Konteksto kaupimas podėlyje, kodo vykdymas, paieška failuose, funkcijų iškvietimai, vaizdų kūrimas ir Thinking nepalaikomi. Modelio specializacija – gauti tekstą ir sužymėjimą iš garso, o ne generuoti naują kalbą.
Ailoot · Kalba į tekstą POST /v1/audio/transcriptions gemini-3.5-transcribe
gemini-3.5-transcribePradžia
Google modelis kalbai atpažinti, kalbai nustatyti, kalbėtojams atskirti ir žodžių laiko žymoms pateikti.
- Leidžiamos įvestys
- Garsas
- Rezultatai
- Tekstas
Prieinama Ailoot · įvestys ir metodai
Ailoot · Kalba į tekstą POST /v1/audio/transcriptions
- Įvestis
audio- Išvestis
text- Išvesties formatas
- json
| Laukas | Tipas | Reikalavimas | Reikšmės ir ribos | Numatyta |
|---|---|---|---|---|
Laukasmodel | Tipasstring | ReikalavimasPrivaloma | Reikšmės ir ribos gemini-3.5-transcribe | Numatyta— |
Laukasfile | Tipasfile | ReikalavimasPrivaloma | Reikšmės ir ribos Didžiausias baitų skaičius: 67 108 864 Failų formatai: wav, mp3, m4a, ogg, webm, flac Turinio tipas: multipart/form-data Didžiausia trukmė, sekundės: 600 | Numatyta— |
Laukasresponse_format | Tipasstring | ReikalavimasNeprivaloma | Reikšmės ir ribos json | Numatyta— |
Įvesties medžiagos deriniai
speech_to_text · Privaloma: actual audio file
Metodo parametrai ir gyvavimo ciklas
| Parametras | Specifikacija |
|---|---|
Parametrasmaterial_types | Specifikacijaaudio |
Parametrasrequired | Specifikacijanull |
Parametrasoptional_controls | Specifikacijanull |
Gyvavimo ciklas: synchronous_result_then_owned_library
GET /v1/media/tasks/{task_id} · faktiškai grąžinta task_id reikšmė arba medijos bibliotekos įrašas
GET /v1/media/assets/{asset_id}/content
GET /v1/media/assets
GET /v1/media/assets/{asset_id}
Metodų struktūros ir ID yra tikslūs; tiekėjo galimybės yra atskirtos nuo užklausos priėmimo.
Planai
Ailoot metodų įkainiai
POST /v1/audio/transcriptions- Įvestis
- 0,01 USD už kiekvieną pradėtą minutę
Ailoot prieš užklausą rezervuoja numatomą sumą. Gavus rezultatą, galutinis mokestis nuskaitomas pagal išmatuotą naudojimą. Srautinio atsakymo atsiskaitymui naudojamas galutinis naudojimo įrašas. Kaip veikia rezervavimas ir atsiskaitymas →
Užklausų pavyzdžiai
Ailoot · Kalba į tekstą
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
Gauti ir išsaugoti rezultatus
Ailoot · Kalba į tekstą
json
GET /v1/media/tasks/{task_id}GET /v1/media/assets/{asset_id}/contentGET /v1/media/assetsGET /v1/media/assets/{asset_id}
Išsaugoti visus baigtus rezultatus
Išsaugokite kiekvieną visą grąžintą atsakymą, failą ir turinio dalį.
Išsaugokite visą JSON, ne vien tekstą; išsaugokite kiekvieną pasiekiamą segmentą, kalbėtoją, laiko žymą ir tikrą užduoties ar ištekliaus tapatybę.
Jei reikia patikrinti pradinį atsakymą
Išsaugokite pradinį operation_id/X-Client-Request-ID duomenims sutikrinti, pakartotinai neteikdami užklausos; atskiro garso būsenos tikrinimo maršruto nėra.
Atsakymo laukai
| Laukas | Tipas |
|---|---|
Laukastext | Tipasstring |
Laukassegments[] | Tipasobject |
Laukastask_id | Tipasstring |
Laukasasset_url | Tipasstring |
Laukasusage | Tipasobject |
Klaidos ir tolesni veiksmai
| Atsakymas | Sąlyga | Kitas žingsnis |
|---|---|---|
Atsakymas400 · invalid_request_error | SąlygaNetinkami privalomi laukai, medžiagos pateikimo forma arba parametro reikšmė | Kitas žingsnisPrieš naują kūrimo užklausą pataisykite nurodytus laukus. |
Atsakymasserver_error | SąlygaGrąžintame atsakyme nurodoma, kad operaciją arba rezultatą reikia patikrinti | Kitas žingsnisIšsaugokite pradinį grąžintą operacijos ar užduoties ID, užklausos antraštes ir atsakymą; toliau tikrinkite tos pačios pradinės operacijos duomenis palaikomais būdais. Kūrimo užklausos pakartotinai neteikite. |
Pseudonimai
Modelių pseudonimai
Ailoot gemini-3.5-transcribe
Metodų kelių pseudonimai
Naudokite aukščiau nurodytus metodų kelius.
Susiję ID iškvietimui
FAQ · Gemini 3.5 Transcribe
- Kokios įvestys ir rezultatai prieinami?
POST /v1/audio/transcriptions·gemini-3.5-transcribe:audio→text- Kokius laukus naudoja užklausa?
POST /v1/audio/transcriptions·gemini-3.5-transcribe:model,file,response_format