Google: Gemini 3.5 Transcribe
Google Gemini 3.5 Transcribe įrašytą kalbą paverčia tekstu, automatiškai atpažįsta kalbą, palaiko pasirinktą žodyną ir pasirenkamas žodžių laiko žymas arba kalbėtojų atskyrimą. Laiko žymoms ir kalbėtojų priskyrimui rinkitės VERBATIM, o skaitomam diktanto tekstui – SMART; SMART negalima derinti su šiomis dviem funkcijomis.
Apie modelį
Šis aprašas apima modelio galimybes. Pasirinktam metodui Ailoot prieinamos įvestys, išvestys ir parinktys nurodytos toliau.
Google Gemini 3.5 Transcribe – sinchroninis modelis, skirtas ištisoms iš anksto įrašytoms garso rinkmenoms paversti rašytiniu kalbos tekstu. Jis remiasi Gemini garso supratimo galimybėmis, tačiau turi transkribavimui skirtą įvesties ir išvesties sutartį. Atskira Gemini 3.5 Transcribe Live versija priima garso srautą ir grąžina palaipsniui gaunamus rezultatus. Šis įrašytam garsui skirtas modelis pateikia užbaigtą transkriptą, o pagal pasirinktą konfigūraciją – ir pasirenkamas žodžių laiko žymas arba kalbėtojų priskyrimą.
Paruoškite aiškų įrašą, kuriame kalba nebūtų smarkiai nukirsta ir, jei įmanoma, balsai būtų pakankamai atskiriami. Gamintojo sinchroninių užklausų pavyzdžiuose WAV garsas perduodamas kaip failo baitai arba išsaugotas garso išteklius, nurodant jo MIME tipą. Išsaugokite originalų garsą peržiūrai. Numatomu rezultatu gali būti patikrintas interviu transkriptas, subtitrų suderinimo įrašas arba skaitomas diktanto tekstas; prieš derindami funkcijas, kurios keičia formuluotes arba prideda metaduomenų, nuspręskite, kokio artefakto reikia.
Google dokumentuoja automatinį daugiau kaip 85 kalbų aptikimą, įskaitant kalbų maišymą vieno seanso metu. Kalbų palaikymo lygiai skiriasi, o žinomos kalbos užuomina gali pagerinti atpažinimą. Pasirinktame žodyne pateikiami tikėtini vardai, prekių ženklai ar specializuoti terminai. Gamintojas leidžia iki 1,000 terminų ir pažymi, kad paprastai geriausiai veikia tikslingi maždaug iki 100 terminų sąrašai. Retus terminus parinkite pagal įrašą ir tikrinkite juos klausydamiesi garso, užuot laikę žodyno užuominą įrodymu, kad terminas buvo ištartas.
Numatytasis režimas yra VERBATIM. Jis išsaugo užpildomuosius žodžius, pasikartojimus, neužbaigtas pradžias ir žodinius pasitaisymus, kad tekstas liktų tikslus pasakytų formuluočių įrašas. Šį režimą naudokite, kai užduočiai reikia žodžių lygmens laiko žymų arba kalbėtojų atskyrimo. Pavyzdžiui, interviu atveju išsaugokite pradinius pasisakymus ir jų laikus, tada pataisykite svarbius vardus ir kiekius išklausę reikiamą ištrauką. Vėlesnė santrauka ar nugludintas straipsnis gali remtis šiuo patikrintu įrašu, slapta nepakeisdamas to, ką pasakė kalbėtojas.
SMART režimas skirtas skaitomam diktanto tekstui. Jis pašalina kalbos nesklandumus, išsprendžia kalbant padarytus pasitaisymus ir suskirsto žodinę medžiagą į pastraipas ar sąrašus, prireikus suvienodindamas datų ir skaičių formą. Padiktuotas užduočių sąrašas gali tapti skaitomu sąrašu, o ne žodinių perėjimų grandine. Toks apdorojimas keičia transkripto formą. Google aiškiai nurodo, kad SMART nesuderinamas su žodžių laiko žymomis ir kalbėtojų atskyrimu, todėl rinkitės jį tada, kai reikalingas skaitomas tekstas, o ne bandykite naudoti kaip laiko žymomis ir kalbėtojais pažymėtą įrašą.
Įjungus žodžių laiko žymas, atsakyme pateikiami atpažinti žodžiai su pradžios ir pabaigos laiko poslinkiais. Jie padeda rasti taisomą vietą įraše arba paruošti subtitrus. Gamintojas nurodo, kad įjungus žodžių lygmens laiko žymas tenka daryti kompromisą dėl tikslumo. Tikrinkite tiek tekstą, tiek jo suderinimą su garsu, ypač greitos kalbos, persidengiančių balsų ar neįprastų terminų vietose. Naudingame transkripte su laiko žymomis žodžių įrašas išsaugomas kartu su šaltinio garsu; sklandus sakinys savaime neįrodo, kad jo laikas pažymėtas teisingai.
Kalbėtojų atskyrimas identifikuoja ir pažymi balsus įrašytame garse; dokumentuojamas iki aštuonių kalbėtojų palaikymas. Trijų ar daugiau kalbėtojų priskyrimą gamintojas apibūdina kaip eksperimentinį. Žymas laikykite numanomomis kalbėtojų grupėmis ir tikrinkite perėjimus pagal įrašą. Kalbėtojo žyma nėra nepriklausomas asmens tapatybės ar vaidmens įrodymas. Jei užduočiai reikia vardų, susiekite žymas su žinoma įrašo informacija, o ne išgalvokite tapatybes iš atpažintų žodžių.
Gamintojo funkcijų lentelėje nurodytas 15 minučių įrašyto garso langas; įjungus tokias funkcijas kaip laiko žymos ar kalbėtojų atskyrimas, failo apdorojimas ribojamas šia trukme. Ilgesnę pradinę medžiagą suskaidykite į tinkamus segmentus, išsaugodami jų eilę ir pradinę laiko poziciją. Modelio transkriptas, žodžiai su laiko žymomis ir kalbėtojų žymomis suskirstytos dalys yra skirtingi rezultato pavidalai; išsaugokite užduočiai reikalingą pavidalą. Šių garsui būdingų ribų nereikėtų pakeisti bendrojo daugiarūšio Gemini modelio konteksto ar trukmės reikšmėmis. Google SMART formatavimą, žodžių lygmens laiko žymas ir kalbėtojų atskyrimą nurodo kaip eksperimentines funkcijas.
Išvesties sutartis skirta būtent transkribavimui. SMART formatavimas sukuria skaitomą tekstą, tačiau nesuteikia bendros atsakymo pagal JSON schemą sutarties, įrankių iškvietimo galimybės ar instrukcijas vykdančio asistento darbo eigos. Rengdami galutinį artefaktą patikrinkite svarbias formuluotes, skaičius ir neiginius pagal garsą, išsaugokite neaiškius segmentus taisymui ir kartu su rezultatu užfiksuokite pasirinktą režimą. Taip bus aišku, ar rezultatas perteikia pradinį pasakytą tekstą, ar iš jo parengtą redaguotą skaitomą versiją.
Ailoot Ultra · Transkribavimas POST /v1/audio/transcriptions google/gemini-3.5-transcribe
google/gemini-3.5-transcribePradžia
Google Gemini 3.5 Transcribe įrašytą kalbą paverčia tekstu, automatiškai atpažįsta kalbą, palaiko pasirinktą žodyną ir pasirenkamas žodžių laiko žymas arba kalbėtojų atskyrimą. Laiko žymoms ir kalbėtojų priskyrimui rinkitės VERBATIM, o skaitomam diktanto tekstui – SMART; SMART negalima derinti su šiomis dviem funkcijomis.
- Leidžiamos įvestys
- Garsas
- Rezultatai
- Tekstas
Prieinama Ailoot · įvestys ir metodai
Ailoot Ultra · Transkribavimas POST /v1/audio/transcriptions
- Įvestis
audio- Išvestis
text
| Laukas | Tipas | Reikalavimas | Reikšmės ir ribos | Numatyta |
|---|---|---|---|---|
Laukasmodel | Tipasstring | ReikalavimasPrivaloma | Reikšmės ir ribos google/gemini-3.5-transcribe | Numatyta— |
Laukasinput_audio | Tipasobject | ReikalavimasPrivaloma | Reikšmės ir ribos | Numatyta— |
Laukaslanguage | Tipasstring | ReikalavimasNeprivaloma | Reikšmės ir ribos | Numatyta— |
Laukastemperature | Tipasnumber | ReikalavimasNeprivaloma | Reikšmės ir ribos Mažiausia reikšmė: 0 Didžiausia reikšmė: 1 | Numatyta— |
Laukasresponse_format | Tipasstring | ReikalavimasNeprivaloma | Reikšmės ir ribos json, verbose_json | Numatytajson |
Laukastimestamp_granularities | Tipasarray | ReikalavimasNeprivaloma | Reikšmės ir ribos | Numatyta— |
Laukasprovider | Tipasobject | ReikalavimasNeprivaloma | Reikšmės ir ribos | Numatyta— |
Metodo parametrai ir gyvavimo ciklas
| Parametras | Specifikacija |
|---|---|
Parametrascontent_type | Specifikacijaapplication/json |
Parametrasrequired | Specifikacijamodel, input_audio |
Parametrasmaterial_types | Specifikacijaaudio |
Parametrasmaterial_conditions | SpecifikacijaNuskaitykite tikrą WAV failą ir užkoduokite tikruosius jo baitus deklaruotai JSON input_audio įvesčiai; šiai tiksliai vien JSON skirtai deklaracijai multipart maršrutas nesiūlomas. |
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}
Planai
Kaip apskaičiuojamas galutinis mokestis
Rodomi įkainiai leidžia įvertinti kainą prieš generavimą. Galutinė suma apskaičiuojama pagal užfiksuotą pradinio generavimo kainą. Išmatuota rezultato trukmė ir prognozuoti kiekiai nėra galutinis apmokestinamas kiekis.
Tarifų informacija neprideda užklausos parinkčių. Palaikomi parametrai nurodyti prie pasirinkto metodo.
- Spartusis režimas
- Nenurodyta Pasirinkus spartųjį režimą
- Flex režimas
- Nenurodyta Pasirinkus flex režimą
- Didžiausios samprotavimo pastangos
- Nenurodyta Kai didžiausioms samprotavimo pastangoms taikomas numatytasis koregavimas (default)
Numatomi įkainiai palyginimui
Kainos pagal konfigūraciją
Kiekvieną mokestį susiekite su nurodytomis sąlygomis. Kiekvienam alternatyvių konfigūracijų rinkiniui taikykite vieną įkainį.
| Konfigūracija | Įkainių lentelė | Numatomas kiekis | Apskaitos vienetas | Mokestis |
|---|---|---|---|---|
| KonfigūracijaBaziniai žetonų įkainiai | Įkainių lentelėBazinis įkainis | Numatomas kiekis— | Apskaitos vienetas— | Mokestis Įvestis · Įvesties tokenai · Įvertis tik palyginimui — / 1K tokenų Išvestis · Išvesties tokenai · Įvertis tik palyginimui — / 1K tokenų Įvestis · Talpyklos skaitymas · Įvertis tik palyginimui — / 1K tokenų Įvestis · Rašymas į talpyklą · Įvertis tik palyginimui — / 1K tokenų Įvestis · Rašymas į talpyklą, 1 val · Įvertis tik palyginimui — / 1K tokenų |
| Konfigūracijaįvesties žetonas | Įkainių lentelė— | Numatomas kiekis— | Apskaitos vienetas/ 1K tokenų | Mokestis Įvestis · Įvertis tik palyginimui $0.004 / 1K tokenų |
| Konfigūracijaišvesties žetonas | Įkainių lentelė— | Numatomas kiekis— | Apskaitos vienetas/ 1K tokenų | Mokestis Išvestis · Įvertis tik palyginimui $0.024 / 1K tokenų |
| KonfigūracijaNumatoma generavimo kaina | Įkainių lentelė— | Numatomas kiekisvieno generavimo įvertis | Apskaitos vienetas— | Mokestis Išvestis · Numatoma generavimo kaina · Įvertis tik palyginimui $1.179648 įvertis prieš generavimą Šis įvertis nėra papildomas mokestis ar fiksuotas užbaigto generavimo įkainis. |
Ailoot prieš užklausą rezervuoja numatomą sumą. Gavus rezultatą, galutinis mokestis nuskaitomas pagal išmatuotą naudojimą. Srautinio atsakymo atsiskaitymui naudojamas galutinis naudojimo įrašas. Kaip veikia rezervavimas ir atsiskaitymas →
Užklausų pavyzdžiai
Ailoot Ultra · Transkribavimas
set -eu
: "${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 $AILOOT_API_KEY" -H 'Content-Type: application/json' \
--data-binary @request.json -D response-headers.txt -o response.bin
# Keep the complete original response and headers. Read every returned segment, word and usage field.
# Preserve actual operation/task/asset IDs; continue reads of the original result without resubmitting.
Gauti ir išsaugoti rezultatus
Ailoot Ultra · Transkribavimas
GET /v1/media/tasks/{task_id}GET /v1/media/assets/{asset_id}/contentGET /v1/media/assetsGET /v1/media/assets/{asset_id}
Kito turinio skaitymas
set -eu
: "${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.
Išsaugoti visus baigtus rezultatus
Išsaugokite kiekvieną visą grąžintą atsakymą, failą ir turinio dalį.
Išsaugokite visą atsakymą ir antraštes, visus faktiškai gautus rezultatus, pradinius grąžintus identifikatorius ir visus naudojimo apskaitos laukus. Atkurkite prieigą prie pradinės operacijos pakartotinai neteikdami kūrimo užklausos.
Jei reikia patikrinti pradinį atsakymą
Išsaugokite grąžintą X-Client-Request-ID duomenims sutikrinti. Tikrinkite tik faktiškai grąžintas task_id/asset_id reikšmes arba jums priklausančią medijos biblioteką; niekada nekurkite užduoties URL iš operacijos ID ir niekada pakartotinai neteikite kūrimo užklausos.
Atsakymo laukai
| Laukas | Tipas |
|---|---|
Laukastext | Tipas |
Laukasusage | Tipas |
Laukassegments[] | Tipas |
Laukaswords[] | Tipas |
Laukasspeaker fields | Tipas |
Laukastimestamps | Tipas |
Pseudonimai
Modelių pseudonimai
Ailoot Ultra google/gemini-3.5-transcribe
Metodų kelių pseudonimai
Naudokite aukščiau nurodytus metodų kelius.
Susiję ID iškvietimui
FAQ · Google: Gemini 3.5 Transcribe
- Kokios įvestys ir rezultatai prieinami?
POST /v1/audio/transcriptions·google/gemini-3.5-transcribe:audio→text- Kokius laukus naudoja užklausa?
POST /v1/audio/transcriptions·google/gemini-3.5-transcribe:model,input_audio,language,temperature,response_format,timestamp_granularities,provider- Kokie apribojimai taikomi?
POST /v1/audio/transcriptions·google/gemini-3.5-transcribe:temperature.minimum:0;temperature.maximum:1