Google: Gemini 3.5 Transcribe

Google Gemini 3.5 Transcribe ialah model segerak untuk menukar fail audio prarakaman lengkap kepada pertuturan bertulis. Ia berasaskan keupayaan pemahaman audio Gemini, tetapi mempunyai kontrak input dan output khusus transkripsi. Edisi Gemini 3.5 Transcribe Live yang berasingan menerima strim audio dan mengembalikan hasil secara beransur-ansur. Model audio rakaman ini menghasilkan transkrip lengkap, dengan pilihan pemasaan perkataan atau atribusi penutur bergantung pada konfigurasi terpilih.

Sediakan rakaman yang jelas dengan pertuturan yang tidak mengalami pemotongan isyarat (clipping) yang teruk dan, jika boleh, pemisahan yang jelas antara suara. Contoh segerak pengeluar menghantar audio WAV sebagai bait fail atau sumber audio tersimpan, dengan jenis MIMEnya dinyatakan. Simpan audio asal untuk semakan. Hasil yang dimaksudkan mungkin transkrip temu bual yang disemak, rekod penjajaran kapsyen atau imlak yang mudah dibaca; tentukan artifak yang diperlukan sebelum menggabungkan ciri yang mengubah kata-kata atau menambah metadata.

Google mendokumenkan pengesanan bahasa automatik merentas lebih daripada 85 bahasa, termasuk percampuran bahasa dalam satu sesi. Tahap sokongan bahasa berbeza-beza, dan petunjuk bahasa yang diketahui boleh menambah baik pengecaman. Kosa kata tersuai membekalkan nama khusus, jenama atau istilah pakar yang mungkin disebut. Pembuat membenarkan sehingga 1,000 istilah dan menyatakan senarai berfokus sehingga kira-kira 100 lazimnya paling berkesan. Pastikan istilah luar biasa berkaitan dengan rakaman dan semaknya terhadap audio, daripada mengandaikan petunjuk kosa kata membuktikan istilah itu dituturkan.

VERBATIM ialah mod lalai. Ia mengekalkan kata pengisi, pengulangan, permulaan ujaran yang dibatalkan dan pembetulan lisan supaya teks kekal sebagai rekod ungkapan asal. Gunakan mod ini apabila tugas memerlukan cap masa peringkat perkataan atau diarisasi penutur. Untuk temu bual, contohnya, kekalkan giliran dan pemasaan asal, kemudian betulkan nama serta kuantiti penting dengan mendengar petikan berkaitan. Ringkasan atau artikel yang digilap kemudian boleh menggunakan rekod disemak itu tanpa menggantikan kata-kata penutur secara senyap.

Mod SMART direka untuk imlak yang mudah dibaca. Ia membuang ketidaklancaran, menyelesaikan pembetulan kendiri sebaris dan menyusun bahan lisan kepada perenggan atau senarai, dengan tarikh serta nombor dinormalkan jika sesuai. Senarai tugas yang diimlakkan boleh menjadi senarai yang mudah dibaca daripada rentetan peralihan lisan. Pemprosesan itu mengubah bentuk transkrip. Google menyatakan dengan jelas bahawa SMART tidak serasi dengan cap masa perkataan dan diarisasi, jadi pilihnya apabila teks yang mudah dibaca ialah artifak wajib daripada cuba menggunakannya sebagai rekod berpemasaan dengan atribusi penutur.

Apabila pemasaan perkataan diaktifkan, respons merangkumi perkataan yang dikenal pasti dengan ofset mula dan akhir. Ini menyokong pencarian pembetulan dalam rakaman atau penyediaan kapsyen. Pembuat mengenal pasti kompromi ketepatan apabila cap masa peringkat perkataan diaktifkan. Semak teks serta penjajaran, terutamanya pada pertuturan pantas, pertindihan atau istilah luar biasa. Transkrip berpemasaan yang berguna menyimpan rekod perkataan dan audio sumber bersama, daripada menganggap ayat lancar sebagai bukti penjajarannya betul.

Diarisasi penutur mengenal pasti dan melabel suara dalam audio rakaman, dengan sehingga lapan penutur didokumenkan. Pembuat menyifatkan atribusi bagi tiga penutur atau lebih sebagai eksperimen. Anggap label sebagai pengelompokan penutur yang disimpulkan dan semak peralihan terhadap rakaman. Label penutur bukan bukti bebas identiti atau peranan seseorang. Jika tugas memerlukan nama, kaitkan label dengan maklumat rakaman yang diketahui daripada mereka identiti daripada perkataan yang dikenal pasti.

Jadual ciri pengeluar menyenaraikan tetingkap audio rakaman 15 minit, dengan pemprosesan fail terhad kepada tempoh itu apabila ciri seperti cap masa atau diarisasi diaktifkan. Sediakan bahan sumber lebih panjang sebagai segmen sesuai sambil mengekalkan turutan dan kedudukan masa asal. Transkrip, perkataan berpemasaan dan bahagian berlabel penutur model ialah perwakilan hasil berbeza; simpan perwakilan yang diperlukan untuk tugas. Had khusus audio ini tidak sepatutnya digantikan dengan angka konteks atau tempoh daripada model multimodal Gemini umum. Google menyenaraikan pemformatan SMART, cap masa peringkat perkataan dan diarisasi penutur sebagai ciri eksperimen.

Kontrak output khusus untuk transkripsi. Pemformatan SMART menghasilkan teks yang mudah dibaca tetapi tidak menambah kontrak respons skema JSON umum, keupayaan pemanggilan alat atau aliran kerja pembantu yang mengikuti arahan. Untuk artifak akhir, semak ungkapan penting, nombor dan kata nafi terhadap audio, kekalkan segmen belum diselesaikan untuk pembetulan dan simpan mod terpilih bersama hasil. Ini menjelaskan sama ada hasil merekodkan ungkapan lisan asal atau mempersembahkan versi bacaan tersunting yang diperoleh daripadanya.