Gemini 3.5 Transcribe
En Google-modell for talegjenkjenning, språkgjenkjenning, skille mellom talere og tidsstempler for ord.
Om modellen
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
Gemini 3.5 Transcribe gjør en lydfil om til tekst. I tillegg til transkripsjon støtter den språkgjenkjenning, skille mellom talere, tidsstempler for enkeltord, en tilpasset ordliste og intelligent tekstbehandling.
Språk og varighet
Over 85 språk støttes, inkludert russisk, samt språkbytte i samme opptak. Språket gjenkjennes automatisk. En vanlig forespørsel behandler lyd med en varighet på opptil én time. Ved skille mellom talere eller aktiverte tidsstempler for ord reduseres grensen til 30 minutter.
Utdata omfatter hele transkripsjonen og, i relevante moduser, egne annotasjoner for ord. Modellen er laget for behandling av filer; kontinuerlig gjenkjenning i sanntid hører til den separate versjonen gemini-3.5-transcribe-live.
Transkripsjonsmoduser
Ordrett transkripsjon brukes som standard. Den intelligente modusen fjerner fyllord, tar hensyn til talerens egne rettelser og formaterer teksten. Denne modusen kan ikke kombineres med skille mellom talere eller tidsstempler for ord.
Skille mellom talere støtter opptil åtte talere. Identifisering av hvem som sa en replikk, har eksperimentell status ved tre eller flere talere. Tidsstempler knytter teksten til opptaket, men aktivering av dem kan redusere gjenkjenningsnøyaktigheten.
Termer og filer
En ordliste med brukerdefinerte termer rommer opptil 1 000 oppføringer; Google påpeker at det vanligvis er best å begrense den til omtrent hundre. En slik ordliste kan ikke kombineres med skille mellom talere eller tidsstempler for ord. Ved valg av modus må det derfor vurderes hva som er viktigst: spesialtermer eller detaljert merking av deltakere og tid.
Lydformatene som støttes, omfatter WAV, MP3, AIFF, AAC, OGG, FLAC, MPEG, M4A, L16, Opus, A-law, mu-law og WebM. For filbehandling er varighetsgrenser og kombinasjoner av moduser publisert. Beskrivelsen av Transcribe-familien oppgir også en kontekst på 96K tokener og tekstutdata på 32K tokener; disse familieegenskapene erstatter ikke filbegrensningene i valgt metode.
Mellomlagring av kontekst, kjøring av kode, søk i filer, funksjonskall, bildegenerering og Thinking støttes ikke. Modellen er spesialisert på å hente tekst og annotasjoner fra lyd, ikke på å generere ny tale.
Ailoot · Tale til tekst POST /v1/audio/transcriptions gemini-3.5-transcribe
gemini-3.5-transcribeStart
En Google-modell for talegjenkjenning, språkgjenkjenning, skille mellom talere og tidsstempler for ord.
- Godkjente inndata
- Lyd
- Resultater
- Tekst
Tilgjengelig i Ailoot · inndata & metoder
Ailoot · Tale til tekst POST /v1/audio/transcriptions
- Inndatatyper
audio- Utdatatyper
text- Utdataformat
- json
| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser gemini-3.5-transcribe | Standard— |
Feltfile | Typefile | KravPåkrevd | Verdier & grenser Maksimalt antall byte: 67 108 864 Filformater: wav, mp3, m4a, ogg, webm, flac Innholdstype: multipart/form-data Maksimal varighet, sekunder: 600 | Standard— |
Feltresponse_format | Typestring | KravValgfritt | Verdier & grenser json | Standard— |
Kombinasjoner av inngående materialer
speech_to_text · Påkrevd: actual audio file
Metodeparametere og livssyklus
| Parameter | Avtale |
|---|---|
Parametermaterial_types | Avtaleaudio |
Parameterrequired | Avtalenull |
Parameteroptional_controls | Avtalenull |
Livssyklus: synchronous_result_then_owned_library
GET /v1/media/tasks/{task_id} · faktisk returnert task_id eller oppføring i mediebiblioteket
GET /v1/media/assets/{asset_id}/content
GET /v1/media/assets
GET /v1/media/assets/{asset_id}
Metodestrukturer og ID-er er eksakte; leverandørens evne er adskilt fra godkjenning av forespørselen.
Priser
Satser for Ailoot-metoder
POST /v1/audio/transcriptions- Inndata
- 0,01 USD per påbegynt minutt
Ailoot reserverer et estimert beløp før en forespørsel. Etter resultatet gjøres det endelige beløpet opp basert på målt forbruk. Oppgjør for strømming bruker den endelige forbruksposten. Slik fungerer reservasjon og oppgjør →
Eksempelforespørsler
Ailoot · Tale til tekst
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
Motta og lagre resultater
Ailoot · Tale til tekst
json
GET /v1/media/tasks/{task_id}GET /v1/media/assets/{asset_id}/contentGET /v1/media/assetsGET /v1/media/assets/{asset_id}
Behold alle ferdige resultater
Behold alle fullstendige returnerte svar, filer og innholdsdeler.
Behold hele JSON-svaret, ikke bare teksten; bevar alle tilgjengelige segmenter, talere og tidsstempler og faktiske oppgave- og ressursidentiteter.
Hvis det opprinnelige svaret må kontrolleres
Bevar opprinnelig operation_id/X-Client-Request-ID for avstemming uten ny innsending; det finnes ingen egen rute for å spørre etter lydstatus.
Svarfelter
| Felt | Type |
|---|---|
Felttext | Typestring |
Feltsegments[] | Typeobject |
Felttask_id | Typestring |
Feltasset_url | Typestring |
Feltusage | Typeobject |
Feil og neste trinn
| Svar | Vilkår | Neste trinn |
|---|---|---|
Svar400 · invalid_request_error | VilkårUgyldige påkrevde felter, materialrepresentasjon eller parameterverdi | Neste trinnKorriger de angitte feltene før en ny opprettelsesforespørsel. |
Svarserver_error | VilkårDet returnerte svaret angir at operasjonen eller resultatet må kontrolleres | Neste trinnBevar den opprinnelige returnerte operasjons-/oppgave-ID-en, forespørselshodene og svaret; fortsett å lese den opprinnelige operasjonen på de støttede måtene. Ikke send opprettelsesforespørselen på nytt. |
Aliaser
Modellaliaser
Ailoot gemini-3.5-transcribe
Aliaser for metodestier
Bruk metodestiene som vises ovenfor.
Tilknyttede anroper-ID-er
FAQ · Gemini 3.5 Transcribe
- Hvilke inndata og resultater er tilgjengelige?
POST /v1/audio/transcriptions·gemini-3.5-transcribe:audio→text- Hvilke felt bruker forespørselen?
POST /v1/audio/transcriptions·gemini-3.5-transcribe:model,file,response_format