Google: Gemini 3.5 Transcribe

Google Gemini 3.5 Transcribe er den synkrone modellen for å gjøre komplette, forhåndsinnspilte lydfiler om til tale i skriftlig form. Den bygger på Geminis lydforståelse, men har en transkripsjonsspesifikk kontrakt for inn- og utdata. Den separate utgaven Gemini 3.5 Transcribe Live tar imot en lydstrøm og returnerer gradvise resultater. Denne modellen for innspilt lyd produserer en fullført transkripsjon, med valgfrie tidsangivelser per ord eller talertilordning avhengig av valgt konfigurasjon.

Forbered et tydelig opptak med tale som ikke er kraftig overstyrt, og med tydelig skille mellom stemmene der det er mulig. Produsentens synkrone eksempler sender WAV-lyd som filens byteinnhold eller en lagret lydressurs, med angitt MIME-type. Behold originallyden for gjennomgang. Det ønskede resultatet kan være en kontrollert intervjutranskripsjon, en registrering for tidsjustering av teksting eller lesbar diktering; avgjør hvilken leveranse som trengs før du kombinerer funksjoner som endrer ordlyden eller legger til metadata.

Google dokumenterer automatisk språkgjenkjenning for mer enn 85 språk, inkludert språkblanding innenfor en økt. Støttenivåene varierer mellom språk, og et hint om kjent språk kan forbedre gjenkjenningen. Egendefinert ordforråd oppgir navn, merker eller fagtermer som sannsynligvis forekommer. Produsenten tillater opptil 1000 termer og påpeker at målrettede lister med opptil rundt 100 vanligvis fungerer best. Hold uvanlige termer relevante for opptaket, og kontroller dem mot lyden fremfor å anta at et ordforrådshint beviser at termen ble sagt.

VERBATIM er standardmodus. Den bevarer fyllord, gjentakelser, avbrutte starter og muntlige rettelser slik at teksten fortsatt dokumenterer ordlyden. Bruk denne modusen når oppgaven trenger tidsstempler på ordnivå eller talerdiarisering. Behold for eksempel de opprinnelige samtalerundene og tidsangivelsene i et intervju, og rett deretter viktige navn og mengder ved å lytte til den relevante passasjen. Et senere sammendrag eller en bearbeidet artikkel kan bruke denne kontrollerte dokumentasjonen uten å erstatte det taleren sa i det stille.

SMART-modus er laget for lesbar diktering. Den fjerner talebrudd, løser selvrettelser i talen og strukturerer muntlig materiale i avsnitt eller lister, med normaliserte datoer og tall der det passer. En diktert oppgaveliste kan bli en lesbar liste fremfor en rekke muntlige overganger. Denne behandlingen endrer formen på transkripsjonen. Google sier uttrykkelig at SMART er uforenlig med tidsstempler per ord og diarisering, så velg den når lesbar tekst er den nødvendige leveransen fremfor å forsøke å bruke den som en tidsfestet dokumentasjon med talertilordning.

Når tidsangivelser per ord er aktivert, inneholder svaret gjenkjente ord med start- og sluttforskyvninger. Disse støtter lokalisering av en rettelse i opptaket eller klargjøring av teksting. Produsenten beskriver en avveining i nøyaktighet ved aktivering av tidsstempler på ordnivå. Kontroller teksten i tillegg til justeringen, særlig ved rask tale, overlapp eller uvanlig terminologi. En nyttig tidsfestet transkripsjon bevarer de registrerte ordene og kildelyden sammen fremfor å behandle en flytende setning som bevis på at tidsjusteringen er riktig.

Talerdiarisering identifiserer og merker stemmer i innspilt lyd, med opptil åtte dokumenterte talere. Produsenten beskriver tilordning for tre eller flere talere som eksperimentell. Behandle etikettene som utledede talergrupperinger, og kontroller overgangene mot opptaket. En taleretikett er ikke et uavhengig bevis på en persons identitet eller rolle. Hvis oppgaven krever navn, knytter du etikettene til kjent informasjon om opptaket fremfor å finne på identiteter ut fra de gjenkjente ordene.

Produsentens funksjonstabell oppgir et 15-minutters vindu for innspilt lyd, med filbehandling begrenset til denne varigheten når funksjoner som tidsstempler eller diarisering er aktivert. Forbered lengre kildemateriale som egnede segmenter, og behold rekkefølgen og den opprinnelige tidsposisjonen. Modellens transkripsjon, tidsfestede ord og deler merket med taler er ulike resultatrepresentasjoner; behold representasjonen oppgaven trenger. Disse lydspesifikke grensene skal ikke erstattes av kontekst- eller varighetstall fra en generell multimodal Gemini-modell. Google oppgir SMART-formatering, tidsstempler på ordnivå og talerdiarisering som eksperimentelle funksjoner.

Kontrakten for utdata er transkripsjonsspesifikk. SMART-formatering skaper lesbar tekst, men tilfører ikke en generell kontrakt for svar med JSON-skjema, evne til verktøykall eller en instruksjonsfølgende assistentarbeidsflyt. For den endelige leveransen kontrollerer du viktig ordlyd, tall og nektelser mot lyden, beholder eventuelle uavklarte segmenter for retting og lagrer den valgte modusen med resultatet. Dette gjør det tydelig om leveransen dokumenterer den opprinnelige talte ordlyden eller gir en redigert leseversjon av den.