Gemini 3.5 Transcribe

Model Google do rozpoznawania mowy, identyfikacji języka, rozróżniania mówców i znaczników czasu słów.

Ailoot · Rozpoznawanie mowy POST /v1/audio/transcriptions gemini-3.5-transcribe

O modelu

Ten opis przedstawia możliwości modelu. Dane wejściowe, wyniki i opcje dostępne w Ailoot podano poniżej dla wybranej metody.

Gemini 3.5 Transcribe przekształca plik dźwiękowy w tekst. Oprócz transkrypcji obsługuje identyfikację języka, rozróżnianie mówców, znaczniki czasu poszczególnych słów, specjalny słownik i inteligentne przygotowanie tekstu.

Języki i czas trwania

Obsługiwanych jest ponad 85 języków, w tym rosyjski, oraz przełączanie między językami w obrębie nagrania. Język jest identyfikowany automatycznie. Zwykłe żądanie przetwarza dźwięk o długości do jednej godziny. Przy rozróżnianiu mówców lub włączonych znacznikach czasu słów limit zmniejsza się do 30 minut.

Wyjście obejmuje pełny tekst transkrypcji oraz, w odpowiednich trybach, osobne adnotacje słów. Model służy do przetwarzania plików; ciągłe rozpoznawanie w czasie rzeczywistym należy do osobnej wersji gemini-3.5-transcribe-live.

Tryby transkrypcji

Domyślnie stosowana jest transkrypcja dosłowna. Tryb inteligentny usuwa wypełniacze mowy, uwzględnia autokorekty mówcy i formatuje tekst. Nie można łączyć go z rozróżnianiem mówców i znacznikami czasu słów.

Rozdzielanie mowy obsługuje do ośmiu mówców. Określanie, kto wypowiedział daną kwestię, dla trzech lub więcej mówców ma status eksperymentalny. Znaczniki czasu pomagają powiązać tekst z nagraniem, lecz ich włączenie może zmniejszać dokładność rozpoznawania.

Terminy i pliki

Słownik terminów użytkownika mieści do 1 000 wpisów; Google wskazuje, że zwykle lepiej ograniczyć go do około stu. Taki słownik jest niezgodny z rozróżnianiem mówców i znacznikami czasu słów. Wybór trybu powinien zatem uwzględniać, co jest ważniejsze: terminy specjalistyczne czy szczegółowe oznaczenie uczestników i czasu.

Obsługiwane formaty dźwięku obejmują WAV, MP3, AIFF, AAC, OGG, FLAC, MPEG, M4A, L16, Opus, A-law, mu-law i WebM. Dla przetwarzania pliku opublikowano limity czasu trwania i łączenia trybów. Opis rodziny Transcribe podaje także kontekst 96K tokenów i wyjście tekstowe 32K tokenów; te cechy rodziny nie zastępują ograniczeń pliku w wybranej metodzie.

Buforowanie kontekstu, wykonywanie kodu, wyszukiwanie w plikach, wywoływanie funkcji, tworzenie obrazów i Thinking nie są obsługiwane. Specjalizacją modelu jest uzyskiwanie tekstu i oznaczeń z dźwięku, a nie generowanie nowej mowy.

Ailoot · Rozpoznawanie mowy POST /v1/audio/transcriptions gemini-3.5-transcribe

gemini-3.5-transcribe

Google /gemini-3.5-transcribe

Start

Model Google do rozpoznawania mowy, identyfikacji języka, rozróżniania mówców i znaczników czasu słów.

Akceptowane dane wejściowe: Audio
Wyniki: Tekst

Dostępne w Ailoot · dane wejściowe i metody

Ailoot · Rozpoznawanie mowy POST /v1/audio/transcriptions

Wejście: audio
Wyjście: text
Format wyjściowy: json

Pole	Typ	Wymaganie	Wartości i limity	Domyślnie
Pole`model`	Typ`string`	WymaganieWymagane	Wartości i limity gemini-3.5-transcribe	Domyślnie—
Pole`file`	Typ`file`	WymaganieWymagane	Wartości i limity Maksymalna liczba bajtów: 67 108 864 Formaty plików: wav, mp3, m4a, ogg, webm, flac Typ treści: multipart/form-data Maksymalny czas trwania, sekundy: 600	Domyślnie—
Pole`response_format`	Typ`string`	WymaganieOpcjonalne	Wartości i limity json	Domyślnie—

Kombinacje materiałów wejściowych

speech_to_text · Wymagane: actual audio file

Parametry i cykl życia metody

Parametr	Kontrakt
Parametr`material_types`	Kontraktaudio
Parametr`required`	Kontraktnull
Parametr`optional_controls`	Kontraktnull

Cykl życia: synchronous_result_then_owned_library

GET /v1/media/tasks/{task_id} · Rzeczywiście zwrócony task_id lub wpis w bibliotece multimediów

GET /v1/media/assets/{asset_id}/content

GET /v1/media/assets

GET /v1/media/assets/{asset_id}

Struktury metod i ID są dokładne; możliwości dostawcy są odrębne od dopuszczenia żądania.

Cennik

Stawki metod Ailoot

Ailoot Rozpoznawanie mowyPOST /v1/audio/transcriptions

Wejście: 0,01 USD za każdą rozpoczętą minutę

Ailoot rezerwuje szacowaną kwotę przed żądaniem. Po otrzymaniu wyniku rozlicza ostateczną opłatę według zmierzonego użycia. Rozliczenie strumieniowania korzysta z końcowego rekordu użycia. Jak działają rezerwacja i rozliczenie →

Przykładowe żądania

Ailoot · Rozpoznawanie mowy

Przykład transkrypcji

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

Odbieranie i zapisywanie wyników

Ailoot · Rozpoznawanie mowy

json

GET /v1/media/tasks/{task_id}
GET /v1/media/assets/{asset_id}/content
GET /v1/media/assets
GET /v1/media/assets/{asset_id}

Zachowaj wszystkie ukończone wyniki

Zachowaj każdą kompletną zwróconą odpowiedź, plik i część treści.

Zachowaj kompletny JSON, a nie tylko tekst; zachowaj każdy dostępny segment, mówcę i znacznik czasu oraz rzeczywistą tożsamość zadania lub zasobu.

Jeśli trzeba sprawdzić pierwotną odpowiedź

Zachowaj pierwotny operation_id/X-Client-Request-ID do uzgodnienia danych bez ponownego wysyłania żądania; brak osobnej ścieżki API do cyklicznego sprawdzania stanu audio.

Pola odpowiedzi

Pole	Typ
Pole`text`	Typstring
Pole`segments[]`	Typobject
Pole`task_id`	Typstring
Pole`asset_url`	Typstring
Pole`usage`	Typobject

Błędy i dalsze kroki

Odpowiedź	Warunek	Następny krok
Odpowiedź400 · `invalid_request_error`	WarunekNieprawidłowe wymagane pola, sposób reprezentacji materiału lub wartość parametru	Następny krokPopraw wskazane pola przed nowym żądaniem utworzenia.
Odpowiedź`server_error`	WarunekZwrócona odpowiedź wskazuje, że operacja lub wynik wymaga sprawdzenia	Następny krokZachowaj pierwotnie zwrócony identyfikator operacji lub zadania, nagłówki żądania i odpowiedź; kontynuuj obsługiwane odczyty tej pierwotnej operacji. Nie wysyłaj ponownie żądania utworzenia.

Aliasy

Aliasy modelu

Ailoot gemini-3.5-transcribe

Aliasy ścieżek metod

Użyj ścieżek metod podanych powyżej.

Powiązane ID modeli

gemini-3.5-transcribe

FAQ · Gemini 3.5 Transcribe

Jakie dane wejściowe i wyniki są dostępne?: POST /v1/audio/transcriptions · gemini-3.5-transcribe: audio → text
Jakich pól używa żądanie?: POST /v1/audio/transcriptions · gemini-3.5-transcribe: model, file, response_format

Gemini 3.5 Transcribe