Google: Gemini 3.5 Transcribe

Google Gemini 3.5 Transcribe to model synchroniczny do przekształcania kompletnych, wcześniej nagranych plików audio w zapis mowy. Opiera się na możliwościach rozumienia audio Gemini, ale ma kontrakt wejścia i wyjścia właściwy dla transkrypcji. Osobna edycja Gemini 3.5 Transcribe Live odbiera strumień audio i zwraca wyniki przyrostowo. Ten model do przetwarzania nagranego audio tworzy kompletny transkrypt z opcjonalnymi znacznikami czasu słów lub przypisaniem wypowiedzi do mówców, zależnie od wybranej konfiguracji.

Przygotuj wyraźne nagranie z mową, która nie jest silnie przesterowana lub ucięta, i w miarę możliwości z wyraźnym rozdzieleniem głosów. Synchroniczne przykłady producenta przekazują audio WAV jako bajty pliku lub zapisany zasób audio, z określonym typem MIME. Zachowaj oryginalne audio do kontroli. Zamierzonym wynikiem może być sprawdzony transkrypt wywiadu, rekord wyrównania napisów lub czytelny zapis dyktowania; zdecyduj, jaki rezultat jest potrzebny, zanim połączysz funkcje zmieniające sformułowania lub dodające metadane.

Google dokumentuje automatyczne wykrywanie języka w ponad 85 językach, w tym mieszanie języków w jednej sesji. Poziomy obsługi języków różnią się, a podanie znanego języka jako wskazówki może poprawić rozpoznawanie. Własne słownictwo dostarcza charakterystycznych nazw, marek lub terminów specjalistycznych, które prawdopodobnie wystąpią. Producent dopuszcza do 1,000 terminów i zaznacza, że ukierunkowane listy do około 100 zazwyczaj działają najlepiej. Dobieraj nietypowe terminy istotne dla nagrania i sprawdzaj je względem audio, zamiast zakładać, że wskazówka słownictwa dowodzi wypowiedzenia terminu.

VERBATIM jest trybem domyślnym. Zachowuje wypełniacze, powtórzenia, falstarty i wypowiedziane poprawki, aby tekst pozostał zapisem sformułowań. Tego trybu należy używać, gdy zadanie wymaga znaczników czasu na poziomie słów lub diaryzacji mówców. Na przykład w wywiadzie zachowaj oryginalne tury i znaczniki czasu, a następnie popraw ważne nazwy i wielkości przez odsłuch odpowiedniego fragmentu. Późniejsze podsumowanie lub dopracowany artykuł może korzystać z tego sprawdzonego zapisu bez milczącego zastępowania tego, co powiedział mówca.

Tryb SMART jest przeznaczony do uzyskiwania czytelnego tekstu z dyktowania. Usuwa niepłynności, rozstrzyga samopoprawki w toku wypowiedzi i porządkuje materiał mówiony w akapity lub listy, z odpowiednio znormalizowanymi datami i liczbami. Dyktowana lista zadań może stać się czytelną listą zamiast ciągu wypowiadanych zwrotów przejściowych. Przetwarzanie to zmienia postać transkryptu. Google wyraźnie stwierdza, że SMART jest niezgodny ze znacznikami czasu słów i diaryzacją, dlatego wybieraj go, gdy potrzebny jest czytelny tekst, zamiast próbować używać go jako zapisu ze znacznikami czasu i przypisaniem wypowiedzi do mówców.

Po włączeniu znaczników czasu słów odpowiedź zawiera rozpoznane słowa z przesunięciami początku i końca. Pomagają one znaleźć poprawkę w nagraniu lub przygotować napisy. Producent wskazuje kompromis dotyczący dokładności wynikający z włączenia znaczników czasu na poziomie słów. Sprawdzaj zarówno tekst, jak i wyrównanie, zwłaszcza przy szybkiej mowie, nakładaniu się wypowiedzi lub nietypowej terminologii. Przydatny transkrypt ze znacznikami czasu zachowuje razem zapis słów i audio źródłowe, zamiast traktować płynne zdanie jako dowód poprawnego wyrównania.

Diaryzacja mówców identyfikuje i oznacza głosy w nagranym audio; udokumentowano do ośmiu mówców. Przypisanie przy trzech lub większej liczbie mówców producent określa jako eksperymentalne. Traktuj etykiety jako wywnioskowane grupowanie mówców i sprawdzaj przejścia względem nagrania. Etykieta mówcy nie jest niezależnym dowodem tożsamości lub roli osoby. Jeśli zadanie wymaga nazwisk, powiąż etykiety ze znanymi informacjami o nagraniu, zamiast wymyślać tożsamości na podstawie rozpoznanych słów.

Tabela funkcji producenta podaje 15-minutowe okno nagranego audio, z przetwarzaniem pliku ograniczonym do tego czasu po włączeniu funkcji takich jak znaczniki czasu lub diaryzacja. Dłuższy materiał źródłowy przygotuj jako odpowiednie segmenty, zachowując ich kolejność i oryginalne położenie w czasie. Transkrypt modelu, słowa ze znacznikami czasu i fragmenty z oznaczeniami mówców są różnymi reprezentacjami wyniku; zachowaj reprezentację potrzebną do zadania. Tych limitów audio nie należy zastępować wartościami kontekstu lub czasu z ogólnego modelu multimodalnego Gemini. Google wymienia formatowanie SMART, znaczniki czasu na poziomie słów i diaryzację mówców jako funkcje eksperymentalne.

Kontrakt wyjścia jest właściwy dla transkrypcji. Formatowanie SMART tworzy czytelny tekst, ale nie dodaje ogólnego kontraktu odpowiedzi według schematu JSON, możliwości wywoływania narzędzi ani przepływu asystenta wykonującego instrukcje. W rezultacie końcowym sprawdź ważne sformułowania, liczby i przeczenia względem audio, zachowaj każdy nierozstrzygnięty fragment do poprawy i zapisz wybrany tryb razem z wynikiem. Dzięki temu wiadomo, czy rezultat rejestruje oryginalne wypowiedziane słowa, czy przedstawia wyprowadzoną z nich zredagowaną wersję do czytania.