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.
", "aboutText": "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.\n\nPrzygotuj 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.\n\nGoogle 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.\n\nVERBATIM 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.\n\nTryb 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.\n\nPo 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.\n\nDiaryzacja 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.\n\nTabela 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.\n\nKontrakt 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.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "972a4cc907ac6e567ce260db9af694e3212c04f069fc3183cd5784d672226f2c", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "pl", "methods": [ { "html": "google/gemini-3.5-transcribeGoogle Gemini 3.5 Transcribe zamienia nagraną mowę na tekst z automatycznym wykrywaniem języka, własnym słownictwem oraz opcjonalnymi znacznikami czasu słów lub diaryzacją mówców. Wybierz VERBATIM dla znaczników czasu i przypisania wypowiedzi do mówców albo SMART dla czytelnego zapisu dyktowanej treści; trybu SMART nie można łączyć z tymi dwiema funkcjami.
Ten opis przedstawia możliwości modelu. Dane wejściowe, wyniki i opcje dostępne w Ailoot podano poniżej dla wybranej metody.
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.
POST /v1/audio/transcriptionsaudiotext| Pole | Typ | Wymaganie | Wartości i limity | Domyślnie |
|---|---|---|---|---|
Polemodel | Typstring | WymaganieWymagane | Wartości i limity google/gemini-3.5-transcribe | Domyślnie— |
Poleinput_audio | Typobject | WymaganieWymagane | Wartości i limity | Domyślnie— |
Polelanguage | Typstring | WymaganieOpcjonalne | Wartości i limity | Domyślnie— |
Poletemperature | Typnumber | WymaganieOpcjonalne | Wartości i limity Minimum: 0 Maksimum: 1 | Domyślnie— |
Poleresponse_format | Typstring | WymaganieOpcjonalne | Wartości i limity json, verbose_json | Domyślniejson |
Poletimestamp_granularities | Typarray | WymaganieOpcjonalne | Wartości i limity | Domyślnie— |
Poleprovider | Typobject | WymaganieOpcjonalne | Wartości i limity | Domyślnie— |
| Parametr | Kontrakt |
|---|---|
Parametrcontent_type | Kontraktapplication/json |
Parametrrequired | Kontraktmodel, input_audio |
Parametrmaterial_types | Kontraktaudio |
Parametrmaterial_conditions | KontraktOdczytaj rzeczywisty plik WAV i zakoduj jego prawdziwe bajty dla zadeklarowanego wejścia JSON input_audio; dla tej konkretnej deklaracji obsługującej wyłącznie JSON nie deklaruje się ścieżki multipart. |
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}
Wyświetlane stawki służą do oszacowania kosztu przed generowaniem. Ostateczna opłata jest obliczana na podstawie kosztu zarejestrowanego dla pierwotnego generowania. Zmierzony czas trwania wyniku i prognozowane ilości nie stanowią ostatecznej ilości podlegającej rozliczeniu.
Informacje taryfowe nie dodają opcji żądania. Obsługiwane parametry podano przy wybranej metodzie.
Dopasuj każdą opłatę do pokazanych warunków. Użyj jednej stawki dla każdego zestawu alternatywnych konfiguracji.
| Konfiguracja | Tabela stawek | Przewidywana ilość | Jednostka rozliczeniowa | Opłata |
|---|---|---|---|---|
| KonfiguracjaBazowe stawki za tokeny | Tabela stawekStawka podstawowa | Przewidywana ilość— | Jednostka rozliczeniowa— | Opłata Wejście · Tokeny wejściowe · Szacunek tylko do porównania — / 1K tokenów Wyjście · Tokeny wyjściowe · Szacunek tylko do porównania — / 1K tokenów Wejście · Odczyt cache · Szacunek tylko do porównania — / 1K tokenów Wejście · Zapis do cache · Szacunek tylko do porównania — / 1K tokenów Wejście · Zapis do cache, 1 godz. · Szacunek tylko do porównania — / 1K tokenów |
| Konfiguracjatoken wejściowy | Tabela stawek— | Przewidywana ilość— | Jednostka rozliczeniowa/ 1K tokenów | Opłata Wejście · Szacunek tylko do porównania $0.004 / 1K tokenów |
| Konfiguracjatoken wyjściowy | Tabela stawek— | Przewidywana ilość— | Jednostka rozliczeniowa/ 1K tokenów | Opłata Wyjście · Szacunek tylko do porównania $0.024 / 1K tokenów |
| KonfiguracjaSzacowany koszt generowania | Tabela stawek— | Przewidywana ilośćszacunek dla jednego generowania | Jednostka rozliczeniowa— | Opłata Wyjście · Szacowany koszt generowania · Szacunek tylko do porównania $1.179648 szacunek przed generowaniem Ten szacunek nie jest dodatkową opłatą ani stałą stawką za ukończone generowanie. |
Ailoot rezerwuje szacowaną kwotę przed żądaniem. Po otrzymaniu wyniku rozlicza ostateczną opłatę według zmierzonego użycia. Rozliczenie strumieniowania korzysta z końcowego rekordu użycia. Jak działają rezerwacja i rozliczenie →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_AUDIO_FILE:?Set the path to your actual WAV recording}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\nimport base64\naudio=Path(os.environ['AILOOT_AUDIO_FILE']).read_bytes()\nif not (audio[:4]==b'RIFF' and audio[8:12]==b'WAVE'): raise SystemExit('Supply an actual WAV audio file')\nif len(audio)>26214400: raise SystemExit('Use a documented supported large-file flow')\nrequest={'model': 'google/gemini-3.5-transcribe', 'input_audio': {'data': '${BASE64_ACTUAL_WAV_BYTES}', 'format': 'wav'}}\nrequest['input_audio']['data']=base64.b64encode(audio).decode('ascii')\nPath('request.json').write_text(json.dumps(request,ensure_ascii=False),encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/audio/transcriptions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o response.bin\n# Keep the complete original response and headers. Read every returned segment, word and usage field.\n# Preserve actual operation/task/asset IDs; continue reads of the original result without resubmitting.\nGET /v1/media/tasks/{task_id}GET /v1/media/assets/{asset_id}/contentGET /v1/media/assetsGET /v1/media/assets/{asset_id}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/media/assets \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -o owned-assets.json\n# Preserve every returned asset and follow its exact signed content URL. Do not construct a signed token.\nZachowaj każdą kompletną zwróconą odpowiedź, plik i część treści.
Zachowaj pełną odpowiedź i nagłówki, wszystkie rzeczywiście uzyskane wyniki, pierwotnie zwrócone identyfikatory oraz wszystkie pola zużycia. Odzyskaj pierwotną operację bez ponownego wysyłania żądania utworzenia.
Zachowaj zwrócony X-Client-Request-ID do uzgodnienia danych. Odczytuj wyłącznie rzeczywiście zwrócone wartości task_id/asset_id lub własną bibliotekę multimediów; nigdy nie buduj adresu URL zadania na podstawie identyfikatora operacji i nigdy nie wysyłaj ponownie żądania utworzenia.
| Pole | Typ |
|---|---|
Poletext | Typ |
Poleusage | Typ |
Polesegments[] | Typ |
Polewords[] | Typ |
Polespeaker fields | Typ |
Poletimestamps | Typ |
Ailoot Ultra google/gemini-3.5-transcribe
Użyj ścieżek metod podanych powyżej.