Gemini 3.5 Transcribe

Modelo da Google para reconhecimento de fala, deteção da língua, identificação de intervenientes e marcas temporais por palavra.

Ailoot · Voz para texto POST /v1/audio/transcriptions gemini-3.5-transcribe

Sobre o modelo

Esta descrição apresenta as capacidades do modelo. As entradas, saídas e opções disponíveis no Ailoot para o método selecionado estão indicadas abaixo.

Gemini 3.5 Transcribe converte um ficheiro de áudio em texto. Além da transcrição, suporta deteção da língua, identificação dos intervenientes, marcas temporais de palavras individuais, vocabulário especializado e preparação inteligente do texto.

Línguas e duração

São suportadas mais de 85 línguas, incluindo russo, e a alternância entre línguas na mesma gravação. A língua é detetada automaticamente. Um pedido comum processa áudio com duração de até uma hora. Com identificação de intervenientes ou marcas temporais por palavra ativadas, o limite reduz-se para 30 minutos.

A saída inclui o texto completo da transcrição e, nos modos correspondentes, anotações individuais das palavras. O modelo destina-se ao processamento de ficheiros; o reconhecimento contínuo em tempo real pertence à versão separada gemini-3.5-transcribe-live.

Modos de transcrição

Por predefinição, é utilizada transcrição literal. O modo inteligente remove palavras de preenchimento, considera as autocorreções do interveniente e formata o texto. Este modo não pode ser combinado com identificação de intervenientes nem marcas temporais por palavra.

A separação da fala suporta até oito intervenientes. A identificação de quem proferiu uma intervenção tem estatuto experimental para três ou mais intervenientes. As marcas temporais ajudam a relacionar o texto com a gravação, mas a sua ativação pode reduzir a precisão do reconhecimento.

Termos e ficheiros

O vocabulário de termos personalizados acomoda até 1 000 entradas; a Google assinala que, normalmente, é preferível limitá-lo a cerca de uma centena. Este vocabulário é incompatível com identificação de intervenientes e marcas temporais por palavra. A escolha do modo deve, por isso, considerar o que é mais importante: os termos especializados ou a anotação detalhada de participantes e tempos.

Os formatos de áudio suportados incluem WAV, MP3, AIFF, AAC, OGG, FLAC, MPEG, M4A, L16, Opus, A-law, mu-law e WebM. Para o processamento de ficheiros, estão publicados limites de duração e de combinação de modos. A descrição da família Transcribe indica também 96K tokens de contexto e 32K tokens de saída textual; estas características da família não substituem os limites do ficheiro no método escolhido.

Não são suportados cache de contexto, execução de código, pesquisa em ficheiros, chamadas de funções, criação de imagens nem Thinking. A especialização do modelo é obter texto e anotações a partir do som, em vez de gerar fala nova.

Ailoot · Voz para texto POST /v1/audio/transcriptions gemini-3.5-transcribe

gemini-3.5-transcribe

Google /gemini-3.5-transcribe

Introdução

Modelo da Google para reconhecimento de fala, deteção da língua, identificação de intervenientes e marcas temporais por palavra.

Entradas aceites: Áudio
Resultados: Texto

Disponível no Ailoot · entradas e métodos

Ailoot · Voz para texto POST /v1/audio/transcriptions

Entrada: audio
Saída: text
Formato de saída: json

Campo	Tipo	Requisito	Valores e limites	Predefinição
Campo`model`	Tipo`string`	RequisitoObrigatório	Valores e limites gemini-3.5-transcribe	Predefinição—
Campo`file`	Tipo`file`	RequisitoObrigatório	Valores e limites Número máximo de bytes: 67 108 864 Formatos de ficheiro: wav, mp3, m4a, ogg, webm, flac Tipo de conteúdo: multipart/form-data Duração máxima, em segundos: 600	Predefinição—
Campo`response_format`	Tipo`string`	RequisitoOpcional	Valores e limites json	Predefinição—

Combinações de materiais de entrada

speech_to_text · Obrigatório: actual audio file

Parâmetros e ciclo de vida do método

Parâmetro	Contrato
Parâmetro`material_types`	Contratoaudio
Parâmetro`required`	Contratonull
Parâmetro`optional_controls`	Contratonull

Ciclo de vida: synchronous_result_then_owned_library

GET /v1/media/tasks/{task_id} · task_id efetivamente devolvido ou registo na biblioteca de multimédia

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

GET /v1/media/assets

GET /v1/media/assets/{asset_id}

As estruturas dos métodos e os ID são exatos; a capacidade do fornecedor é distinta da admissão dos pedidos.

Tarifários

Tarifas dos métodos Ailoot

Ailoot Voz para textoPOST /v1/audio/transcriptions

Entrada: 0,01 US$ por minuto ou fração de minuto

O Ailoot reserva um montante estimado antes de um pedido. Após o resultado, liquida o custo final com base na utilização medida. No streaming, a liquidação usa o registo final de utilização. Como funcionam a reserva e a liquidação →

Exemplos de pedidos

Ailoot · Voz para texto

Exemplo de transcrição

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

Receber e guardar os resultados

Ailoot · Voz para texto

json

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

Guardar todos os resultados concluídos

Guarde cada resposta, ficheiro e parte de conteúdo devolvidos na íntegra.

Conserve o JSON completo, sem se limitar ao texto; preserve todos os segmentos/intervenientes/marcas temporais disponíveis e a identidade real da tarefa/recurso.

Se for necessário verificar a resposta original

Conserve o operation_id/X-Client-Request-ID original para reconciliação sem voltar a enviar o pedido; não existe uma rota dedicada à consulta periódica do estado do áudio.

Campos da resposta

Campo	Tipo
Campo`text`	Tipostring
Campo`segments[]`	Tipoobject
Campo`task_id`	Tipostring
Campo`asset_url`	Tipostring
Campo`usage`	Tipoobject

Erros e passos seguintes

Resposta	Condição	Passo seguinte
Resposta400 · `invalid_request_error`	CondiçãoCampos obrigatórios, representação do material ou valor do parâmetro inválidos	Passo seguinteCorrija os campos indicados antes de um novo pedido de criação.
Resposta`server_error`	CondiçãoA resposta devolvida indica que a operação ou o resultado requer verificação	Passo seguinteGuarde o ID original da operação/tarefa devolvido, os cabeçalhos do pedido e a resposta; continue a consultar essa operação original através das consultas suportadas. Não volte a enviar o pedido de criação.

Aliases

Aliases do modelo

Ailoot gemini-3.5-transcribe

Aliases dos caminhos dos métodos

Use os caminhos dos métodos indicados acima.

IDs de chamada relacionados

gemini-3.5-transcribe

FAQ · Gemini 3.5 Transcribe

Que entradas e resultados estão disponíveis?: POST /v1/audio/transcriptions · gemini-3.5-transcribe: audio → text
Que campos utiliza o pedido?: POST /v1/audio/transcriptions · gemini-3.5-transcribe: model, file, response_format

Gemini 3.5 Transcribe