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.
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.
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.
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.
", "aboutText": "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.\n\n### Línguas e duração\n\nSão 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**.\n\nA 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`.\n\n### Modos de transcrição\n\nPor 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.\n\nA 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.\n\n### Termos e ficheiros\n\nO 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.\n\nOs 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.\n\nNão 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.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "076d6b0cccf01c75df226f3f6bfe988a30b5b879a17a6abde14fb693b6d2aa16", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "pt-pt", "methods": [ { "html": "gemini-3.5-transcribeModelo da Google para reconhecimento de fala, deteção da língua, identificação de intervenientes e marcas temporais por palavra.
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.
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.
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.
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.
POST /v1/audio/transcriptionsaudiotext| Campo | Tipo | Requisito | Valores e limites | Predefinição |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObrigatório | Valores e limites gemini-3.5-transcribe | Predefinição— |
Campofile | Tipofile | 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— |
Camporesponse_format | Tipostring | RequisitoOpcional | Valores e limites json | Predefinição— |
speech_to_text · Obrigatório: actual audio file
| Parâmetro | Contrato |
|---|---|
Parâmetromaterial_types | Contratoaudio |
Parâmetrorequired | Contratonull |
Parâmetrooptional_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.
POST /v1/audio/transcriptionsO 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 →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_AUDIO_FILE:?Set your actual MP3 recording}"\nexport AILOOT_AUDIO_FILE\npython3 - <<'PY_REQUEST'\nimport os\nfrom pathlib import Path\nf=Path(os.environ["AILOOT_AUDIO_FILE"])\nif not f.is_file() or f.suffix.lower()!=".mp3":raise SystemExit("Choose your actual MP3 recording")\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/audio/transcriptions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" \\\n --form-string model=gemini-3.5-transcribe -F "file=@$AILOOT_AUDIO_FILE" \\\n -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nprint(json.dumps(json.loads(Path("result.json").read_text()),ensure_ascii=False,indent=2))\nPY_RESULT\njson
GET /v1/media/tasks/{task_id}GET /v1/media/assets/{asset_id}/contentGET /v1/media/assetsGET /v1/media/assets/{asset_id}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.
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.
| Campo | Tipo |
|---|---|
Campotext | Tipostring |
Camposegments[] | Tipoobject |
Campotask_id | Tipostring |
Campoasset_url | Tipostring |
Campousage | Tipoobject |
| 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. |
Respostaserver_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. |
Ailoot gemini-3.5-transcribe
Use os caminhos dos métodos indicados acima.