Gemini 3.5 Transcribe

Модель Google для распознавания речи, определения языка, разделения говорящих и временных меток слов.

Ailoot · Распознавание речи в текст POST /v1/audio/transcriptions gemini-3.5-transcribe

О модели

Описание раскрывает возможности модели. Доступные в Ailoot входные данные, результаты и параметры выбранного метода перечислены ниже.

Gemini 3.5 Transcribe преобразует аудиофайл в текст. Кроме расшифровки она поддерживает определение языка, выделение говорящих, временные метки отдельных слов, специальный словарь и интеллектуальную подготовку текста.

Языки и длительность

Поддерживаются более 85 языков, включая русский, и переключение между языками внутри записи. Язык определяется автоматически. Обычный запрос обрабатывает аудио продолжительностью до одного часа. При разделении говорящих или включённых метках времени слов предел сокращается до 30 минут.

Выход включает полный текст расшифровки и, для соответствующих режимов, отдельные аннотации слов. Модель предназначена для обработки файлов; непрерывное распознавание в реальном времени относится к отдельной версии gemini-3.5-transcribe-live.

Режимы расшифровки

По умолчанию используется дословная расшифровка. Интеллектуальный режим убирает слова-заполнители, учитывает самоисправления говорящего и форматирует текст. Такой режим нельзя объединять с разделением говорящих и метками времени слов.

Разделение речи поддерживает до восьми говорящих. Определение того, кто произнёс реплику, для трёх и более говорящих имеет экспериментальный статус. Временные метки помогают связать текст с записью, но их включение может снижать точность распознавания.

Термины и файлы

Словарь пользовательских терминов вмещает до 1 000 записей; Google отмечает, что обычно лучше ограничить его примерно сотней. Такой словарь несовместим с разделением говорящих и временными метками слов. Поэтому выбор режима должен учитывать, что важнее: специальные термины или подробная разметка участников и времени.

Поддерживаемые аудиоформаты включают WAV, MP3, AIFF, AAC, OGG, FLAC, MPEG, M4A, L16, Opus, A-law, mu-law и WebM. Для обработки файла опубликованы пределы длительности и сочетания режимов. В описании семейства Transcribe также указаны контекст 96K токенов и текстовый выход 32K токенов; эти характеристики семейства не заменяют ограничения файла в выбранном методе.

Кэширование контекста, выполнение кода, поиск по файлам, вызовы функций, создание изображений и Thinking не поддерживаются. Специализация модели — получить текст и разметку из звука, а не сгенерировать новую речь.

Ailoot · Распознавание речи в текст POST /v1/audio/transcriptions gemini-3.5-transcribe

gemini-3.5-transcribe

Google /gemini-3.5-transcribe

Начало

Модель Google для распознавания речи, определения языка, разделения говорящих и временных меток слов.

Допустимые входные данные: Аудио
Результаты: Текст

Доступно в Ailoot · входные данные и методы

Ailoot · Распознавание речи в текст POST /v1/audio/transcriptions

Входные данные: audio
Результат: text
Выходной формат: json

Поле	Тип	Требование	Значения и ограничения	По умолчанию
Поле`model`	Тип`string`	ТребованиеОбязательно	Значения и ограничения gemini-3.5-transcribe	По умолчанию—
Поле`file`	Тип`file`	ТребованиеОбязательно	Значения и ограничения Максимум байтов: 67 108 864 Форматы файлов: wav, mp3, m4a, ogg, webm, flac Тип содержимого: multipart/form-data Максимальная длительность, секунды: 600	По умолчанию—
Поле`response_format`	Тип`string`	ТребованиеНеобязательно	Значения и ограничения json	По умолчанию—

Сочетания входных материалов

speech_to_text · Обязательно: actual audio file

Параметры и жизненный цикл метода

Параметр	Контракт
Параметр`material_types`	Контрактaudio
Параметр`required`	Контрактnull
Параметр`optional_controls`	Контрактnull

Жизненный цикл: synchronous_result_then_owned_library

GET /v1/media/tasks/{task_id} · Фактически возвращённый task_id или запись в медиатеке

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

GET /v1/media/assets

GET /v1/media/assets/{asset_id}

Структуры методов и ID указаны точно; возможности поставщика рассматриваются отдельно от допуска.

Тарифы

Ставки методов Ailoot

Ailoot Распознавание речи в текстPOST /v1/audio/transcriptions

Вход: 0,01 $ за каждую начатую минуту

Ailoot резервирует расчётную сумму перед запросом. После получения результата списывает итоговую плату по измеренному расходу. Для окончательного списания за потоковый ответ используется итоговая запись расхода. Как работают резервирование и расчёт →

Примеры запросов

Ailoot · Распознавание речи в текст

Пример расшифровки

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

Получить и сохранить результаты

Ailoot · Распознавание речи в текст

json

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

Сохраняйте все готовые результаты

Сохраняйте каждый полностью полученный ответ, файл и элемент содержимого.

Сохраните полный JSON, а не только текст; сохраняйте каждый доступный сегмент, говорящего, временную метку и фактическую идентичность задачи или ресурса.

Если нужно проверить исходный ответ

Сохраняйте исходный operation_id/X-Client-Request-ID для сверки без повторной отправки; отдельного маршрута опроса аудио нет.

Поля ответа

Поле	Тип
Поле`text`	Типstring
Поле`segments[]`	Типobject
Поле`task_id`	Типstring
Поле`asset_url`	Типstring
Поле`usage`	Типobject

Ошибки и дальнейшие шаги

Ответ	Условие	Следующий шаг
Ответ400 · `invalid_request_error`	УсловиеНеверные обязательные поля, представление материалов или значение параметра	Следующий шагИсправьте указанные поля перед новым запросом на создание.
Ответ`server_error`	УсловиеВозвращённый ответ указывает, что операция или результат требуют проверки	Следующий шагСохраните исходный возвращённый ID операции или задачи, заголовки запроса и ответ; продолжайте поддерживаемые операции чтения исходной операции. Не отправляйте запрос создания повторно.

Псевдонимы

Псевдонимы моделей

Ailoot gemini-3.5-transcribe

Псевдонимы путей метода

Используйте пути методов, указанные выше.

Связанные ID для вызова

gemini-3.5-transcribe

FAQ · Gemini 3.5 Transcribe

Какие входные данные и результаты доступны?: POST /v1/audio/transcriptions · gemini-3.5-transcribe: audio → text
Какие поля использует запрос?: POST /v1/audio/transcriptions · gemini-3.5-transcribe: model, file, response_format

Gemini 3.5 Transcribe