Gemini 3.5 Transcribe

Model Googlu na rozpoznávanie reči, určovanie jazyka, rozlišovanie hovoriacich a časové značky slov.

Ailoot · Prevod reči na text POST /v1/audio/transcriptions gemini-3.5-transcribe

O modeli

Tento opis pokrýva možnosti modelu. Dostupné vstupy, výstupy a voľby v Ailoot sú uvedené nižšie pre vybranú metódu.

Gemini 3.5 Transcribe prevádza audiosúbor na text. Okrem prepisu podporuje určovanie jazyka, rozlišovanie hovoriacich, časové značky jednotlivých slov, špeciálny slovník a inteligentnú úpravu textu.

Jazyky a trvanie

Podporovaných je viac ako 85 jazykov, vrátane ruštiny, a prepínanie medzi jazykmi v rámci nahrávky. Jazyk sa určuje automaticky. Bežná požiadavka spracuje audio s trvaním do jednej hodiny. Pri rozlišovaní hovoriacich alebo zapnutých časových značkách slov sa limit skracuje na 30 minút.

Výstup zahŕňa úplný text prepisu a v príslušných režimoch samostatné anotácie slov. Model je určený na spracovanie súborov; nepretržité rozpoznávanie v reálnom čase patrí do samostatnej verzie gemini-3.5-transcribe-live.

Režimy prepisu

Predvolene sa používa doslovný prepis. Inteligentný režim odstraňuje výplňové slová, zohľadňuje opravy vlastných výrokov hovoriaceho a formátuje text. Tento režim nemožno kombinovať s rozlišovaním hovoriacich ani časovými značkami slov.

Rozlišovanie reči podporuje až osem hovoriacich. Určovanie toho, kto vyslovil repliku, má pri troch a viacerých hovoriacich experimentálny status. Časové značky pomáhajú prepojiť text s nahrávkou, ich zapnutie však môže znížiť presnosť rozpoznávania.

Termíny a súbory

Slovník používateľských termínov pojme až 1 000 položiek; Google uvádza, že zvyčajne je lepšie obmedziť ho približne na stovku. Takýto slovník nie je kompatibilný s rozlišovaním hovoriacich ani časovými značkami slov. Pri výbere režimu preto treba zvážiť, čo je dôležitejšie: špeciálne termíny alebo podrobné označenie účastníkov a času.

Podporované audioformáty zahŕňajú WAV, MP3, AIFF, AAC, OGG, FLAC, MPEG, M4A, L16, Opus, A-law, mu-law a WebM. Pre spracovanie súboru sú zverejnené limity trvania a kombinácie režimov. V opise rodiny Transcribe sa uvádza aj kontext 96K tokenov a textový výstup 32K tokenov; tieto charakteristiky rodiny nenahrádzajú obmedzenia súboru vo zvolenej metóde.

Ukladanie kontextu do vyrovnávacej pamäte, vykonávanie kódu, vyhľadávanie v súboroch, volania funkcií, tvorba obrázkov ani Thinking nie sú podporované. Špecializáciou modelu je získať zo zvuku text a anotácie, nie generovať novú reč.

Ailoot · Prevod reči na text POST /v1/audio/transcriptions gemini-3.5-transcribe

gemini-3.5-transcribe

Google /gemini-3.5-transcribe

Úvod

Model Googlu na rozpoznávanie reči, určovanie jazyka, rozlišovanie hovoriacich a časové značky slov.

Povolené vstupy: Audio
Výsledky: Text

Dostupné v Ailoot · vstupy a metódy

Ailoot · Prevod reči na text POST /v1/audio/transcriptions

Vstup: audio
Výstup: text
Výstupný formát: json

Pole	Typ	Požiadavka	Hodnoty a limity	Predvolené
Pole`model`	Typ`string`	PožiadavkaPovinné	Hodnoty a limity gemini-3.5-transcribe	Predvolené—
Pole`file`	Typ`file`	PožiadavkaPovinné	Hodnoty a limity Maximálny počet bajtov: 67 108 864 Formáty súborov: wav, mp3, m4a, ogg, webm, flac Typ obsahu: multipart/form-data Maximálne trvanie, sekundy: 600	Predvolené—
Pole`response_format`	Typ`string`	PožiadavkaVoliteľné	Hodnoty a limity json	Predvolené—

Kombinácie vstupných podkladov

speech_to_text · Povinné: actual audio file

Parametre a životný cyklus metódy

Parameter	Špecifikácia
Parameter`material_types`	Špecifikáciaaudio
Parameter`required`	Špecifikácianull
Parameter`optional_controls`	Špecifikácianull

Životný cyklus: synchronous_result_then_owned_library

GET /v1/media/tasks/{task_id} · skutočne vrátené task_id alebo záznam v knižnici médií

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

GET /v1/media/assets

GET /v1/media/assets/{asset_id}

Štruktúry metód a ID sú presné; možnosti dodávateľa sa posudzujú oddelene od prijatia požiadavky.

Cenník

Sadzby metód Ailoot

Ailoot Prevod reči na textPOST /v1/audio/transcriptions

Vstup: 0,01 USD za každú začatú minútu

Ailoot pred požiadavkou rezervuje odhadovanú sumu. Po získaní výsledku vyúčtuje konečný poplatok podľa nameraného využitia. Pri streamovaní sa vyúčtovanie riadi konečným záznamom využitia. Ako funguje rezervácia a vyúčtovanie →

Príklady požiadaviek

Ailoot · Prevod reči na text

Príklad prepisu

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

Prijať a uložiť výsledky

Ailoot · Prevod reči na text

json

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

Uchovať všetky dokončené výsledky

Uložte každú úplnú vrátenú odpoveď, súbor a časť obsahu.

Zachovajte celý JSON, nielen text; zachovajte každý dostupný segment, hovoriaceho a časovú značku aj skutočnú identitu úlohy alebo súboru.

Ak treba overiť pôvodnú odpoveď

Uchovajte pôvodné operation_id/X-Client-Request-ID na zosúladenie záznamov bez opätovného odoslania; neexistuje samostatná trasa na priebežné zisťovanie stavu zvuku.

Polia odpovede

Pole	Typ
Pole`text`	Typstring
Pole`segments[]`	Typobject
Pole`task_id`	Typstring
Pole`asset_url`	Typstring
Pole`usage`	Typobject

Chyby a ďalšie kroky

Odpoveď	Podmienka	Ďalší krok
Odpoveď400 · `invalid_request_error`	PodmienkaNeplatné povinné polia, reprezentácia materiálu alebo hodnota parametra	Ďalší krokPred novou požiadavkou na vytvorenie opravte uvedené polia.
Odpoveď`server_error`	PodmienkaVrátená odpoveď uvádza, že operáciu alebo výsledok je potrebné skontrolovať	Ďalší krokUchovajte pôvodné vrátené ID operácie/úlohy, hlavičky požiadavky a odpoveď; naďalej čítajte údaje o tejto pôvodnej operácii podporovaným spôsobom. Požiadavku na vytvorenie znova neodosielajte.

Aliasy

Aliasy modelov

Ailoot gemini-3.5-transcribe

Aliasy ciest metód

Použite cesty metód uvedené vyššie.

Súvisiace ID na volanie

gemini-3.5-transcribe

FAQ · Gemini 3.5 Transcribe

Aké vstupy a výsledky sú dostupné?: POST /v1/audio/transcriptions · gemini-3.5-transcribe: audio → text
Aké polia používa požiadavka?: POST /v1/audio/transcriptions · gemini-3.5-transcribe: model, file, response_format

Gemini 3.5 Transcribe