Google: Gemini 3.5 Transcribe

Google Gemini 3.5 Transcribe prevádza nahranú reč na text s automatickým rozpoznaním jazyka, vlastným slovníkom a voliteľným časovaním slov alebo diarizáciou hovoriacich. Na časovanie a priradenie hovoriacich vyberte VERBATIM, na čitateľný diktát SMART; SMART nemožno kombinovať s týmito dvoma funkciami.

Ailoot Ultra · Prepis zvuku POST /v1/audio/transcriptions google/gemini-3.5-transcribe

O modeli

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

Google Gemini 3.5 Transcribe je synchrónny model na prevod celých vopred nahraných zvukových súborov na písanú podobu reči. Vychádza zo schopností Gemini porozumieť zvuku, ale má vstupné a výstupné rozhranie určené osobitne na prepis. Samostatná edícia Gemini 3.5 Transcribe Live prijíma zvukový prúd a vracia priebežné výsledky. Tento model pre nahraný zvuk vytvára dokončený prepis s voliteľným časovaním slov alebo priradením hovoriacich podľa zvolenej konfigurácie.

Pripravte čistú nahrávku, v ktorej reč nie je výrazne skreslená orezaním signálu a jednotlivé hlasy sú podľa možností dobre oddelené. Synchrónne príklady výrobcu odovzdávajú zvuk WAV ako bajty súboru alebo ako uložený zvukový zdroj s uvedeným typom MIME. Pôvodný zvuk ponechajte dostupný na kontrolu. Zamýšľaným výsledkom môže byť overený prepis rozhovoru, záznam na časové zarovnanie titulkov alebo čitateľný diktát; ešte pred kombinovaním funkcií, ktoré menia znenie alebo pridávajú metadáta, sa rozhodnite, ktorý artefakt potrebujete.

Google dokumentuje automatické rozpoznávanie viac než 85 jazykov vrátane miešania jazykov v rámci jednej relácie. Úrovne jazykovej podpory sa líšia a údaj o známom jazyku môže zlepšiť rozpoznávanie. Vlastný slovník poskytuje konkrétne mená, značky alebo odborné výrazy, ktoré sa pravdepodobne vyskytnú. Výrobca povoľuje až 1 000 výrazov a uvádza, že najlepšie zvyčajne fungujú cielené zoznamy približne do 100 výrazov. Neobvyklé výrazy voľte podľa nahrávky a overujte ich vo zvuku; nenazdávajte sa, že slovníková nápoveda dokazuje, že výraz skutočne zaznel.

VERBATIM je predvolený režim. Zachováva výplňové slová, opakovania, nedokončené začiatky a vyslovené opravy, aby text zostal záznamom pôvodného znenia. Tento režim použite, keď úloha potrebuje časové značky na úrovni slov alebo diarizáciu hovoriacich. Pri rozhovore napríklad zachovajte pôvodné repliky a časovanie a potom počúvaním príslušnej pasáže opravte dôležité mená a množstvá. Neskoršie zhrnutie alebo upravený článok môže využívať tento overený záznam bez skrytého nahrádzania toho, čo hovoriaci povedal.

Režim SMART je určený na čitateľný diktát. Odstraňuje neplynulosti, spracúva priebežné sebaopravy a štruktúruje hovorený materiál do odsekov alebo zoznamov, pričom podľa potreby normalizuje dátumy a čísla. Diktovaný zoznam úloh sa môže zmeniť na čitateľný zoznam namiesto sledu hovorených prechodov. Toto spracovanie mení formu prepisu. Google výslovne uvádza, že SMART je nekompatibilný s časovými značkami slov a diarizáciou, preto ho vyberte, keď potrebujete čitateľný text, namiesto pokusu použiť ho ako časovaný záznam s priradenými hovoriacimi.

Keď je časovanie slov zapnuté, odpoveď obsahuje rozpoznané slová s počiatočnými a koncovými časovými posunmi. Pomáhajú lokalizovať opravu v nahrávke alebo pripraviť titulky. Výrobca upozorňuje na kompromis v presnosti pri zapnutí časových značiek na úrovni slov. Kontrolujte text aj zarovnanie, najmä pri rýchlej reči, prekrývaní hlasov alebo neobvyklej terminológii. Užitočný časovaný prepis uchováva záznam slov spolu so zdrojovým zvukom namiesto toho, aby plynulú vetu považoval za dôkaz správneho zarovnania.

Diarizácia hovoriacich identifikuje a označuje hlasy v nahranom zvuku; dokumentovaná je podpora až ôsmich hovoriacich. Priradenie pri troch alebo viacerých hovoriacich výrobca opisuje ako experimentálne. Označenia považujte za odvodené zoskupenia hovoriacich a prechody kontrolujte podľa nahrávky. Označenie hovoriaceho nie je nezávislým dôkazom identity alebo roly osoby. Ak úloha vyžaduje mená, spojte označenia so známymi informáciami o nahrávke namiesto vymýšľania identít z rozpoznaných slov.

Tabuľka funkcií výrobcu uvádza 15-minútové okno pre nahraný zvuk, pričom pri zapnutých funkciách, ako sú časové značky alebo diarizácia, je spracovanie súboru obmedzené na toto trvanie. Dlhší zdrojový materiál pripravte ako vhodné segmenty pri zachovaní ich poradia a pôvodnej časovej polohy. Prepis modelu, časované slová a časti označené hovoriacimi sú rôzne reprezentácie výsledku; zachovajte tú, ktorú úloha potrebuje. Tieto limity špecifické pre zvuk nenahrádzajte údajmi o kontexte alebo trvaní zo všeobecného multimodálneho modelu Gemini. Google uvádza formátovanie SMART, časové značky na úrovni slov a diarizáciu hovoriacich ako experimentálne funkcie.

Výstupné rozhranie je špecifické pre prepis. Formátovanie SMART vytvára čitateľný text, ale nepridáva všeobecnú podporu odpovedí podľa schémy JSON, volanie nástrojov ani pracovný postup asistenta vykonávajúceho pokyny. Pri konečnom artefakte overte dôležité znenie, čísla a zápory podľa zvuku, zachovajte nejasné segmenty na opravu a spolu s výsledkom uchovajte vybraný režim. Bude tak zrejmé, či výstup zaznamenáva pôvodné hovorené znenie alebo poskytuje upravenú čitateľnú verziu z neho odvodenú.

Ailoot Ultra · Prepis zvuku POST /v1/audio/transcriptions google/gemini-3.5-transcribe

google/gemini-3.5-transcribe

Google /google/gemini-3.5-transcribe

Úvod

Povolené vstupy: Audio
Výsledky: Text

Dostupné v Ailoot · vstupy a metódy

Ailoot Ultra · Prepis zvuku POST /v1/audio/transcriptions

Vstup: audio
Výstup: text

Pole	Typ	Požiadavka	Hodnoty a limity	Predvolené
Pole`model`	Typ`string`	PožiadavkaPovinné	Hodnoty a limity google/gemini-3.5-transcribe	Predvolené—
Pole`input_audio`	Typ`object`	PožiadavkaPovinné	Hodnoty a limity	Predvolené—
Pole`language`	Typ`string`	PožiadavkaVoliteľné	Hodnoty a limity	Predvolené—
Pole`temperature`	Typ`number`	PožiadavkaVoliteľné	Hodnoty a limity Minimum: 0 Maximum: 1	Predvolené—
Pole`response_format`	Typ`string`	PožiadavkaVoliteľné	Hodnoty a limity json, verbose_json	Predvolenéjson
Pole`timestamp_granularities`	Typ`array`	PožiadavkaVoliteľné	Hodnoty a limity	Predvolené—
Pole`provider`	Typ`object`	PožiadavkaVoliteľné	Hodnoty a limity	Predvolené—

Parametre a životný cyklus metódy

Parameter	Špecifikácia
Parameter`content_type`	Špecifikáciaapplication/json
Parameter`required`	Špecifikáciamodel, input_audio
Parameter`material_types`	Špecifikáciaaudio
Parameter`material_conditions`	ŠpecifikáciaNačítajte skutočný súbor WAV a zakódujte jeho reálne bajty pre deklarovaný vstup JSON input_audio; pre túto presnú deklaráciu iba s JSON sa neuvádza žiadna trasa multipart.

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}

Cenník

Ako sa vypočíta konečný poplatok

Zobrazené sadzby slúžia na odhad nákladov pred generovaním. Konečný poplatok sa vypočíta z nákladov zaznamenaných pri pôvodnom generovaní. Namerané trvanie výstupu a predpokladané množstvá nepredstavujú konečné účtované množstvo.

Tarifné údaje nepridávajú možnosti požiadavky. Podporované parametre sú uvedené pri vybranej metóde.

Rýchly režim: Neuvedené Keď je zvolený rýchly režim
Režim Flex: Neuvedené Keď je zvolený režim flex
Maximálna úroveň uvažovania: Neuvedené Keď sa pri maximálnej úrovni uvažovania používa predvolená úprava (default)

Odhadované sadzby na porovnanie

Ceny podľa konfigurácie

Každý poplatok priraďte k zobrazeným podmienkam. Pre každú skupinu alternatívnych konfigurácií použite jednu sadzbu.

Konfigurácia	Sadzobník	Odhadované množstvo	Účtovacia jednotka	Poplatok
KonfiguráciaZákladné sadzby za tokeny	SadzobníkZákladná sadzba	Odhadované množstvo—	Účtovacia jednotka—	Poplatok Vstup · Vstupné tokeny · Odhad iba na porovnanie — / 1K tokenov Výstup · Výstupné tokeny · Odhad iba na porovnanie — / 1K tokenov Vstup · Čítanie cache · Odhad iba na porovnanie — / 1K tokenov Vstup · Zápis do cache · Odhad iba na porovnanie — / 1K tokenov Vstup · Zápis do cache, 1 hod · Odhad iba na porovnanie — / 1K tokenov
Konfiguráciavstupný token	Sadzobník—	Odhadované množstvo—	Účtovacia jednotka/ 1K tokenov	Poplatok Vstup · Odhad iba na porovnanie $0.004 / 1K tokenov
Konfiguráciavýstupný token	Sadzobník—	Odhadované množstvo—	Účtovacia jednotka/ 1K tokenov	Poplatok Výstup · Odhad iba na porovnanie $0.024 / 1K tokenov
KonfiguráciaOdhadované náklady na generovanie	Sadzobník—	Odhadované množstvoodhad pre jedno generovanie	Účtovacia jednotka—	Poplatok Výstup · Odhadované náklady na generovanie · Odhad iba na porovnanie $1.179648 odhad pred generovaním Tento odhad nepredstavuje dodatočný poplatok ani pevnú sadzbu za dokončené generovanie.

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 Ultra · Prepis zvuku

curl · presné telo požiadavky v natívnom formáte a úplný výsledok

set -eu
: "${AILOOT_API_KEY:?Set your Ailoot API key}"
: "${AILOOT_AUDIO_FILE:?Set the path to your actual WAV recording}"
python3 - <<'PY_REQUEST'
import json,os
from pathlib import Path
import base64
audio=Path(os.environ['AILOOT_AUDIO_FILE']).read_bytes()
if not (audio[:4]==b'RIFF' and audio[8:12]==b'WAVE'): raise SystemExit('Supply an actual WAV audio file')
if len(audio)>26214400: raise SystemExit('Use a documented supported large-file flow')
request={'model': 'google/gemini-3.5-transcribe', 'input_audio': {'data': '${BASE64_ACTUAL_WAV_BYTES}', 'format': 'wav'}}
request['input_audio']['data']=base64.b64encode(audio).decode('ascii')
Path('request.json').write_text(json.dumps(request,ensure_ascii=False),encoding='utf-8')
PY_REQUEST
curl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/audio/transcriptions \
  -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \
  --data-binary @request.json -D response-headers.txt -o response.bin
# Keep the complete original response and headers. Read every returned segment, word and usage field.
# Preserve actual operation/task/asset IDs; continue reads of the original result without resubmitting.

Prijať a uložiť výsledky

Ailoot Ultra · Prepis zvuku

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

Čítanie ďalšieho obsahu

Čítať existujúce podklady, ktoré vám patria

set -eu
: "${AILOOT_API_KEY:?Set your Ailoot API key}"
curl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/media/assets \
  -H "Authorization: Bearer $AILOOT_API_KEY" -o owned-assets.json
# Preserve every returned asset and follow its exact signed content URL. Do not construct a signed token.

Uchovať všetky dokončené výsledky

Uložte každú úplnú vrátenú odpoveď, súbor a časť obsahu.

Uchovajte úplnú odpoveď a hlavičky, všetky skutočné výstupy, pôvodné vrátené identifikátory a všetky polia s údajmi o spotrebe. Obnovte pôvodnú operáciu bez opätovného odoslania požiadavky na vytvorenie.

Ak treba overiť pôvodnú odpoveď

Uchovajte vrátené X-Client-Request-ID na zosúladenie záznamov. Čítajte iba skutočne vrátené hodnoty task_id/asset_id alebo vlastnú knižnicu médií; nikdy nevytvárajte URL úlohy z ID operácie a nikdy znova neodosielajte požiadavku na vytvorenie.

Polia odpovede

Pole	Typ
Pole`text`	Typ
Pole`usage`	Typ
Pole`segments[]`	Typ
Pole`words[]`	Typ
Pole`speaker fields`	Typ
Pole`timestamps`	Typ

Aliasy

Aliasy modelov

Ailoot Ultra google/gemini-3.5-transcribe

Aliasy ciest metód

Použite cesty metód uvedené vyššie.

Súvisiace ID na volanie

google/gemini-3.5-transcribe

FAQ · Google: Gemini 3.5 Transcribe

Aké vstupy a výsledky sú dostupné?: POST /v1/audio/transcriptions · google/gemini-3.5-transcribe: audio → text
Aké polia používa požiadavka?: POST /v1/audio/transcriptions · google/gemini-3.5-transcribe: model, input_audio, language, temperature, response_format, timestamp_granularities, provider
Aké limity platia?: POST /v1/audio/transcriptions · google/gemini-3.5-transcribe: temperature.minimum: 0; temperature.maximum: 1

Google: Gemini 3.5 Transcribe