Gemini 3.5 Transcribe

Modell från Google för taligenkänning, språkidentifiering, talarseparering och tidsstämplar för ord.

Ailoot · Tal till text POST /v1/audio/transcriptions gemini-3.5-transcribe

Om modellen

Den här beskrivningen omfattar modellens förmågor. Tillgängliga indata, utdata och alternativ i Ailoot anges nedan för den valda metoden.

Gemini 3.5 Transcribe omvandlar en ljudfil till text. Utöver transkription stöder den språkidentifiering, identifiering av talare, tidsstämplar för enskilda ord, en specialordlista och intelligent textbearbetning.

Språk och längd

Fler än 85 språk stöds, inklusive ryska, samt språkväxling inom inspelningen. Språket identifieras automatiskt. Ett vanligt anrop bearbetar ljud på upp till en timme. Med talarseparering eller aktiverade ordtidsstämplar minskar gränsen till 30 minuter.

Utdata omfattar hela transkriptionstexten och, i motsvarande lägen, separata ordannoteringar. Modellen är avsedd för filbearbetning. Kontinuerlig igenkänning i realtid hör till den separata versionen gemini-3.5-transcribe-live.

Transkriptionslägen

Ordagrann transkription används som standard. Det intelligenta läget tar bort utfyllnadsord, beaktar talarens självkorrigeringar och formaterar texten. Läget kan inte kombineras med talarseparering och ordtidsstämplar.

Talarseparering stöder upp till åtta talare. Identifiering av vem som sade en replik har experimentell status för tre eller fler talare. Tidsstämplar hjälper till att koppla texten till inspelningen, men aktivering av dem kan minska igenkänningens precision.

Termer och filer

Ordlistan med egna termer rymmer upp till 1 000 poster. Google anger att det vanligtvis är bättre att begränsa den till ungefär hundra. Ordlistan är inkompatibel med talarseparering och ordtidsstämplar. Valet av läge behöver därför ta hänsyn till vad som är viktigast: facktermer eller detaljerad märkning av deltagare och tid.

Ljudformaten som stöds omfattar WAV, MP3, AIFF, AAC, OGG, FLAC, MPEG, M4A, L16, Opus, A-law, mu-law och WebM. För filbearbetning har gränser för längd och lägeskombinationer publicerats. I beskrivningen av Transcribe-familjen anges även 96K token i kontext och 32K token i textutdata. Familjens egenskaper ersätter inte filbegränsningarna i den valda metoden.

Kontextcachning, kodkörning, filsökning, funktionsanrop, bildskapande och Thinking stöds inte. Modellens specialisering är att få fram text och märkning ur ljud, inte att generera nytt tal.

Ailoot · Tal till text POST /v1/audio/transcriptions gemini-3.5-transcribe

gemini-3.5-transcribe

Google /gemini-3.5-transcribe

Start

Modell från Google för taligenkänning, språkidentifiering, talarseparering och tidsstämplar för ord.

Godkända indata: Ljud
Resultat: Text

Tillgängligt i Ailoot · indata & metoder

Ailoot · Tal till text POST /v1/audio/transcriptions

Indatatyper: audio
Utdatatyper: text
Utdataformat: json

Fält	Typ	Krav	Värden & gränser	Standard
Fält`model`	Typ`string`	KravObligatoriskt	Värden & gränser gemini-3.5-transcribe	Standard—
Fält`file`	Typ`file`	KravObligatoriskt	Värden & gränser Maximalt antal byte: 67 108 864 Filformat: wav, mp3, m4a, ogg, webm, flac Innehållstyp: multipart/form-data Maximal längd, sekunder: 600	Standard—
Fält`response_format`	Typ`string`	KravValfritt	Värden & gränser json	Standard—

Kombinationer av indatamaterial

speech_to_text · Krävs: actual audio file

Metodparametrar och livscykel

Parameter	Avtal
Parameter`material_types`	Avtalaudio
Parameter`required`	Avtalnull
Parameter`optional_controls`	Avtalnull

Livscykel: synchronous_result_then_owned_library

GET /v1/media/tasks/{task_id} · Det task_id som faktiskt returnerades eller en post i mediebiblioteket

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

GET /v1/media/assets

GET /v1/media/assets/{asset_id}

Metodernas strukturer och ID:n är exakta; leverantörens funktioner är åtskilda från att begäran tillåts.

Priser

Priser för Ailoot-metoder

Ailoot Tal till textPOST /v1/audio/transcriptions

Indata: 0,01 US$ per påbörjad minut

Ailoot reserverar ett uppskattat belopp före en begäran. Efter resultatet slutregleras avgiften utifrån uppmätt förbrukning. Slutreglering för strömning använder den slutliga förbrukningsposten. Så fungerar reservation och slutreglering →

Exempelbegäranden

Ailoot · Tal till text

Transkriptionsexempel

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

Ta emot och spara resultat

Ailoot · Tal till 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}

Behåll alla färdiga resultat

Behåll varje fullständigt returnerat svar, fil och innehållsdel.

Behåll hela JSON-svaret, inte bara text; bevara varje tillgängligt segment, varje talare och tidsstämpel samt faktisk uppgifts- och tillgångsidentitet.

Om det ursprungliga svaret behöver kontrolleras

Behåll de ursprungliga värdena för operation_id/X-Client-Request-ID för avstämning utan att skicka förfrågan igen; det finns ingen särskild rutt för statusavläsning av ljud.

Svarsfält

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

Fel och nästa steg

Svar	Villkor	Nästa steg
Svar400 · `invalid_request_error`	VillkorOgiltiga obligatoriska fält, ogiltig representation av underlaget eller ogiltigt parametervärde	Nästa stegKorrigera de angivna fälten före en ny begäran om att skapa.
Svar`server_error`	VillkorDet returnerade svaret anger att operationen eller resultatet behöver kontrolleras	Nästa stegSpara det ursprungliga operations- eller uppgifts-ID som returnerades, förfrågans headers och svaret. Fortsätt att läsa den ursprungliga operationen med de läsmetoder som stöds. Skicka inte skapandeförfrågan igen.

Alias

Modellalias

Ailoot gemini-3.5-transcribe

Alias för metodsökvägar

Använd metodsökvägarna som visas ovan.

Relaterade anropar-ID:n

gemini-3.5-transcribe

FAQ · Gemini 3.5 Transcribe

Vilka indata och resultat finns?: POST /v1/audio/transcriptions · gemini-3.5-transcribe: audio → text
Vilka fält använder begäran?: POST /v1/audio/transcriptions · gemini-3.5-transcribe: model, file, response_format

Gemini 3.5 Transcribe