Google: Gemini 3.5 Transcribe

Google Gemini 3.5 Transcribe är den synkrona modellen för att omvandla kompletta, förinspelade ljudfiler till skrivet tal. Den bygger på Geminis förmåga att förstå ljud men har ett indata- och utdatakontrakt som är specifikt för transkribering. Den separata utgåvan Gemini 3.5 Transcribe Live tar emot en ljudström och returnerar successiva resultat. Den här modellen för inspelat ljud ger en färdig transkription, med valfria ordtidsangivelser eller talartilldelning beroende på vald konfiguration.

Förbered en tydlig inspelning där talet inte är kraftigt klippt och där rösterna om möjligt är tydligt åtskilda. Tillverkarens synkrona exempel skickar WAV-ljud som fildata eller som en lagrad ljudresurs med angiven MIME-typ. Behåll originalljudet tillgängligt för granskning. Det avsedda resultatet kan vara en kontrollerad intervjutranskription, ett underlag för tidsanpassning av undertexter eller lättläst diktering; avgör vilken artefakt som behövs innan du kombinerar funktioner som ändrar ordalydelsen eller lägger till metadata.

Google dokumenterar automatisk språkidentifiering för fler än 85 språk, inklusive språkblandning inom en session. Graden av språkstöd varierar, och en ledtråd om ett känt språk kan förbättra igenkänningen. Anpassad vokabulär tillför specifika namn, varumärken eller facktermer som sannolikt förekommer. Tillverkaren tillåter upp till 1,000 termer och anger att fokuserade listor med upp till ungefär 100 vanligtvis fungerar bäst. Se till att ovanliga termer är relevanta för inspelningen och kontrollera dem mot ljudet i stället för att anta att en vokabulärledtråd bevisar att termen uttalades.

VERBATIM är standardläget. Det bevarar utfyllnadsord, upprepningar, avbrutna ansatser och muntliga rättelser så att texten förblir en återgivning av ordalydelsen. Använd det här läget när uppgiften kräver tidsstämplar på ordnivå eller talarseparering. För en intervju kan du till exempel behålla de ursprungliga talarturerna och tidsangivelserna och sedan rätta viktiga namn och mängdangivelser genom att lyssna på det relevanta avsnittet. En senare sammanfattning eller bearbetad artikel kan använda det kontrollerade underlaget utan att i tysthet ersätta vad talaren sade.

SMART-läget är utformat för lättläst diktering. Det tar bort flytavbrott i talet, hanterar självrättelser under talets gång och strukturerar talat material i stycken eller listor, med normaliserade datum och tal där det är lämpligt. En dikterad uppgiftslista kan bli en lättläst lista i stället för en följd av muntliga övergångar. Bearbetningen ändrar transkriptionens form. Google anger uttryckligen att SMART är oförenligt med ordtidsstämplar och talarseparering, så välj det när lättläst text är den efterfrågade artefakten i stället för att försöka använda det som ett tidsatt underlag med talartilldelning.

När ordtidsangivelser är aktiverade innehåller svaret igenkända ord med start- och slutoffset. De hjälper dig att hitta en rättelse i inspelningen eller förbereda undertexter. Tillverkaren anger att aktivering av tidsstämplar på ordnivå innebär en avvägning mot igenkänningens noggrannhet. Granska både texten och tidsanpassningen, särskilt vid snabbt tal, överlappande röster eller ovanlig terminologi. En användbar tidsatt transkription bevarar ordposterna tillsammans med källjudet i stället för att behandla en flytande mening som bevis på att tidsanpassningen är korrekt.

Talarseparering identifierar och märker röster i inspelat ljud, med stöd för upp till åtta talare enligt dokumentationen. Tillverkaren beskriver talartilldelning för tre eller fler talare som experimentell. Behandla etiketterna som härledda grupperingar av talare och granska övergångarna mot inspelningen. En talaretikett är inget oberoende bevis på en persons identitet eller roll. Om uppgiften kräver namn ska etiketterna kopplas till känd information om inspelningen i stället för att identiteter uppfinns utifrån de igenkända orden.

Tillverkarens funktionstabell anger ett fönster på 15 minuter för inspelat ljud, där filbearbetningen begränsas till den längden när funktioner som tidsstämplar eller talarseparering är aktiverade. Dela upp längre källmaterial i lämpliga segment samtidigt som deras ordning och ursprungliga tidsposition bevaras. Modellens transkription, tidsatta ord och talarmärkta delar är olika representationer av resultatet; behåll den representation som uppgiften kräver. Dessa ljudspecifika gränser ska inte ersättas med kontext- eller längduppgifter från en allmän multimodal Gemini-modell. Google listar SMART-formatering, tidsstämplar på ordnivå och talarseparering som experimentella funktioner.

Utdatakontraktet är specifikt för transkribering. SMART-formatering skapar lättläst text men tillför inte ett allmänt svarskontrakt enligt JSON-schema, funktioner för verktygsanrop eller ett arbetsflöde för en instruktionsstyrd assistent. För den slutliga artefakten ska viktiga formuleringar, tal och negationer kontrolleras mot ljudet, eventuella olösta segment bevaras för rättning och det valda läget behållas tillsammans med resultatet. Det klargör om leveransen återger den ursprungliga talade ordalydelsen eller presenterar en redigerad läsversion som härletts från den.