Gemini 3.5 Transcribe

โมเดลของ Google สำหรับรู้จำเสียงพูด ตรวจจับภาษา แยกผู้พูด และระบุเวลาระดับคำ

Ailoot · เสียงพูดเป็นข้อความ POST /v1/audio/transcriptions gemini-3.5-transcribe

เกี่ยวกับโมเดล

คำอธิบายนี้ครอบคลุมความสามารถของโมเดล อินพุต เอาต์พุต และตัวเลือกที่ใช้ได้ใน Ailoot แสดงด้านล่างตามเมธอดที่เลือก

Gemini 3.5 Transcribe แปลงไฟล์เสียงเป็นข้อความ นอกจากการถอดเสียง ยังรองรับการตรวจจับภาษา แยกผู้พูด ประทับเวลาของแต่ละคำ พจนานุกรมเฉพาะ และการจัดข้อความอย่างชาญฉลาด

ภาษาและระยะเวลา

รองรับ มากกว่า 85 ภาษา รวมถึงภาษารัสเซีย และการสลับภาษาภายในเสียงบันทึก ตรวจจับภาษาโดยอัตโนมัติ คำขอทั่วไปประมวลผลเสียงได้ ไม่เกินหนึ่งชั่วโมง เมื่อแยกผู้พูดหรือเปิดเวลาระดับคำ ขีดจำกัดจะลดลงเหลือ 30 นาที

เอาต์พุตประกอบด้วยข้อความถอดเสียงทั้งหมด และคำกำกับแต่ละคำสำหรับโหมดที่เกี่ยวข้อง โมเดลออกแบบสำหรับประมวลผลไฟล์ การรู้จำต่อเนื่องแบบเรียลไทม์เป็นของเวอร์ชันแยก gemini-3.5-transcribe-live

โหมดการถอดเสียง

ค่าเริ่มต้นคือถอดเสียงตามคำพูดทุกคำ โหมดอัจฉริยะจะตัดคำคั่นระหว่างคิด คำนึงถึงการแก้คำพูดของผู้พูดเอง และจัดรูปแบบข้อความ ไม่สามารถใช้โหมดนี้ร่วมกับการแยกผู้พูดและเวลาระดับคำได้

การแยกเสียงพูดรองรับ ผู้พูดได้ถึงแปดคน การระบุว่าใครเป็นผู้พูดเมื่อมีผู้พูดตั้งแต่สามคนขึ้นไปมี สถานะทดลอง การประทับเวลาช่วยเชื่อมข้อความกับเสียงบันทึก แต่การเปิดใช้อาจลดความแม่นยำในการรู้จำ

ศัพท์และไฟล์

พจนานุกรมศัพท์ที่ผู้ใช้กำหนดรองรับ ได้ถึง 1 000 รายการ Google ระบุว่าโดยทั่วไปควรจำกัดไว้ราวหนึ่งร้อยรายการ พจนานุกรมนี้ใช้ร่วมกับการแยกผู้พูดและเวลาระดับคำไม่ได้ การเลือกโหมดจึงต้องคำนึงว่าสิ่งใดสำคัญกว่า ระหว่างศัพท์เฉพาะกับการกำกับผู้พูดและเวลาอย่างละเอียด

รูปแบบเสียงที่รองรับรวมถึง WAV, MP3, AIFF, AAC, OGG, FLAC, MPEG, M4A, L16, Opus, A-law, mu-law และ WebM มีการเผยแพร่ขีดจำกัดระยะเวลาและการใช้โหมดร่วมกันสำหรับประมวลผลไฟล์ คำอธิบายตระกูล Transcribe ยังระบุบริบท 96K โทเคน และเอาต์พุตข้อความ 32K โทเคน คุณสมบัติระดับตระกูลเหล่านี้ไม่ได้ใช้แทนข้อจำกัดไฟล์ของวิธีที่เลือก

ไม่รองรับการแคชบริบท การรันโค้ด การค้นหาในไฟล์ การเรียกฟังก์ชัน การสร้างภาพ และ Thinking ความเชี่ยวชาญของโมเดลคือรับข้อความและการกำกับข้อมูลจากเสียง ไม่ใช่สร้างเสียงพูดใหม่

Ailoot · เสียงพูดเป็นข้อความ POST /v1/audio/transcriptions gemini-3.5-transcribe

gemini-3.5-transcribe

Google /gemini-3.5-transcribe

เริ่มต้น

อินพุตที่รองรับ: เสียง
ผลลัพธ์: ข้อความ

ใช้งานได้ใน Ailoot · อินพุตและเมธอด

Ailoot · เสียงพูดเป็นข้อความ POST /v1/audio/transcriptions

ขาเข้า: audio
ขาออก: text
รูปแบบเอาต์พุต: json

ฟิลด์	ประเภท	ข้อกำหนด	ค่าและข้อจำกัด	ค่าเริ่มต้น
ฟิลด์`model`	ประเภท`string`	ข้อกำหนดจำเป็น	ค่าและข้อจำกัด gemini-3.5-transcribe	ค่าเริ่มต้น—
ฟิลด์`file`	ประเภท`file`	ข้อกำหนดจำเป็น	ค่าและข้อจำกัด จำนวนไบต์สูงสุด: 67,108,864 รูปแบบไฟล์: wav, mp3, m4a, ogg, webm, flac ประเภทเนื้อหา: multipart/form-data ความยาวสูงสุด หน่วยวินาที: 600	ค่าเริ่มต้น—
ฟิลด์`response_format`	ประเภท`string`	ข้อกำหนดไม่บังคับ	ค่าและข้อจำกัด json	ค่าเริ่มต้น—

ชุดผสมของสื่ออินพุต

speech_to_text · จำเป็น: actual audio file

พารามิเตอร์และวงจรการทำงานของเมธอด

พารามิเตอร์	ข้อกำหนด
พารามิเตอร์`material_types`	ข้อกำหนดaudio
พารามิเตอร์`required`	ข้อกำหนดnull
พารามิเตอร์`optional_controls`	ข้อกำหนดnull

วงจรการทำงาน: synchronous_result_then_owned_library

GET /v1/media/tasks/{task_id} · ค่า task_id ที่ส่งกลับมาจริง หรือระเบียนในคลังสื่อ

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

GET /v1/media/assets

GET /v1/media/assets/{asset_id}

รูปแบบเมธอดและ ID ระบุอย่างแม่นยำ ความสามารถของผู้ให้บริการแยกจากการอนุญาตให้รับคำขอ

ราคา

อัตราค่าบริการเมธอด Ailoot

Ailoot เสียงพูดเป็นข้อความPOST /v1/audio/transcriptions

ขาเข้า: US$0.01 ต่อนาที (เศษของนาทีคิดเป็นหนึ่งนาที)

Ailoot กันยอดเงินประมาณการไว้ก่อนส่งคำขอ หลังได้ผลลัพธ์ จะคิดค่าบริการสุดท้ายตามการใช้งานที่วัดได้ การคิดค่าบริการแบบสตรีมใช้บันทึกการใช้งานสุดท้าย วิธีกันยอดเงินและคิดค่าบริการสุดท้าย →

ตัวอย่างคำขอ

Ailoot · เสียงพูดเป็นข้อความ

ตัวอย่างการถอดเสียง

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

รับและบันทึกผลลัพธ์

Ailoot · เสียงพูดเป็นข้อความ

json

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

เก็บผลลัพธ์ที่เสร็จสมบูรณ์ทั้งหมด

เก็บทุกการตอบกลับ ไฟล์ และส่วนเนื้อหาที่ส่งกลับมาอย่างครบถ้วน

เก็บ JSON ทั้งหมด ไม่ใช่เฉพาะข้อความ คงช่วงข้อความ/ผู้พูด/เวลาทุกรายการที่มีและตัวตนงาน/แอสเซ็ตจริงไว้

เมื่อต้องตรวจสอบการตอบกลับต้นฉบับ

เก็บ operation_id/X-Client-Request-ID เดิมไว้เพื่อกระทบยอดโดยไม่ส่งคำขอซ้ำ ไม่มีเส้นทางเฉพาะสำหรับตรวจสอบสถานะงานเสียงเป็นระยะ

ฟิลด์การตอบกลับ

ฟิลด์	ประเภท
ฟิลด์`text`	ประเภทstring
ฟิลด์`segments[]`	ประเภทobject
ฟิลด์`task_id`	ประเภทstring
ฟิลด์`asset_url`	ประเภทstring
ฟิลด์`usage`	ประเภทobject

ข้อผิดพลาดและขั้นตอนถัดไป

การตอบกลับ	เงื่อนไข	ขั้นตอนถัดไป
การตอบกลับ400 · `invalid_request_error`	เงื่อนไขฟิลด์จำเป็น รูปแบบการแทนข้อมูล หรือค่าพารามิเตอร์ไม่ถูกต้อง	ขั้นตอนถัดไปแก้ฟิลด์ที่ระบุก่อนส่งคำขอสร้างครั้งใหม่
การตอบกลับ`server_error`	เงื่อนไขการตอบกลับที่ได้รับระบุว่าต้องตรวจสอบการดำเนินการหรือผลลัพธ์	ขั้นตอนถัดไปเก็บ ID การดำเนินการ/งานที่ส่งกลับมาแต่เดิม ส่วนหัวของคำขอ และการตอบกลับไว้ แล้วอ่านข้อมูลการดำเนินการเดิมนั้นต่อด้วยวิธีที่รองรับ ห้ามส่งคำขอสร้างซ้ำ

ชื่ออื่น

ชื่ออื่นของโมเดล

Ailoot gemini-3.5-transcribe

ชื่อพาธเมธอดอื่น

ใช้พาธเมธอดที่แสดงด้านบน

ID ที่เกี่ยวข้องสำหรับเรียกใช้โมเดล

gemini-3.5-transcribe

FAQ · Gemini 3.5 Transcribe

มีอินพุตและผลลัพธ์ใดบ้าง?: POST /v1/audio/transcriptions · gemini-3.5-transcribe: audio → text
คำขอใช้ฟิลด์ใดบ้าง?: POST /v1/audio/transcriptions · gemini-3.5-transcribe: model, file, response_format

Gemini 3.5 Transcribe