Google: Gemini 3.5 Transcribe

Google Gemini 3.5 Transcribe เปลี่ยนเสียงพูดบันทึกเป็นข้อความ พร้อมตรวจภาษาอัตโนมัติ คำศัพท์กำหนดเอง และตัวเลือกเวลาระดับคำหรือการแยกผู้พูด เลือก VERBATIM สำหรับเวลาและระบุผู้พูด หรือ SMART สำหรับข้อความเขียนตามคำบอกที่อ่านง่าย โดย SMART ใช้ร่วมกับสองคุณสมบัตินั้นไม่ได้

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

เกี่ยวกับโมเดล

คำอธิบายนี้ครอบคลุมความสามารถของโมเดล อินพุต เอาต์พุต และตัวเลือกที่ใช้ได้ใน Ailoot แสดงด้านล่างตามเมธอดที่เลือก

Google Gemini 3.5 Transcribe เป็นโมเดลซิงโครนัสสำหรับเปลี่ยนไฟล์เสียงที่บันทึกไว้ครบแล้วเป็นคำพูดเขียน อาศัยความเข้าใจเสียงของ Gemini แต่มีสัญญาอินพุตและเอาต์พุตเฉพาะการถอดเสียง ส่วน Gemini 3.5 Transcribe Live แยกรับสตรีมเสียงและคืนผลทีละส่วน โมเดลเสียงบันทึกนี้สร้างบทถอดเสียงสมบูรณ์ พร้อมตัวเลือกเวลาคำหรือการระบุผู้พูดตามค่ากำหนดที่เลือก

เตรียมเสียงชัดที่ไม่ถูกตัดยอดสัญญาณรุนแรง และแยกเสียงผู้พูดอย่างมีนัยสำคัญเมื่อทำได้ ตัวอย่างซิงโครนัสของผู้ผลิตส่งเสียง WAV เป็นไบต์ไฟล์หรือทรัพยากรเสียงที่จัดเก็บ พร้อมระบุ MIME type เก็บเสียงต้นฉบับไว้ตรวจ ผลที่ต้องการอาจเป็นบทสัมภาษณ์ที่ตรวจแล้ว ระเบียนจัดเวลาคำบรรยาย หรือข้อความเขียนตามคำบอกที่อ่านง่าย ตัดสินใจว่าต้องใช้ชิ้นงานใดก่อนรวมคุณสมบัติที่เปลี่ยนถ้อยคำหรือเพิ่มเมทาดาทา

Google ระบุการตรวจภาษาอัตโนมัติมากกว่า 85 ภาษา รวมการสลับภาษาภายในเซสชัน ระดับรองรับแต่ละภาษาต่างกัน และคำใบ้ภาษาที่รู้ช่วยรู้จำได้ดีขึ้น คำศัพท์กำหนดเองให้ชื่อ แบรนด์ หรือศัพท์เฉพาะที่คาดว่าจะพบ ผู้พัฒนาอนุญาตสูงสุด 1,000 คำ และระบุว่ารายการเจาะจงประมาณไม่เกิน 100 คำมักดีที่สุด ให้คำหายากสัมพันธ์กับเสียงและตรวจเทียบเสียง แทนถือว่าคำใบ้ศัพท์ยืนยันว่ามีการพูดคำนั้น

VERBATIM เป็นโหมดเริ่มต้น รักษาคำเติม การซ้ำ การเริ่มพูดใหม่ และการแก้คำพูด เพื่อให้ข้อความบันทึกถ้อยคำ ใช้โหมดนี้เมื่องานต้องมีเวลาแต่ละคำหรือแยกผู้พูด เช่น สัมภาษณ์ ให้เก็บเทิร์นและเวลาเดิม แล้วแก้ชื่อและปริมาณสำคัญโดยฟังช่วงเกี่ยวข้อง บทสรุปหรือบทความขัดเกลาภายหลังใช้ระเบียนตรวจแล้วได้ โดยไม่แทนคำที่ผู้พูดกล่าวอย่างเงียบ ๆ

SMART ออกแบบสำหรับข้อความเขียนตามคำบอกที่อ่านง่าย ลบการพูดไม่ลื่น นำคำที่ผู้พูดแก้ไขระหว่างพูดมาแทนถ้อยคำเดิม และจัดคำพูดเป็นย่อหน้าหรือรายการ พร้อมปรับวันที่และตัวเลขเป็นรูปแบบมาตรฐานเมื่อเหมาะสม รายการงานที่พูดจึงเป็นรายการอ่านง่าย แทนชุดคำเชื่อมที่พูด กระบวนการนี้เปลี่ยนรูปบทถอดเสียง Google ระบุชัดว่า SMART ใช้ร่วมกับเวลาคำและการแยกผู้พูดไม่ได้ จึงเลือกเมื่อต้องการข้อความอ่านง่าย แทนพยายามใช้เป็นระเบียนมีเวลาและระบุผู้พูด

เมื่อเปิดเวลาคำ คำตอบมีคำที่รู้จำพร้อมค่าเวลาเริ่มต้นและสิ้นสุดที่วัดจากจุดเริ่มต้นของเสียง ช่วยหาจุดแก้ในเสียงหรือเตรียมคำบรรยาย ผู้พัฒนาระบุว่าการเปิดเวลาระดับคำมีข้อแลกเปลี่ยนด้านความแม่นยำ ตรวจทั้งข้อความและการจัดเวลา โดยเฉพาะพูดเร็ว พูดซ้อน หรือศัพท์แปลก บทถอดเสียงมีเวลาที่มีประโยชน์เก็บระเบียนคำกับเสียงต้นฉบับด้วยกัน แทนถือว่าประโยคลื่นไหลพิสูจน์ว่าจัดเวลาถูก

การแยกผู้พูดตรวจและติดป้ายเสียงในเสียงบันทึก โดยระบุสูงสุดแปดผู้พูด ผู้พัฒนาอธิบายว่าการระบุผู้พูดตั้งแต่สามคนขึ้นไปเป็นการทดลอง ถือป้ายเป็นกลุ่มผู้พูดที่อนุมาน และตรวจจุดเปลี่ยนกับเสียง ป้ายผู้พูดไม่ได้พิสูจน์เอกลักษณ์หรือบทบาทบุคคลโดยอิสระ ถ้างานต้องการชื่อ ให้เชื่อมป้ายกับข้อมูลบันทึกที่รู้ แทนประดิษฐ์ตัวตนจากคำที่รู้จำ

ตารางคุณสมบัติผู้ผลิตระบุหน้าต่างเสียงบันทึก 15 นาที โดยการประมวลผลไฟล์จำกัดระยะนี้เมื่อเปิดคุณสมบัติ เช่น เวลาคำหรือแยกผู้พูด เตรียมข้อมูลยาวกว่าเป็นช่วงเหมาะสม โดยรักษาลำดับและตำแหน่งเวลาเดิม บทถอดเสียง คำมีเวลา และส่วนติดป้ายผู้พูดเป็นรูปแทนผลต่างกัน ให้เก็บรูปที่งานต้องการ ขีดจำกัดเฉพาะเสียงนี้ไม่ควรถูกแทนด้วยตัวเลขบริบทหรือระยะเวลาของโมเดล Gemini หลายสื่อทั่วไป Google ระบุ SMART formatting, word-level timestamps และ speaker diarization เป็นคุณสมบัติทดลอง

สัญญาเอาต์พุตเฉพาะการถอดเสียง SMART formatting สร้างข้อความอ่านง่าย แต่ไม่ได้เพิ่มสัญญาคำตอบ JSON-schema ทั่วไป ความสามารถเรียกเครื่องมือ หรือเวิร์กโฟลว์ผู้ช่วยทำตามคำสั่ง สำหรับชิ้นงานสุดท้าย ตรวจถ้อยคำสำคัญ ตัวเลข และคำปฏิเสธกับเสียง เก็บช่วงที่ยังไม่ชัดไว้แก้ และเก็บโหมดที่เลือกกับผล ทำให้ชัดว่าชิ้นงานบันทึกถ้อยคำพูดเดิมหรือเสนอฉบับอ่านที่แก้จากคำพูดนั้น

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

google/gemini-3.5-transcribe

Google /google/gemini-3.5-transcribe

เริ่มต้น

อินพุตที่รองรับ: เสียง
ผลลัพธ์: ข้อความ

ใช้งานได้ใน Ailoot · อินพุตและเมธอด

Ailoot Ultra · การถอดเสียง POST /v1/audio/transcriptions

ขาเข้า: audio
ขาออก: text

ฟิลด์	ประเภท	ข้อกำหนด	ค่าและข้อจำกัด	ค่าเริ่มต้น
ฟิลด์`model`	ประเภท`string`	ข้อกำหนดจำเป็น	ค่าและข้อจำกัด google/gemini-3.5-transcribe	ค่าเริ่มต้น—
ฟิลด์`input_audio`	ประเภท`object`	ข้อกำหนดจำเป็น	ค่าและข้อจำกัด	ค่าเริ่มต้น—
ฟิลด์`language`	ประเภท`string`	ข้อกำหนดไม่บังคับ	ค่าและข้อจำกัด	ค่าเริ่มต้น—
ฟิลด์`temperature`	ประเภท`number`	ข้อกำหนดไม่บังคับ	ค่าและข้อจำกัด ขั้นต่ำ: 0 สูงสุด: 1	ค่าเริ่มต้น—
ฟิลด์`response_format`	ประเภท`string`	ข้อกำหนดไม่บังคับ	ค่าและข้อจำกัด json, verbose_json	ค่าเริ่มต้นjson
ฟิลด์`timestamp_granularities`	ประเภท`array`	ข้อกำหนดไม่บังคับ	ค่าและข้อจำกัด	ค่าเริ่มต้น—
ฟิลด์`provider`	ประเภท`object`	ข้อกำหนดไม่บังคับ	ค่าและข้อจำกัด	ค่าเริ่มต้น—

พารามิเตอร์และวงจรการทำงานของเมธอด

พารามิเตอร์	ข้อกำหนด
พารามิเตอร์`content_type`	ข้อกำหนดapplication/json
พารามิเตอร์`required`	ข้อกำหนดmodel, input_audio
พารามิเตอร์`material_types`	ข้อกำหนดaudio
พารามิเตอร์`material_conditions`	ข้อกำหนดอ่านไฟล์ WAV จริงและเข้ารหัสไบต์จริงสำหรับ input_audio แบบ JSON ที่ประกาศไว้ ข้อกำหนดที่รองรับเฉพาะ JSON นี้ไม่ได้ระบุเส้นทาง multipart

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}

ราคา

วิธีคำนวณค่าบริการสุดท้าย

อัตราที่แสดงใช้ประมาณการค่าใช้จ่ายก่อนการสร้างผลลัพธ์ ยอดเรียกเก็บสุดท้ายคำนวณจากค่าใช้จ่ายที่บันทึกไว้สำหรับการสร้างผลลัพธ์ครั้งเดิม ระยะเวลาของผลลัพธ์ที่วัดได้และปริมาณที่คาดการณ์ไว้ไม่ใช่ปริมาณสุดท้ายที่ใช้คิดค่าบริการ

ข้อมูลอัตราราคาไม่ได้เพิ่มตัวเลือกคำขอ พารามิเตอร์ที่รองรับระบุไว้สำหรับเมธอดที่เลือก

โหมดรวดเร็ว: ไม่ได้ระบุ เมื่อเลือกโหมดรวดเร็ว
โหมดยืดหยุ่น: ไม่ได้ระบุ เมื่อเลือกโหมด flex
ระดับการใช้เหตุผลสูงสุด: ไม่ได้ระบุ เมื่อใช้การปรับตามค่าเริ่มต้น (default) สำหรับระดับการใช้เหตุผลสูงสุด

อัตราประมาณการเพื่อเปรียบเทียบ

ราคาตามการตั้งค่า

เทียบค่าบริการแต่ละรายการกับเงื่อนไขที่แสดง เลือกใช้อัตราเดียวสำหรับแต่ละชุดการตั้งค่าที่เป็นตัวเลือกทดแทนกัน

การตั้งค่า	ตารางอัตราค่าบริการ	ปริมาณคาดการณ์	หน่วยคิดค่าบริการ	ค่าบริการ
การตั้งค่าอัตราค่าบริการโทเคนพื้นฐาน	ตารางอัตราค่าบริการอัตราพื้นฐาน	ปริมาณคาดการณ์—	หน่วยคิดค่าบริการ—	ค่าบริการ ขาเข้า · โทเค็นอินพุต · ประมาณการเพื่อเปรียบเทียบเท่านั้น — / 1K โทเค็น ขาออก · โทเค็นเอาต์พุต · ประมาณการเพื่อเปรียบเทียบเท่านั้น — / 1K โทเค็น ขาเข้า · การอ่านแคช · ประมาณการเพื่อเปรียบเทียบเท่านั้น — / 1K โทเค็น ขาเข้า · การเขียนแคช · ประมาณการเพื่อเปรียบเทียบเท่านั้น — / 1K โทเค็น ขาเข้า · การเขียนแคช, 1 ชั่วโมง · ประมาณการเพื่อเปรียบเทียบเท่านั้น — / 1K โทเค็น
การตั้งค่าโทเค็นอินพุต	ตารางอัตราค่าบริการ—	ปริมาณคาดการณ์—	หน่วยคิดค่าบริการ/ 1K โทเค็น	ค่าบริการ ขาเข้า · ประมาณการเพื่อเปรียบเทียบเท่านั้น $0.004 / 1K โทเค็น
การตั้งค่าโทเค็นเอาต์พุต	ตารางอัตราค่าบริการ—	ปริมาณคาดการณ์—	หน่วยคิดค่าบริการ/ 1K โทเค็น	ค่าบริการ ขาออก · ประมาณการเพื่อเปรียบเทียบเท่านั้น $0.024 / 1K โทเค็น
การตั้งค่าต้นทุนการสร้างโดยประมาณ	ตารางอัตราค่าบริการ—	ปริมาณคาดการณ์ค่าประมาณสำหรับการสร้างหนึ่งครั้ง	หน่วยคิดค่าบริการ—	ค่าบริการ ขาออก · ค่าใช้จ่ายในการสร้างโดยประมาณ · ประมาณการเพื่อเปรียบเทียบเท่านั้น $1.179648 ประมาณการก่อนสร้าง ค่าประมาณนี้ไม่ใช่ค่าใช้จ่ายเพิ่มเติมหรืออัตราคงที่สำหรับการสร้างผลลัพธ์ที่เสร็จสมบูรณ์แล้ว

Ailoot กันยอดเงินประมาณการไว้ก่อนส่งคำขอ หลังได้ผลลัพธ์ จะคิดค่าบริการสุดท้ายตามการใช้งานที่วัดได้ การคิดค่าบริการแบบสตรีมใช้บันทึกการใช้งานสุดท้าย วิธีกันยอดเงินและคิดค่าบริการสุดท้าย →

ตัวอย่างคำขอ

Ailoot Ultra · การถอดเสียง

curl · เนื้อหาคำขอแบบเนทีฟที่ตรงตามต้นฉบับและผลลัพธ์ที่ครบถ้วน

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.

รับและบันทึกผลลัพธ์

Ailoot Ultra · การถอดเสียง

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

การอ่านเนื้อหาแบบอื่น

อ่านไฟล์สื่อที่มีอยู่และเป็นของคุณ

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.

เก็บผลลัพธ์ที่เสร็จสมบูรณ์ทั้งหมด

เก็บทุกการตอบกลับ ไฟล์ และส่วนเนื้อหาที่ส่งกลับมาอย่างครบถ้วน

เก็บการตอบกลับและส่วนหัวให้ครบถ้วน เก็บผลลัพธ์จริงทุกรายการ ตัวระบุที่ส่งกลับมาแต่เดิม และฟิลด์ข้อมูลการใช้งานทั้งหมด กู้คืนการดำเนินการเดิมโดยไม่ส่งคำขอสร้างซ้ำ

เมื่อต้องตรวจสอบการตอบกลับต้นฉบับ

เก็บ X-Client-Request-ID ที่ส่งกลับมาไว้เพื่อกระทบยอด อ่านเฉพาะค่า task_id/asset_id ที่ส่งกลับมาจริง หรืออ่านจากคลังสื่อที่เป็นของตนเอง ห้ามสร้าง URL ของงานจาก ID การดำเนินการ และห้ามส่งคำขอสร้างซ้ำเด็ดขาด

ฟิลด์การตอบกลับ

ฟิลด์	ประเภท
ฟิลด์`text`	ประเภท
ฟิลด์`usage`	ประเภท
ฟิลด์`segments[]`	ประเภท
ฟิลด์`words[]`	ประเภท
ฟิลด์`speaker fields`	ประเภท
ฟิลด์`timestamps`	ประเภท

ชื่ออื่น

ชื่ออื่นของโมเดล

Ailoot Ultra google/gemini-3.5-transcribe

ชื่อพาธเมธอดอื่น

ใช้พาธเมธอดที่แสดงด้านบน

ID ที่เกี่ยวข้องสำหรับเรียกใช้โมเดล

google/gemini-3.5-transcribe

FAQ · Google: Gemini 3.5 Transcribe

มีอินพุตและผลลัพธ์ใดบ้าง?: POST /v1/audio/transcriptions · google/gemini-3.5-transcribe: audio → text
คำขอใช้ฟิลด์ใดบ้าง?: POST /v1/audio/transcriptions · google/gemini-3.5-transcribe: model, input_audio, language, temperature, response_format, timestamp_granularities, provider
มีข้อจำกัดใดบ้าง?: POST /v1/audio/transcriptions · google/gemini-3.5-transcribe: temperature.minimum: 0; temperature.maximum: 1

Google: Gemini 3.5 Transcribe