Google: Gemini 3.5 Transcribe

Google Gemini 3.5 Transcribe yozib olingan nutqni tilni avtomatik aniqlash, maxsus lug‘at va ixtiyoriy so‘z darajasidagi vaqt belgilari yoki so‘zlovchilarni ajratish bilan matnga aylantiradi. Vaqt belgilari va so‘zlovchiga bog‘lash uchun VERBATIM, o‘qishga qulay diktovka uchun SMART’ni tanlang; SMART’ni shu ikkita imkoniyat bilan birlashtirib bo‘lmaydi.

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

Model haqida

Bu tavsif model imkoniyatlarini yoritadi. Ailoot da tanlangan usul uchun mavjud kirish, chiqish va parametrlar quyida keltirilgan.

Google Gemini 3.5 Transcribe — to‘liq, avvaldan yozib olingan audio fayllarni yozma nutqqa aylantiradigan sinxron model. U Gemini’ning audioni tushunish imkoniyatlariga asoslangan, ammo transkripsiyaga xos kirish va chiqish shartlariga ega. Alohida Gemini 3.5 Transcribe Live nashri audio oqimini qabul qiladi va bosqichma-bosqich natijalarni qaytaradi. Yozib olingan audio uchun ushbu model tanlangan konfiguratsiyaga qarab ixtiyoriy so‘z darajasidagi vaqt belgilari yoki so‘zlovchiga bog‘lash bilan yakunlangan transkript yaratadi.

Nutq signali kuchli qirqilib buzilmagan, imkon qadar ovozlar bir-biridan aniq ajralib eshitiladigan tiniq yozuvni tayyorlang. Ishlab chiqaruvchining sinxron misollari WAV audioni MIME turini ko‘rsatgan holda fayl baytlari yoki saqlangan audio resurs sifatida uzatadi. Tekshirish uchun asl audioni saqlang. Mo‘ljallangan natija tekshirilgan intervyu transkripti, subtitrni moslashtirish yozuvi yoki o‘qishga qulay diktovka bo‘lishi mumkin; so‘zlarni o‘zgartiradigan yoki metama’lumot qo‘shadigan imkoniyatlarni birlashtirishdan oldin qaysi artefakt kerakligini hal qiling.

Google 85 dan ortiq tilda tilni avtomatik aniqlashni, jumladan, bitta sessiya ichida tillarning aralashishini hujjatlashtiradi. Til qo‘llovi darajalari farqlanadi, ma’lum til haqida ishora esa tanishni yaxshilashi mumkin. Maxsus lug‘at uchrashi ehtimol bo‘lgan o‘ziga xos nomlar, brendlar yoki maxsus terminlarni beradi. Ishlab chiqaruvchi 1,000 tagacha terminga ruxsat beradi va odatda taxminan 100 tagacha bo‘lgan aniq yo‘naltirilgan ro‘yxatlar eng yaxshi ishlashini qayd etadi. Noodatiy terminlarni yozuvga tegishli tuting va lug‘at ishorasi termin aytilganini isbotlaydi deb taxmin qilish o‘rniga ularni audio bilan tekshiring.

VERBATIM — odatiy rejim. U ortiqcha to‘ldiruvchi so‘zlar, takrorlar, noto‘g‘ri boshlashlar va og‘zaki tuzatishlarni saqlaydi, shunda matn aytilgan so‘zlarning yozuvi bo‘lib qoladi. Vazifa so‘z darajasidagi vaqt belgilari yoki so‘zlovchilarni ajratishni talab qilsa, shu rejimdan foydalaning. Masalan, intervyuda asl navbatlar va vaqtlarni saqlang, so‘ng tegishli parchani tinglab muhim nomlar va miqdorlarni tuzating. Keyingi xulosa yoki sayqallangan maqola so‘zlovchi aytganlarini bildirmay almashtirmasdan shu tekshirilgan yozuvdan foydalanishi mumkin.

SMART rejimi o‘qishga qulay diktovka uchun mo‘ljallangan. U nutqdagi uzilishlarni olib tashlaydi, matn ichidagi o‘zini tuzatishlarni hal qiladi va og‘zaki materialni xatboshi yoki ro‘yxatlarga tuzadi, tegishli joylarda sana va raqamlarni me’yorlashtiradi. Diktovka qilingan vazifalar ro‘yxati og‘zaki o‘tishlar zanjiri o‘rniga o‘qiladigan ro‘yxatga aylanishi mumkin. Shu ishlov transkript shaklini o‘zgartiradi. Google SMART so‘z vaqt belgilari va so‘zlovchilarni ajratish bilan mos kelmasligini ochiq aytadi, shuning uchun uni vaqtli va so‘zlovchiga bog‘langan yozuv sifatida ishlatishga urinish o‘rniga, kerakli artefakt o‘qishga qulay matn bo‘lganda tanlang.

So‘z darajasidagi vaqt belgilari yoqilganda javob tanilgan so‘zlarni boshlanish va tugash siljishlari bilan o‘z ichiga oladi. Bular yozuvdagi tuzatish joyini topish yoki subtitr tayyorlashga yordam beradi. Ishlab chiqaruvchi so‘z darajasidagi vaqt belgilarini yoqish aniqlikka ta’sir qilishi mumkinligini ko‘rsatadi. Ayniqsa tez nutq, ustma-ust gapirish yoki noodatiy terminologiya atrofida matnni ham, uning vaqt bo‘yicha mosligini ham tekshiring. Foydali vaqt belgilari bor transkript ravon gap uning vaqt bo‘yicha mosligi to‘g‘riligini isbotlaydi deb qabul qilish o‘rniga so‘zlar yozuvi va manba audioni birga saqlaydi.

So‘zlovchilarni ajratish yozib olingan audiodagi ovozlarni aniqlaydi va yorliqlaydi; sakkiztagacha so‘zlovchi hujjatlashtirilgan. Uch yoki undan ortiq so‘zlovchiga bog‘lashni ishlab chiqaruvchi tajribaviy deb tavsiflaydi. Yorliqlarni xulosa qilingan ovoz guruhlari sifatida ko‘ring va o‘tishlarni yozuv bilan tekshiring. So‘zlovchi yorlig‘i shaxs identifikatori yoki rolining mustaqil isboti emas. Vazifaga nomlar kerak bo‘lsa, tanilgan so‘zlardan shaxslarni o‘ylab topish o‘rniga yorliqlarni yozuv haqida ma’lum axborot bilan bog‘lang.

Ishlab chiqaruvchining imkoniyatlar jadvalida 15 daqiqalik yozib olingan audio oynasi ko‘rsatilgan; vaqt belgilari yoki so‘zlovchilarni ajratish kabi imkoniyatlar yoqilganda faylni qayta ishlash shu davomiylik bilan cheklanadi. Uzunroq manba materialini tartibi va asl vaqt o‘rnini saqlagan holda mos segmentlarga tayyorlang. Model transkripti, vaqtli so‘zlar va so‘zlovchi yorliqli qismlar natijaning turli ifodalaridir; vazifaga kerakli ifodani saqlang. Ushbu audioga xos chegaralarni umumiy Gemini multimodal modelining kontekst yoki davomiylik raqamlari bilan almashtirmaslik kerak. Google SMART formatlash, so‘z darajasidagi vaqt belgilari va so‘zlovchilarni ajratishni tajribaviy imkoniyatlar deb ko‘rsatadi.

Chiqish shartlari transkripsiyaga xos. SMART formatlash o‘qishga qulay matn yaratadi, ammo umumiy JSON-sxema javob shartnomasi, vosita chaqirish imkoniyati yoki ko‘rsatmalarga rioya qiladigan yordamchi jarayonini qo‘shmaydi. Yakuniy artefaktda muhim ifodalar, raqamlar va inkorlarni audio bilan tekshiring, hal qilinmagan segmentlarni tuzatish uchun saqlang hamda tanlangan rejimni natija bilan qoldiring. Bu topshiriladigan natija asl og‘zaki so‘zlarni qayd etadimi yoki undan olingan tahrirlangan o‘qish variantini taqdim etadimi, aniq qiladi.

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

google/gemini-3.5-transcribe

Google /google/gemini-3.5-transcribe

Boshlash

Qabul qilinadigan kirish ma’lumotlari: Audio
Natijalar: Matn

Ailoot da mavjud · kirish ma’lumotlari va usullar

Ailoot Ultra · Transkripsiya POST /v1/audio/transcriptions

Kirish: audio
Chiqish: text

Maydon	Tur	Talab	Qiymatlar va cheklovlar	Standart
Maydon`model`	Tur`string`	TalabMajburiy	Qiymatlar va cheklovlar google/gemini-3.5-transcribe	Standart—
Maydon`input_audio`	Tur`object`	TalabMajburiy	Qiymatlar va cheklovlar	Standart—
Maydon`language`	Tur`string`	TalabIxtiyoriy	Qiymatlar va cheklovlar	Standart—
Maydon`temperature`	Tur`number`	TalabIxtiyoriy	Qiymatlar va cheklovlar Eng kam: 0 Eng ko‘p: 1	Standart—
Maydon`response_format`	Tur`string`	TalabIxtiyoriy	Qiymatlar va cheklovlar json, verbose_json	Standartjson
Maydon`timestamp_granularities`	Tur`array`	TalabIxtiyoriy	Qiymatlar va cheklovlar	Standart—
Maydon`provider`	Tur`object`	TalabIxtiyoriy	Qiymatlar va cheklovlar	Standart—

Usul parametrlari va hayot sikli

Parametr	Parametr talablari
Parametr`content_type`	Parametr talablariapplication/json
Parametr`required`	Parametr talablarimodel, input_audio
Parametr`material_types`	Parametr talablariaudio
Parametr`material_conditions`	Parametr talablariHaqiqiy WAV faylini o‘qing va e’lon qilingan JSON input_audio uchun uning haqiqiy baytlarini kodlang; faqat JSON uchun berilgan aynan shu deklaratsiyada multipart yo‘nalishi taklif qilinmaydi.

Hayot sikli: synchronous_result_then_owned_library

GET /v1/media/tasks/{task_id} · Amalda qaytarilgan task_id yoki media kutubxonasidagi yozuv

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

GET /v1/media/assets

GET /v1/media/assets/{asset_id}

Tariflar

Yakuniy to‘lov qanday hisoblanadi

Ko‘rsatilgan tariflar xarajatni generatsiyadan oldin taxminiy hisoblash uchun xizmat qiladi. Yakuniy to‘lov dastlabki generatsiya uchun qayd etilgan xarajat asosida hisoblanadi. Natijaning o‘lchangan davomiyligi va oldindan taxmin qilingan miqdorlar haq undiriladigan yakuniy miqdor hisoblanmaydi.

Tarif ma’lumotlari so‘rov imkoniyatlarini qo‘shmaydi. Qo‘llab-quvvatlanadigan parametrlar tanlangan usulda ko‘rsatilgan.

Tezkor rejim: Ko‘rsatilmagan Tezkor rejim tanlanganda
Flex rejimi: Ko‘rsatilmagan flex rejimi tanlanganda
Maksimal fikrlash darajasi: Ko‘rsatilmagan Maksimal fikrlash darajasi uchun standart (default) tuzatish qo‘llanganda

Taqqoslash uchun taxminiy tariflar

Sozlamalar bo‘yicha narxlar

Har bir to‘lovni ko‘rsatilgan shartlarga moslang. Har bir muqobil sozlamalar to‘plami uchun bitta tarifdan foydalaning.

Sozlama	Tariflar jadvali	Prognoz miqdori	Hisob birligi	To‘lov
SozlamaTokenlar uchun bazaviy tariflar	Tariflar jadvaliAsosiy tarif	Prognoz miqdori—	Hisob birligi—	To‘lov Kirish · Kirish tokenlari · Faqat taqqoslash uchun taxmin — / 1K token Chiqish · Chiqish tokenlari · Faqat taqqoslash uchun taxmin — / 1K token Kirish · Keshdan o‘qish · Faqat taqqoslash uchun taxmin — / 1K token Kirish · Keshga yozish · Faqat taqqoslash uchun taxmin — / 1K token Kirish · Keshga yozish, 1 soat · Faqat taqqoslash uchun taxmin — / 1K token
Sozlamakirish tokeni	Tariflar jadvali—	Prognoz miqdori—	Hisob birligi/ 1K token	To‘lov Kirish · Faqat taqqoslash uchun taxmin $0.004 / 1K token
Sozlamachiqish tokeni	Tariflar jadvali—	Prognoz miqdori—	Hisob birligi/ 1K token	To‘lov Chiqish · Faqat taqqoslash uchun taxmin $0.024 / 1K token
SozlamaYaratishning taxminiy qiymati	Tariflar jadvali—	Prognoz miqdoribir generatsiya uchun taxmin	Hisob birligi—	To‘lov Chiqish · Yaratishning taxminiy narxi · Faqat taqqoslash uchun taxmin $1.179648 yaratishdan oldingi taxmin Bu taxmin qo‘shimcha to‘lov ham, tugallangan generatsiya uchun qat’iy tarif ham emas.

Ailoot so‘rovdan oldin taxminiy summani band qiladi. Natijadan keyin o‘lchangan sarf asosidagi yakuniy to‘lovni yechadi. Oqimli javob bo‘yicha yakuniy hisob-kitob yakuniy sarf yozuviga asoslanadi. Summani band qilish va to‘lovni hisoblash tartibi →

So‘rov namunalari

Ailoot Ultra · Transkripsiya

curl · Asl API formatiga aynan mos so‘rov tanasi va to‘liq natija

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.

Natijalarni olish va saqlash

Ailoot Ultra · Transkripsiya

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

Boshqa kontentni o‘qish

O‘zingizga tegishli mavjud materiallarni o‘qish

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.

Barcha tayyor natijalarni saqlash

Qaytarilgan har bir to‘liq javob, fayl va kontent qismini saqlang.

To‘liq javob va sarlavhalarni, amalda qaytarilgan barcha natijalarni, dastlab qaytarilgan identifikatorlarni hamda barcha usage maydonlarini saqlang. Yaratish so‘rovini qayta yubormasdan dastlabki operatsiyani tiklang.

Asl javobni tekshirish kerak bo‘lsa

Qaytarilgan X-Client-Request-ID ni ma’lumotlarni solishtirib tekshirish uchun saqlang. Faqat amalda qaytarilgan task_id/asset_id qiymatlari bo‘yicha yoki o‘zingizga tegishli media kutubxonasidan ma’lumot o‘qing; operatsiya ID sidan vazifa URL manzilini hech qachon tuzmang va yaratish so‘rovini qayta yubormang.

Javob maydonlari

Maydon	Tur
Maydon`text`	Tur
Maydon`usage`	Tur
Maydon`segments[]`	Tur
Maydon`words[]`	Tur
Maydon`speaker fields`	Tur
Maydon`timestamps`	Tur

Taxalluslar

Model taxalluslari

Ailoot Ultra google/gemini-3.5-transcribe

Usul yo‘llari taxalluslari

Yuqorida ko‘rsatilgan usul yo‘llaridan foydalaning.

Chaqirish uchun tegishli ID lar

google/gemini-3.5-transcribe

FAQ · Google: Gemini 3.5 Transcribe

Qanday kirish ma’lumotlari va natijalar mavjud?: POST /v1/audio/transcriptions · google/gemini-3.5-transcribe: audio → text
So‘rov qaysi maydonlardan foydalanadi?: POST /v1/audio/transcriptions · google/gemini-3.5-transcribe: model, input_audio, language, temperature, response_format, timestamp_granularities, provider
Qanday cheklovlar amal qiladi?: POST /v1/audio/transcriptions · google/gemini-3.5-transcribe: temperature.minimum: 0; temperature.maximum: 1

Google: Gemini 3.5 Transcribe