Gemini 3.5 Transcribe

Mô hình của Google để nhận dạng giọng nói, xác định ngôn ngữ, phân biệt người nói và tạo dấu thời gian cho từng từ.

Ailoot · Chuyển giọng nói thành văn bản POST /v1/audio/transcriptions gemini-3.5-transcribe

Về mô hình

Mô tả này trình bày khả năng của mô hình. Đầu vào, đầu ra và tùy chọn có trên Ailoot được liệt kê bên dưới cho phương thức đã chọn.

Gemini 3.5 Transcribe chuyển tệp âm thanh thành văn bản. Ngoài chép lời, mô hình còn hỗ trợ xác định ngôn ngữ, phân biệt người nói, dấu thời gian cho từng từ, từ điển chuyên biệt và xử lý văn bản thông minh.

Ngôn ngữ và thời lượng

Mô hình hỗ trợ hơn 85 ngôn ngữ, gồm tiếng Nga, và chuyển đổi giữa các ngôn ngữ trong cùng bản ghi. Ngôn ngữ được xác định tự động. Yêu cầu thông thường xử lý âm thanh dài tối đa một giờ. Khi phân biệt người nói hoặc bật dấu thời gian từng từ, giới hạn giảm còn 30 phút.

Đầu ra gồm toàn bộ bản chép lời và, với các chế độ tương ứng, chú giải riêng cho từng từ. Mô hình dành cho xử lý tệp; nhận dạng liên tục theo thời gian thực thuộc phiên bản riêng gemini-3.5-transcribe-live.

Các chế độ chép lời

Mặc định sử dụng chép lời nguyên văn. Chế độ thông minh bỏ từ đệm, xử lý những chỗ người nói tự sửa và định dạng văn bản. Không thể kết hợp chế độ này với phân biệt người nói và dấu thời gian từng từ.

Tính năng phân biệt người nói hỗ trợ tối đa tám người. Việc xác định ai nói một lượt lời với ba người trở lên có trạng thái thử nghiệm. Dấu thời gian giúp liên kết văn bản với bản ghi, nhưng bật chúng có thể giảm độ chính xác nhận dạng.

Thuật ngữ và tệp

Từ điển thuật ngữ tùy chỉnh chứa tối đa 1 000 mục; Google lưu ý rằng thường nên giới hạn ở khoảng một trăm. Từ điển này không tương thích với phân biệt người nói và dấu thời gian từng từ. Vì vậy, khi chọn chế độ cần cân nhắc ưu tiên thuật ngữ chuyên biệt hay chú giải chi tiết người nói và thời gian.

Các định dạng âm thanh được hỗ trợ gồm WAV, MP3, AIFF, AAC, OGG, FLAC, MPEG, M4A, L16, Opus, A-law, mu-law và WebM. Giới hạn thời lượng và cách kết hợp chế độ được công bố cho xử lý tệp. Phần mô tả dòng Transcribe còn nêu ngữ cảnh 96K token và đầu ra văn bản 32K token; các đặc tính của dòng mô hình không thay thế giới hạn tệp trong phương thức đã chọn.

Không hỗ trợ lưu đệm ngữ cảnh, thực thi mã, tìm kiếm trong tệp, gọi hàm, tạo ảnh hoặc Thinking. Chuyên môn của mô hình là nhận văn bản và chú giải từ âm thanh, không phải tạo lời nói mới.

Ailoot · Chuyển giọng nói thành văn bản POST /v1/audio/transcriptions gemini-3.5-transcribe

gemini-3.5-transcribe

Google /gemini-3.5-transcribe

Bắt đầu

Mô hình của Google để nhận dạng giọng nói, xác định ngôn ngữ, phân biệt người nói và tạo dấu thời gian cho từng từ.

Đầu vào được chấp nhận: Âm thanh
Kết quả: Văn bản

Có trên Ailoot · đầu vào & phương thức

Ailoot · Chuyển giọng nói thành văn bản POST /v1/audio/transcriptions

Đầu vào: audio
Đầu ra: text
Định dạng đầu ra: json

Trường	Loại	Yêu cầu	Giá trị & giới hạn	Mặc định
Trường`model`	Loại`string`	Yêu cầuBắt buộc	Giá trị & giới hạn gemini-3.5-transcribe	Mặc định—
Trường`file`	Loại`file`	Yêu cầuBắt buộc	Giá trị & giới hạn Số byte tối đa: 67.108.864 Định dạng tệp: wav, mp3, m4a, ogg, webm, flac Loại nội dung: multipart/form-data Thời lượng tối đa, giây: 600	Mặc định—
Trường`response_format`	Loại`string`	Yêu cầuKhông bắt buộc	Giá trị & giới hạn json	Mặc định—

Tổ hợp tư liệu đầu vào

speech_to_text · Bắt buộc: actual audio file

Tham số phương thức và vòng đời

Tham số	Hợp đồng
Tham số`material_types`	Hợp đồngaudio
Tham số`required`	Hợp đồngnull
Tham số`optional_controls`	Hợp đồngnull

Vòng đời: synchronous_result_then_owned_library

GET /v1/media/tasks/{task_id} · Giá trị task_id thực tế đã trả về hoặc bản ghi trong thư viện nội dung đa phương tiện

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

GET /v1/media/assets

GET /v1/media/assets/{asset_id}

Cấu trúc phương thức và ID là chính xác; khả năng của nhà cung cấp tách biệt với việc cho phép tiếp nhận yêu cầu.

Bảng giá

Mức phí phương thức Ailoot

Ailoot Chuyển giọng nói thành văn bảnPOST /v1/audio/transcriptions

Đầu vào: 0,01 US$ mỗi phút, thời lượng làm tròn lên

Ailoot tạm giữ một khoản ước tính trước yêu cầu. Sau khi có kết quả, phí cuối cùng được quyết toán theo mức sử dụng đo được. Việc quyết toán khi truyền luồng dùng bản ghi mức sử dụng cuối cùng. Cách hoạt động của cơ chế tạm giữ và quyết toán →

Ví dụ yêu cầu

Ailoot · Chuyển giọng nói thành văn bản

Ví dụ chép lời

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

Nhận và lưu kết quả

Ailoot · Chuyển giọng nói thành văn bản

json

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

Lưu tất cả kết quả đã hoàn tất

Lưu mọi phản hồi hoàn chỉnh, tệp và phần nội dung được trả về.

Giữ lại toàn bộ JSON, không chỉ văn bản; giữ nguyên mọi đoạn/người nói/dấu thời gian hiện có và mã định danh tác vụ/tài sản thực tế.

Nếu cần kiểm tra phản hồi gốc

Giữ lại operation_id/X-Client-Request-ID gốc để đối soát mà không gửi lại yêu cầu; không có tuyến truy vấn trạng thái riêng cho âm thanh.

Trường phản hồi

Trường	Loại
Trường`text`	Loạistring
Trường`segments[]`	Loạiobject
Trường`task_id`	Loạistring
Trường`asset_url`	Loạistring
Trường`usage`	Loạiobject

Lỗi và bước tiếp theo

Phản hồi	Điều kiện	Bước tiếp theo
Phản hồi400 · `invalid_request_error`	Điều kiệnTrường bắt buộc, cách biểu diễn tài liệu hoặc giá trị tham số không hợp lệ	Bước tiếp theoSửa các trường được chỉ ra trước khi gửi yêu cầu tạo mới.
Phản hồi`server_error`	Điều kiệnPhản hồi trả về cho biết thao tác hoặc kết quả cần được kiểm tra	Bước tiếp theoGiữ lại ID thao tác/tác vụ gốc đã trả về, các header của yêu cầu và toàn bộ phản hồi; tiếp tục truy xuất thao tác gốc đó bằng các phương thức được hỗ trợ. Không gửi lại yêu cầu tạo.

Bí danh

Bí danh mô hình

Ailoot gemini-3.5-transcribe

Bí danh đường dẫn phương thức

Dùng các đường dẫn phương thức hiển thị ở trên.

ID gọi liên quan

gemini-3.5-transcribe

FAQ · Gemini 3.5 Transcribe

Có những đầu vào và kết quả nào?: POST /v1/audio/transcriptions · gemini-3.5-transcribe: audio → text
Yêu cầu sử dụng những trường nào?: POST /v1/audio/transcriptions · gemini-3.5-transcribe: model, file, response_format

Gemini 3.5 Transcribe