Gemini 3.5 Transcribe
Google 的語音辨識模型，可偵測語言、區分說話者，並提供逐字時間標記。
關於模型
此說明介紹模型的能力。Ailoot 可用的輸入、輸出與選項，依所選方法列於下方。
Gemini 3.5 Transcribe 將音訊檔案轉換成文字。除了轉寫，它也支援語言偵測、說話者區分、逐字時間標記、自訂詞彙表，以及智慧文字整理。
語言與時長
模型支援超過 85 種語言，包括俄文，也能處理同一段錄音中的語言切換。語言會自動辨識。一般請求可處理最長一小時的音訊；若區分說話者或啟用逐字時間標記，上限會縮短為 30 分鐘。
輸出包含完整逐字稿，在相應模式中也包含個別字詞的標註。這個模型用於檔案處理；持續的即時語音辨識屬於獨立版本 gemini-3.5-transcribe-live。
轉寫模式
預設模式為逐字轉寫。智慧模式會去除填充詞、處理說話者的自我修正，並整理文字格式；它不能與說話者區分或逐字時間標記一起使用。
說話者區分支援最多八位說話者。針對三位以上說話者判斷誰說了哪句話，屬於實驗功能。時間標記可將文字與錄音連結，但啟用後可能降低語音辨識準確度。
詞彙與檔案
使用者自訂詞彙表可容納最多 1 000 筆項目；Google 表示，通常限制在約一百筆會比較好。詞彙表不能與說話者區分或逐字時間標記一起使用，因此選擇模式時，應考量專門詞彙與詳細的說話者、時間標註何者更重要。
支援的音訊格式包括 WAV、MP3、AIFF、AAC、OGG、FLAC、MPEG、M4A、L16、Opus、A-law、mu-law 與 WebM。檔案處理公布了時長上限及模式搭配限制。Transcribe 系列說明也列出 96K 個 token 的上下文與 32K 個 token 的文字輸出；這些系列特性不會取代所選方法的檔案限制。
模型不支援上下文快取、程式碼執行、檔案搜尋、函式呼叫、影像創作或 Thinking。它的專門用途是從聲音取得文字與標註，而不是生成新的語音。
Ailoot · 語音轉文字 POST /v1/audio/transcriptions gemini-3.5-transcribe
gemini-3.5-transcribe入門
Google 的語音辨識模型，可偵測語言、區分說話者，並提供逐字時間標記。
- 接受的輸入
- 音訊
- 結果
- 文字
Ailoot 可用 · 輸入與方法
Ailoot · 語音轉文字 POST /v1/audio/transcriptions
- 輸入
audio- 輸出
text- 輸出格式
- json
| 欄位 | 類型 | 要求 | 值與限制 | 預設值 |
|---|---|---|---|---|
欄位model | 類型string | 要求必填 | 值與限制 gemini-3.5-transcribe | 預設值— |
欄位file | 類型file | 要求必填 | 值與限制 位元組數上限: 67,108,864 檔案格式: wav, mp3, m4a, ogg, webm, flac 內容類型: multipart/form-data 時長上限（秒）: 600 | 預設值— |
欄位response_format | 類型string | 要求選填 | 值與限制 json | 預設值— |
輸入素材組合
speech_to_text · 必填： actual audio file
方法參數與生命週期
| 參數 | 規格 |
|---|---|
參數material_types | 規格audio |
參數required | 規格null |
參數optional_controls | 規格null |
生命週期： synchronous_result_then_owned_library
GET /v1/media/tasks/{task_id} · 實際回傳的 task_id 或媒體庫紀錄
GET /v1/media/assets/{asset_id}/content
GET /v1/media/assets
GET /v1/media/assets/{asset_id}
方法結構與 ID 均為精確值；供應商能力與准入狀態分開。
方案
Ailoot 方法費率
POST /v1/audio/transcriptions- 輸入
- US$0.01 每分鐘，不足一分鐘亦計為一分鐘
Ailoot 會在請求前預留估算金額。取得結果後，依實測用量結算最終費用。串流結算採用最終用量紀錄。預留金額與結算的運作方式 →
請求範例
Ailoot · 語音轉文字
set -eu
: "${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
接收並儲存結果
Ailoot · 語音轉文字
json
GET /v1/media/tasks/{task_id}GET /v1/media/assets/{asset_id}/contentGET /v1/media/assetsGET /v1/media/assets/{asset_id}
保留所有已完成的結果
請保留所有完整傳回的回應、檔案與內容區塊。
請保留完整 JSON，而非僅保留文字；所有可用的片段／說話者／時間戳記與實際工作／資產身分均須保留。
需要檢查原始回應時
保留原始 operation_id/X-Client-Request-ID 以供核對，請勿重新提交；沒有專用的音訊輪詢路由。
回應欄位
| 欄位 | 類型 |
|---|---|
欄位text | 類型string |
欄位segments[] | 類型object |
欄位task_id | 類型string |
欄位asset_url | 類型string |
欄位usage | 類型object |
錯誤與後續步驟
| 回應 | 條件 | 下一步 |
|---|---|---|
回應400 · invalid_request_error | 條件必要欄位、素材表示方式或參數值無效 | 下一步提出新的建立請求前，先修正指定欄位。 |
回應server_error | 條件回傳的回應表示該作業或結果需要檢查 | 下一步保留原始回傳的作業／任務 ID、請求標頭與回應；繼續以支援的方式讀取該原始作業。請勿重新提交建立請求。 |
別名
模型別名
Ailoot gemini-3.5-transcribe
方法路徑別名
請使用上方列出的 API 方法路徑。
相關呼叫用 ID
FAQ · Gemini 3.5 Transcribe
- 可以使用哪些輸入與結果？
POST /v1/audio/transcriptions·gemini-3.5-transcribe:audio→text- 請求使用哪些欄位？
POST /v1/audio/transcriptions·gemini-3.5-transcribe:model,file,response_format