Google: Gemini 3.5 Transcribe
Google Gemini 3.5 Transcribe 將錄製語音轉為文字，具備自動語言偵測、自訂詞彙，以及可選的單字時間資訊或講者分離。需要時間資訊及講者歸屬時選擇 VERBATIM；需要易讀聽寫時選擇 SMART。SMART 無法與上述兩項功能結合。
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。
Google Gemini 3.5 Transcribe 是將完整預錄音訊檔案轉為書面語音內容的同步模型。它以 Gemini 的音訊理解能力為基礎，但具備轉錄專用的輸入與輸出契約。另一個獨立的 Gemini 3.5 Transcribe Live 版本接收音訊串流並回傳增量結果。此錄製音訊模型產生完整轉錄稿，並依所選設定提供可選的單字時間資訊或講者歸屬。
請準備清楚的錄音，避免語音嚴重削波，並盡可能讓不同聲音有明確分隔。製造商的同步範例以檔案位元組或儲存的音訊資源傳入 WAV 音訊，並指定 MIME 類型。請保留原始音訊供檢查。所需成果可能是經核對的訪談稿、字幕對齊紀錄或易讀聽寫；結合會改變文字或新增中繼資料的功能之前，應先決定需要哪種成果。
Google 記載了涵蓋超過 85 種語言的自動語言偵測，包括同一工作階段內混用語言。各語言支援程度不同，已知語言提示可以改善辨識。自訂詞彙提供錄音中可能出現的特殊姓名、品牌或專業術語。開發者允許最多 1,000 個詞，並指出聚焦且最多約 100 個詞的清單通常效果最好。罕見詞應與錄音相關，並對照音訊檢查，不要假設詞彙提示就能證明該詞確實被說出。
VERBATIM 是預設模式。它保留贅詞、重複、起頭重說及口頭修正，讓文字維持原始措辭紀錄。需要單字層級時間戳記或講者分離時，應使用此模式。例如訪談應保留原始回合與時間資訊，再透過聆聽相關段落修正重要姓名及數量。之後的摘要或潤飾文章可使用這份經檢查的紀錄，而不默默取代講者原話。
SMART 模式專為易讀聽寫設計。它移除不流暢語句、處理說話中當場自我修正，並將口述素材組織為段落或清單，適當時也正規化日期與數字。口述待辦清單可以變成易讀清單，而非一長串口頭轉折。這項處理會改變轉錄稿形式。Google 明確表示 SMART 與單字時間戳記及講者分離不相容，因此需要易讀文字成果時才選用，不要嘗試將它當成具時間資訊及講者歸屬的紀錄。
啟用單字時間資訊後，回應包含辨識出的單字及起訖偏移量，可用於在錄音中定位修正或準備字幕。開發者指出，啟用單字層級時間戳記會犧牲部分準確性。請同時檢查文字及對齊，尤其是快速語音、重疊聲音或特殊術語處。實用的時間化轉錄稿應將單字紀錄與來源音訊一併保留，而非把流暢句子視為對齊正確的證明。
講者分離會識別並標記錄製音訊中的聲音，文件記載最多八位講者。開發者將三位以上講者的歸屬標示為實驗性功能。請將標籤視為推斷出的講者分組，並對照錄音檢查轉換。講者標籤不是個人身分或角色的獨立證據。若任務需要姓名，應依已知錄音資訊將標籤關聯至姓名，而非從辨識文字杜撰身分。
製造商功能表列出 15 分鐘的錄製音訊視窗；啟用時間戳記或講者分離等功能時，檔案處理受此長度限制。較長來源素材應分成適當片段，同時保留順序及原始時間位置。模型的轉錄稿、帶時間資訊的單字及講者標記部分，是不同的結果表示；應保留任務需要的表示方式。這些音訊專用上限不應換成一般 Gemini 多模態模型的上下文或時長數字。Google 將 SMART 格式化、單字層級時間戳記及講者分離列為實驗性功能。
輸出契約專用於轉錄。SMART 格式化建立易讀文字，但不會新增一般 JSON-schema 回應契約、工具呼叫能力或遵循指令的助理流程。最終成果應對照音訊核對重要措辭、數字及否定詞，保留任何尚未解決的片段供修正，並隨結果記錄所選模式。這能清楚表明交付內容是原始口述措辭紀錄，還是由其編輯而成的易讀版本。
Ailoot Ultra · 語音轉文字 POST /v1/audio/transcriptions google/gemini-3.5-transcribe
google/gemini-3.5-transcribe入門
Google Gemini 3.5 Transcribe 將錄製語音轉為文字，具備自動語言偵測、自訂詞彙，以及可選的單字時間資訊或講者分離。需要時間資訊及講者歸屬時選擇 VERBATIM；需要易讀聽寫時選擇 SMART。SMART 無法與上述兩項功能結合。
- 接受的輸入
- 音訊
- 結果
- 文字
Ailoot 可用 · 輸入與方法
Ailoot Ultra · 語音轉文字 POST /v1/audio/transcriptions
- 輸入
audio- 輸出
text
| 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 google/gemini-3.5-transcribe | 預設值— |
欄位input_audio | 類型object | 要求必填 | 值與限制 | 預設值— |
欄位language | 類型string | 要求選填 | 值與限制 | 預設值— |
欄位temperature | 類型number | 要求選填 | 值與限制 最小值: 0 最大值: 1 | 預設值— |
欄位response_format | 類型string | 要求選填 | 值與限制 json, verbose_json | 預設值json |
欄位timestamp_granularities | 類型array | 要求選填 | 值與限制 | 預設值— |
欄位provider | 類型object | 要求選填 | 值與限制 | 預設值— |
方法參數與生命週期
| 參數 | 規格 |
|---|---|
參數content_type | 規格application/json |
參數required | 規格model, input_audio |
參數material_types | 規格audio |
參數material_conditions | 規格請讀取實際的 WAV 檔案，並將其真實位元組編碼，用於所宣告的 JSON input_audio；此確切的純 JSON 宣告並未提供 multipart 路由。 |
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}
方案
最終費用的計算方式
顯示的費率用於在生成前估算費用。最終費用依原始生成作業記錄的成本計算。實測的輸出時間長度與預估數量並非最終計費數量。
費率資訊不會增加請求選項。支援的參數列於所選方法中。
- 快速模式
- 未指定 選取快速模式時
- flex 模式
- 未指定 選取 flex 模式時
- 最高推理強度
- 未指定 最高推理強度採用 default 調整值時
供比較的預估費率
各設定的價格
請逐一核對各項費用與所列條件。每組互為替代選項的設定只套用一種費率。
| 設定 | 費率表 | 預估數量 | 計費單位 | 費用 |
|---|---|---|---|---|
| 設定基礎 token 費率 | 費率表基本費率 | 預估數量— | 計費單位— | 費用 輸入 · 輸入 Token · 僅供比較的估算 — / 1K Token 輸出 · 輸出 Token · 僅供比較的估算 — / 1K Token 輸入 · 讀取快取 · 僅供比較的估算 — / 1K Token 輸入 · 寫入快取 · 僅供比較的估算 — / 1K Token 輸入 · 寫入快取，1 小時 · 僅供比較的估算 — / 1K Token |
| 設定輸入 token | 費率表— | 預估數量— | 計費單位/ 1K Token | 費用 輸入 · 僅供比較的估算 $0.004 / 1K Token |
| 設定輸出 token | 費率表— | 預估數量— | 計費單位/ 1K Token | 費用 輸出 · 僅供比較的估算 $0.024 / 1K Token |
| 設定預估生成費用 | 費率表— | 預估數量單次生成估算值 | 計費單位— | 費用 輸出 · 預估生成費用 · 僅供比較的估算 $1.179648 生成前估算 此估算並非額外費用，也不是本次生成完成後的固定費率。 |
Ailoot 會在請求前預留估算金額。取得結果後，依實測用量結算最終費用。串流結算採用最終用量紀錄。預留金額與結算的運作方式 →
請求範例
Ailoot Ultra · 語音轉文字
set -eu
: "${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 $AILOOT_API_KEY" -H 'Content-Type: application/json' \
--data-binary @request.json -D response-headers.txt -o response.bin
# Keep the complete original response and headers. Read every returned segment, word and usage field.
# Preserve actual operation/task/asset IDs; continue reads of the original result without resubmitting.
接收並儲存結果
Ailoot Ultra · 語音轉文字
GET /v1/media/tasks/{task_id}GET /v1/media/assets/{asset_id}/contentGET /v1/media/assetsGET /v1/media/assets/{asset_id}
其他內容讀取方式
set -eu
: "${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.
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。
保留完整回應與標頭、所有實際輸出、原始回傳的識別碼，以及所有用量欄位。恢復原始作業時，請勿再次提交建立請求。
需要檢查原始回應時
保留回傳的 X-Client-Request-ID，以供核對。僅讀取實際回傳的 task_id/asset_id 值或自己擁有的媒體庫；請勿以作業 ID 組成任務 URL，也請勿重新提交建立請求。
回應欄位
| 欄位 | 類型 |
|---|---|
欄位text | 類型 |
欄位usage | 類型 |
欄位segments[] | 類型 |
欄位words[] | 類型 |
欄位speaker fields | 類型 |
欄位timestamps | 類型 |
別名
模型別名
Ailoot Ultra google/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 · Google: Gemini 3.5 Transcribe
- 可以使用哪些輸入與結果？
POST /v1/audio/transcriptions·google/gemini-3.5-transcribe:audio→text- 請求使用哪些欄位？
POST /v1/audio/transcriptions·google/gemini-3.5-transcribe:model,input_audio,language,temperature,response_format,timestamp_granularities,provider- 適用哪些限制？
POST /v1/audio/transcriptions·google/gemini-3.5-transcribe:temperature.minimum:0;temperature.maximum:1