Google: Gemini 3.5 Transcribe

Google: Gemini 3.5 Transcribe هو نموذج تحويل الكلام إلى نص من Google. يقع في فئة النسخ، وتاريخ إصداره من المزود هو 25 سبتمبر 2026. إذا كنت تبني أي شيء يحوّل الكلام المسجّل أو المتدفق إلى نص مكتوب، فهذه هي عائلة النماذج التي تضعها Google لهذه المهمة، وهي متاحة على api14 تحت معرّف النموذج google/gemini-3.5-transcribe.

يأخذ النموذج الصوت كوسيلة الإدخال الوحيدة ويعيد النسخ كمخرجات. طول السياق لديه 98,304 رمزاً والحد الأقصى للمخرجات 32,768 رمزاً. تصفه Google بأنه مناسب للنسخ المتزامن الذي يحتاج إلى طوابع زمنية على مستوى الكلمة أو تمييز المتحدثين، مع دعم يصل إلى ثمانية متحدثين. هاتان التفصيلتان تشكّلان ما يمكنك توقعه من المخرجات: ليس مجرد كتلة نصية مسطّحة، بل معلومات توقيت محاذية للكلمات وتسميات تفصل الأصوات عندما يتحدث أكثر من شخص واحد.

تشير هذه التركيبة إلى مجموعة محددة إلى حد ما من حالات الاستخدام. تستفيد نصوص الاجتماعات والمكالمات من تمييز المتحدثين، إذ يمكنك نسب كل سطر إلى مشارك بدلاً من تخمين من تحدث. تكون الطوابع الزمنية على مستوى الكلمة مفيدة عندما تحتاج إلى محاذاة النص مع الجدول الزمني لوسائط، على سبيل المثال إنشاء الترجمات أو التسميات التوضيحية، أو بناء فهارس قابلة للبحث تقفز إلى اللحظة الدقيقة التي قيلت فيها عبارة ما، أو إبراز الجزء المنطوق من تسجيل أثناء التشغيل. يشير النسخ المتزامن أيضاً إلى سيناريوهات تفاعلية، حيث يُنتَج النص بينما لا يزال الصوت يصل، مثل التسميات التوضيحية المباشرة أو تدوين الملاحظات أثناء جلسة. حد المتحدثين الثمانية يناسب حلقات النقاش والمقابلات والاجتماعات اليومية أكثر من قاعات المؤتمرات الكبيرة ذات الأصوات المتغيرة الكثيرة.

استدعاؤه عبر api14 يعمل بالطريقة نفسها كأي نموذج آخر على المنصة، لأن الواجهة البرمجية متوافقة مع OpenAI. ترسل طلبك إلى نقطة نهاية إكمالات الدردشة مع معرّف النموذج google/gemini-3.5-transcribe وصوتك كإدخال. هناك أمر واحد يجب التحقق منه قبل أن تبدأ: قائمة المعاملات المدعومة لهذا النموذج فارغة، لذا لا ينبغي أن تفترض أن عناصر التحكم في أخذ العينات مثل temperature أو top_p أو max_tokens ستُقبل أو ستغيّر السلوك. ابنِ تكاملك حول الإعدادات الافتراضية وتعامل مع حمولة الصوت ومعرّف النموذج باعتبارهما الجزأين الذين تتحكم فيهما.

القيود الرئيسية التي يجب وضعها في الاعتبار هي أنواع الإدخال والإخراج وحدود الحجم. لا يدخل سوى الصوت، ولا يخرج سوى النسخ، لذا ليس هذا النموذج الذي تلجأ إليه إذا كنت تحتاج إلى استدلال على النص المنسوخ أو تلخيص أو ترجمة أو أي توليد نصي آخر في الاستدعاء نفسه. لذلك ستمرر النص المنسوخ إلى نموذج نصي عام الغرض. كما أن سياق 98,304 رمزاً وسقف المخرجات البالغ 32,768 رمزاً يعنيان أن التسجيلات الطويلة جداً قد تحتاج إلى تقسيم إلى أجزاء، وإذا كان صوتك يحتوي على أكثر من ثمانية متحدثين مميزين، فقد لا يغطي تمييز المتحدثين الجميع.