Google: Gemini 3.5 Transcribe

Google : Gemini 3.5 Transcribe est un modèle de reconnaissance vocale de Google. Il appartient à la catégorie transcription, et sa date de publication par le fournisseur est le 25 septembre 2026. Si vous construisez quoi que ce soit qui transforme de la parole enregistrée ou diffusée en texte écrit, c'est la famille de modèles que Google positionne pour cette tâche, et elle est disponible sur api14 sous l'identifiant de modèle google/gemini-3.5-transcribe.

Le modèle prend l'audio comme seule modalité d'entrée et renvoie une transcription en sortie. Il a une longueur de contexte de 98 304 tokens et une sortie maximale de 32 768 tokens. Google le décrit comme adapté à la transcription synchrone nécessitant des horodatages au niveau des mots ou la diarisation des locuteurs, avec prise en charge de jusqu'à huit locuteurs. Ces deux détails façonnent ce que vous pouvez attendre de la sortie : pas seulement un bloc de texte plat, mais des informations de timing alignées sur les mots et des étiquettes qui séparent les voix lorsque plusieurs personnes parlent.

Cette combinaison indique un ensemble de cas d'usage assez spécifique. Les transcriptions de réunions et d'appels bénéficient de la diarisation, puisque vous pouvez attribuer chaque ligne à un participant plutôt que de deviner qui a parlé. Les horodatages au niveau des mots sont utiles lorsque vous devez aligner du texte sur une chronologie multimédia, par exemple pour générer des sous-titres ou des légendes, construire des index consultables qui sautent au moment exact où une phrase a été dite, ou mettre en évidence la portion parlée d'un enregistrement pendant la lecture. La transcription synchrone suggère aussi des scénarios interactifs, où le texte est produit pendant que l'audio arrive encore, comme le sous-titrage en direct ou la prise de notes pendant une session. La limite de huit locuteurs convient davantage aux tables rondes, aux entretiens et aux mêlées qu'aux grandes salles de conférence avec de nombreuses voix qui alternent.

L'appeler via api14 fonctionne de la même manière que n'importe quel autre modèle de la plateforme, car l'API est compatible OpenAI. Vous envoyez votre requête au point de terminaison chat completions avec l'identifiant de modèle google/gemini-3.5-transcribe et votre audio en entrée. Une chose à vérifier avant de commencer : la liste des paramètres pris en charge pour ce modèle est vide, donc vous ne devez pas supposer que des contrôles d'échantillonnage tels que temperature, top_p ou max_tokens seront acceptés ou modifieront le comportement. Construisez votre intégration autour des valeurs par défaut et considérez la charge utile audio et l'identifiant de modèle comme les éléments que vous contrôlez.

Les principales contraintes à garder en tête sont les types d'entrée et de sortie et les limites de taille. Seul l'audio entre, et seule la transcription sort, donc ce n'est pas le modèle à utiliser si vous avez besoin de raisonnement sur la transcription, de résumé, de traduction ou de toute autre génération de texte dans le même appel. Pour cela, vous transmettez la transcription à un modèle de texte généraliste. Le contexte de 98 304 tokens et le plafond de sortie de 32 768 tokens signifient aussi que les enregistrements très longs devront peut-être être découpés en segments, et si votre audio comporte plus de huit locuteurs distincts, la diarisation risque de ne pas couvrir tout le monde.