Google: Gemini 3.5 Transcribe

Google: Gemini 3.5 Transcribe adalah model speech-to-text dari Google. Model ini berada di kategori transkripsi, dan tanggal rilis penyedianya adalah 25 September 2026. Jika Anda membangun apa pun yang mengubah ucapan yang direkam atau dialirkan menjadi teks tertulis, ini adalah keluarga model yang diposisikan Google untuk tugas tersebut, dan tersedia di api14 dengan model id google/gemini-3.5-transcribe.

Model ini menerima audio sebagai satu-satunya modalitas input dan mengembalikan transkripsi sebagai output. Panjang konteksnya 98.304 token dan output maksimumnya 32.768 token. Google mendeskripsikannya cocok untuk transkripsi sinkron yang membutuhkan timestamp tingkat kata atau diarisasi pembicara, dengan dukungan hingga delapan pembicara. Dua detail tersebut membentuk apa yang dapat Anda harapkan dari output: bukan sekadar blok teks datar, tetapi informasi waktu yang selaras dengan kata dan label yang memisahkan suara ketika lebih dari satu orang berbicara.

Kombinasi itu mengarah ke serangkaian use case yang cukup spesifik. Transkrip rapat dan panggilan mendapat manfaat dari diarisasi, karena Anda dapat mengaitkan setiap baris ke peserta tertentu daripada menebak siapa yang berbicara. Timestamp tingkat kata berguna ketika Anda perlu menyelaraskan teks dengan timeline media, misalnya menghasilkan caption atau subtitle, membangun indeks yang dapat dicari yang melompat ke momen tepat ketika sebuah frasa diucapkan, atau menyorot bagian yang diucapkan dari rekaman selama pemutaran. Transkripsi sinkron juga menunjukkan skenario interaktif, di mana teks dihasilkan saat audio masih masuk, seperti live captioning atau pencatatan selama sesi. Batas delapan pembicara lebih cocok untuk diskusi panel, wawancara dan standup daripada ruang konferensi besar dengan banyak suara yang bergantian.

Memanggilnya melalui api14 bekerja dengan cara yang sama seperti model lain di platform, karena API-nya kompatibel dengan OpenAI. Anda mengirim permintaan ke endpoint chat completions dengan model id google/gemini-3.5-transcribe dan audio Anda sebagai input. Satu hal yang perlu diperiksa sebelum Anda mulai: daftar parameter yang didukung untuk model ini kosong, jadi Anda tidak boleh mengasumsikan bahwa kontrol sampling seperti temperature, top_p atau max_tokens akan diterima atau akan mengubah perilaku. Bangun integrasi Anda di sekitar default dan perlakukan payload audio serta model id sebagai bagian yang Anda kendalikan.

Batasan utama yang perlu diingat adalah jenis input dan output serta batas ukuran. Hanya audio yang masuk, dan hanya transkripsi yang keluar, jadi ini bukan model yang tepat jika Anda membutuhkan penalaran atas transkrip, peringkasan, terjemahan atau pembuatan teks lain dalam panggilan yang sama. Untuk itu Anda akan meneruskan transkrip ke model teks serbaguna. Konteks 98.304 token dan batas output 32.768 token juga berarti rekaman yang sangat panjang mungkin perlu dipecah menjadi beberapa bagian, dan jika audio Anda memiliki lebih dari delapan pembicara berbeda, diarisasi mungkin tidak mencakup semuanya.