Google: Gemini 3.5 Transcribe

Google: Gemini 3.5 Transcribe è un modello speech-to-text di Google. Si colloca nella categoria trascrizione, e la data di rilascio del provider è il 25 settembre 2026. Se stai costruendo qualcosa che converte parlato registrato o in streaming in testo scritto, questa è la famiglia di modelli che Google posiziona per quel compito, ed è disponibile su api14 con il model id google/gemini-3.5-transcribe.

Il modello accetta audio come unica modalità di input e restituisce trascrizione come output. Ha una lunghezza di contesto di 98.304 token e un output massimo di 32.768 token. Google lo descrive come adatto per la trascrizione sincrona che necessita di timestamp a livello di parola o diarizzazione degli speaker, con supporto fino a otto speaker. Questi due dettagli delineano ciò che puoi aspettarti dall'output: non solo un blocco piatto di testo, ma informazioni temporali allineate alle parole ed etichette che separano le voci quando parla più di una persona.

Questa combinazione indica un insieme piuttosto specifico di casi d'uso. Le trascrizioni di riunioni e chiamate traggono vantaggio dalla diarizzazione, poiché puoi attribuire ogni riga a un partecipante invece di indovinare chi ha parlato. I timestamp a livello di parola sono utili quando devi allineare il testo a una timeline multimediale, per esempio generando didascalie o sottotitoli, costruendo indici ricercabili che saltano al momento esatto in cui è stata detta una frase, o evidenziando la porzione parlata di una registrazione durante la riproduzione. La trascrizione sincrona suggerisce anche scenari interattivi, in cui il testo viene prodotto mentre l'audio sta ancora arrivando, come la sottotitolazione dal vivo o la presa di appunti durante una sessione. Il limite di otto speaker si adatta a discussioni panel, interviste e standup più che a grandi sale conferenze con molte voci che si alternano.

Chiamarlo tramite api14 funziona allo stesso modo di qualsiasi altro modello sulla piattaforma, perché l'API è compatibile con OpenAI. Invii la tua richiesta all'endpoint chat completions con il model id google/gemini-3.5-transcribe e il tuo audio come input. Una cosa da verificare prima di iniziare: la lista dei parametri supportati per questo modello è vuota, quindi non dovresti presumere che controlli di campionamento come temperature, top_p o max_tokens saranno accettati o cambieranno il comportamento. Costruisci la tua integrazione attorno ai valori predefiniti e considera il payload audio e il model id come le parti che controlli.

I vincoli principali da tenere a mente sono i tipi di input e output e i limiti di dimensione. Solo l'audio entra, e solo la trascrizione esce, quindi questo non è il modello a cui ricorrere se hai bisogno di ragionamento sulla trascrizione, riassunto, traduzione o qualsiasi altra generazione di testo nella stessa chiamata. Per quello passeresti la trascrizione a un modello di testo general purpose. Il contesto di 98.304 token e il tetto di output di 32.768 token significano anche che registrazioni molto lunghe potrebbero dover essere suddivise in chunk, e se il tuo audio ha più di otto speaker distinti, la diarizzazione potrebbe non coprire tutti.