Google: Gemini 3.5 Transcribe

Google: Gemini 3.5 Transcribe는 Google의 음성-텍스트 모델입니다. 전사 카테고리에 속하며, 제공자 출시일은 2026년 9월 25일입니다. 녹음되거나 스트리밍된 음성을 텍스트로 바꾸는 무언가를 만들고 있다면, 이것이 Google이 그 작업을 위해 배치한 모델 패밀리이며, api14에서 모델 id google/gemini-3.5-transcribe로 사용할 수 있습니다.

이 모델은 오디오를 유일한 입력 모달리티로 받고 전사를 출력으로 반환합니다. 컨텍스트 길이는 98,304 토큰이고 최대 출력은 32,768 토큰입니다. Google은 이를 단어 수준 타임스탬프나 화자 분리가 필요하고 최대 8명의 화자를 지원하는 동기 전사에 적합하다고 설명합니다. 이 두 가지 세부 사항이 출력에서 기대할 수 있는 것을 결정합니다. 단순한 텍스트 덩어리가 아니라 단어에 정렬된 타이밍 정보와, 한 명 이상이 말할 때 목소리를 구분하는 레이블입니다.

이 조합은 상당히 구체적인 사용 사례 집합을 가리킵니다. 회의 및 통화 전사는 화자 분리의 이점을 누릴 수 있습니다. 누가 말했는지 추측하는 대신 각 줄을 참가자에게 귀속시킬 수 있기 때문입니다. 단어 수준 타임스탬프는 텍스트를 미디어 타임라인에 정렬해야 할 때 유용합니다. 예를 들어 캡션이나 자막을 생성하거나, 특정 문구가 말해진 정확한 순간으로 이동하는 검색 가능한 인덱스를 만들거나, 재생 중 녹음의 발화 부분을 강조할 때입니다. 동기 전사는 오디오가 아직 도착하는 동안 텍스트가 생성되는 상호작용 시나리오도 시사합니다. 예를 들어 라이브 캡셔닝이나 세션 중 노트 작성입니다. 8명 화자 제한은 많은 목소리가 계속 바뀌는 대형 회의실보다 패널 토론, 인터뷰, 스탠드업에 더 맞습니다.

api14를 통해 호출하는 방식은 플랫폼의 다른 모델과 동일합니다. API가 OpenAI 호환 방식이기 때문입니다. 모델 id google/gemini-3.5-transcribe와 입력으로 사용할 오디오를 chat completions 엔드포인트로 보내면 됩니다. 시작하기 전에 확인할 한 가지는 이 모델의 지원되는 매개변수 목록이 비어 있다는 점입니다. 따라서 temperature, top_p, max_tokens 같은 샘플링 제어가 허용되거나 동작을 바꿀 것이라고 가정해서는 안 됩니다. 기본값을 기준으로 통합을 구축하고, 오디오 페이로드와 모델 id를 여러분이 제어하는 부분으로 취급하세요.

염두에 둘 주요 제약은 입력 및 출력 유형과 크기 제한입니다. 오디오만 들어가고 전사만 나오므로, 같은 호출에서 전사에 대한 추론, 요약, 번역 또는 기타 텍스트 생성을 원한다면 이 모델을 선택할 대상이 아닙니다. 그런 경우에는 전사를 범용 텍스트 모델에 전달해야 합니다. 98,304 토큰 컨텍스트와 32,768 토큰 출력 상한은 또한 매우 긴 녹음을 청크로 나눠야 할 수 있음을 의미하며, 오디오에 8명을 초과하는 서로 다른 화자가 있으면 화자 분리가 모든 사람을 포괄하지 못할 수 있습니다.