Google: Gemini 3.5 Transcribe

Google: Gemini 3.5 Transcribe to model zamiany mowy na tekst od Google. Należy do kategorii transkrypcji, a data premiery u dostawcy to 25 września 2026. Jeśli tworzysz cokolwiek, co zamienia nagraną lub strumieniowaną mowę na tekst pisany, to jest rodzina modeli, którą Google pozycjonuje do tego zadania, i jest dostępna na api14 pod identyfikatorem modelu google/gemini-3.5-transcribe.

Model przyjmuje audio jako jedyny modalność wejściową i zwraca transkrypcję jako wynik. Ma długość kontekstu 98 304 tokenów i maksymalny wynik 32 768 tokenów. Google opisuje go jako odpowiedni do transkrypcji synchronicznej, która wymaga znaczników czasu na poziomie słów lub diaryzacji mówców, z obsługą do ośmiu mówców. Te dwa szczegóły kształtują to, czego można oczekiwać od wyniku: nie tylko płaskiego bloku tekstu, ale informacji o czasie wyrównanych do słów oraz etykiet rozdzielających głosy, gdy mówi więcej niż jedna osoba.

To połączenie wskazuje na dość konkretny zestaw zastosowań. Transkrypcje spotkań i rozmów korzystają z diaryzacji, ponieważ można przypisać każdą linię do uczestnika, zamiast zgadywać, kto mówił. Znaczniki czasu na poziomie słów są przydatne, gdy trzeba wyrównać tekst do osi czasu multimediów, na przykład przy generowaniu napisów lub podpisów, budowaniu przeszukiwalnych indeksów, które przeskakują do dokładnego momentu wypowiedzenia frazy, albo podświetlaniu wypowiedzianej części nagrania podczas odtwarzania. Transkrypcja synchroniczna sugeruje również scenariusze interaktywne, w których tekst powstaje, gdy audio wciąż napływa, takie jak napisy na żywo lub robienie notatek podczas sesji. Limit ośmiu mówców pasuje bardziej do dyskusji panelowych, wywiadów i standupów niż do dużych sal konferencyjnych z wieloma zmieniającymi się głosami.

Wywoływanie go przez api14 działa tak samo jak w przypadku każdego innego modelu na platformie, ponieważ API jest zgodne z OpenAI. Wysyłasz żądanie do punktu końcowego chat completions z identyfikatorem modelu google/gemini-3.5-transcribe i audio jako danymi wejściowymi. Jedna rzecz do sprawdzenia przed rozpoczęciem: lista obsługiwanych parametrów dla tego modelu jest pusta, więc nie należy zakładać, że kontrolki próbkowania takie jak temperature, top_p lub max_tokens zostaną przyjęte albo zmienią zachowanie. Buduj integrację wokół ustawień domyślnych i traktuj ładunek audio oraz identyfikator modelu jako części, które kontrolujesz.

Główne ograniczenia, o których trzeba pamiętać, to typy wejścia i wyjścia oraz limity rozmiaru. Na wejściu jest tylko audio, a na wyjściu tylko transkrypcja, więc nie jest to model, po który warto sięgać, jeśli potrzebujesz wnioskowania na podstawie transkrypcji, streszczania, tłumaczenia lub innego generowania tekstu w tym samym wywołaniu. W tym celu przekażesz transkrypcję do ogólnego modelu tekstowego. Kontekst 98 304 tokenów i pułap wyniku 32 768 tokenów oznaczają również, że bardzo długie nagrania mogą wymagać podzielenia na fragmenty, a jeśli audio zawiera więcej niż ośmiu różnych mówców, diaryzacja może nie objąć wszystkich.