Google: Gemini 3.5 Transcribe

Google: Gemini 3.5 Transcribe é um modelo de conversão de fala em texto do Google. Ele se enquadra na categoria de transcrição, e a data de lançamento do provedor é 25 de setembro de 2026. Se você está construindo qualquer coisa que transforme fala gravada ou transmitida em texto escrito, esta é a família de modelos que o Google posiciona para essa tarefa, e está disponível em api14 sob o id de modelo google/gemini-3.5-transcribe.

O modelo recebe áudio como sua única modalidade de entrada e retorna transcrição como saída. Ele tem um comprimento de contexto de 98.304 tokens e uma saída máxima de 32.768 tokens. O Google o descreve como adequado para transcrição síncrona que precisa de carimbos de data e hora em nível de palavra ou diarização de falantes, com suporte para até oito falantes. Esses dois detalhes moldam o que você pode esperar da saída: não apenas um bloco plano de texto, mas informações de temporização alinhadas às palavras e rótulos que separam as vozes quando mais de uma pessoa está falando.

Essa combinação aponta para um conjunto bastante específico de casos de uso. Transcrições de reuniões e chamadas se beneficiam da diarização, já que você pode atribuir cada linha a um participante em vez de adivinhar quem falou. Carimbos de data e hora em nível de palavra são úteis quando você precisa alinhar texto a uma linha do tempo de mídia, por exemplo gerar legendas ou subtítulos, construir índices pesquisáveis que saltam para o momento exato em que uma frase foi dita, ou destacar a parte falada de uma gravação durante a reprodução. A transcrição síncrona também sugere cenários interativos, em que o texto é produzido enquanto o áudio ainda está chegando, como legendagem ao vivo ou anotação durante uma sessão. O limite de oito falantes se encaixa mais em painéis de discussão, entrevistas e reuniões diárias do que em grandes salas de conferência com muitas vozes rotativas.

Chamá-lo através de api14 funciona da mesma forma que qualquer outro modelo na plataforma, porque a API é compatível com OpenAI. Você envia sua requisição ao endpoint de conclusões de chat com o id de modelo google/gemini-3.5-transcribe e seu áudio como entrada. Uma coisa a verificar antes de começar: a lista de parâmetros suportados para este modelo está vazia, então você não deve presumir que controles de amostragem como temperature, top_p ou max_tokens serão aceitos ou mudarão o comportamento. Construa sua integração em torno dos padrões e trate o payload de áudio e o id de modelo como as partes que você controla.

As principais restrições a ter em mente são os tipos de entrada e saída e os limites de tamanho. Apenas áudio entra, e apenas transcrição sai, então este não é o modelo a procurar se você precisa de raciocínio sobre a transcrição, sumarização, tradução ou qualquer outra geração de texto na mesma chamada. Para isso, você passaria a transcrição para um modelo de texto de propósito geral. O contexto de 98.304 tokens e o teto de saída de 32.768 tokens também significam que gravações muito longas podem precisar ser divididas em partes, e se seu áudio tiver mais de oito falantes distintos, a diarização pode não cobrir todos.