Google: Gemini 3.5 Transcribe

Google: Gemini 3.5 Transcribe är en tal-till-text-modell från Google. Den tillhör kategorin transkribering, och dess leverantörsutgivningsdatum är 25 september 2026. Om du bygger något som omvandlar inspelat eller strömmat tal till skriven text är detta den modellfamilj som Google positionerar för den uppgiften, och den är tillgänglig på api14 under modell-id:t google/gemini-3.5-transcribe.

Modellen tar ljud som sin enda indatamodalitet och returnerar transkribering som sin utdata. Den har en kontextlängd på 98 304 tokens och en maximal utdata på 32 768 tokens. Google beskriver den som lämpad för synkron transkribering som behöver tidsstämplar på ordnivå eller talarseparering, med stöd för upp till åtta talare. Dessa två detaljer formar vad du kan förvänta dig av utdata: inte bara ett platt textblock, utan tidsinformation justerad till ord och etiketter som separerar röster när mer än en person talar.

Den kombinationen pekar mot en ganska specifik uppsättning användningsfall. Mötes- och samtalsutskrifter drar nytta av talarseparering, eftersom du kan tillskriva varje rad till en deltagare i stället för att gissa vem som talade. Tidsstämplar på ordnivå är användbara när du behöver justera text mot en mediatidslinje, till exempel för att generera undertexter, bygga sökbara index som hoppar till det exakta ögonblicket då en fras sades, eller markera den talade delen av en inspelning under uppspelning. Synkron transkribering antyder också interaktiva scenarier, där text produceras medan ljudet fortfarande anländer, såsom liveundertexter eller anteckningar under en session. Gränsen på åtta talare passar paneldiskussioner, intervjuer och standups bättre än stora konferensrum med många växlande röster.

Att anropa den via api14 fungerar på samma sätt som för alla andra modeller på plattformen, eftersom API:et är OpenAI-kompatibelt. Du skickar din begäran till chat completions-endpointen med modell-id:t google/gemini-3.5-transcribe och ditt ljud som indata. En sak att kontrollera innan du börjar: listan över parametrar som stöds för denna modell är tom, så du bör inte anta att samplingskontroller som temperature, top_p eller max_tokens accepteras eller ändrar beteendet. Bygg din integration kring standardvärdena och behandla ljudnyttolasten och modell-id:t som de delar du kontrollerar.

De främsta begränsningarna att ha i åtanke är indata- och utdatatyperna samt storleksgränserna. Endast ljud går in, och endast transkribering kommer ut, så detta är inte modellen att välja om du behöver resonemang över utskriften, sammanfattning, översättning eller någon annan textgenerering i samma anrop. För det skulle du skicka utskriften till en allmän textmodell. Kontexten på 98 304 tokens och utdatataket på 32 768 tokens innebär också att mycket långa inspelningar kan behöva delas upp i bitar, och om ditt ljud har fler än åtta distinkta talare kanske talarsepareringen inte täcker alla.