Gemini 3.5 Transcribe הוא מודל של Google להמרת דיבור לטקסט בכמה שפות, שזמין דרך Agent Platform. הוא מבוסס על יכולות הבנת האודיו של Gemini, ומספק תמלול מדויק עם זמן אחזור קצר, זיהוי שפה על סמך ביטויים, חלוקה לפי דוברים, חותמות זמן ברמת המילה, תמלול חכם והטיית דיבור של אוצר מילים בהתאמה אישית.
Gemini 3.5 Transcribe הוא המודל העיקרי לתמלול אודיו, והוא מגשר על הפער בין מודלים מולטי-מודאליים עם יכולות הסקת מסקנות מעמיקות לבין תהליכי עבודה יעילים במיוחד של המרת דיבור לטקסט.
כדי להתחיל, עיינו במדריך למתחילים של Gemini 3.5 Transcribe.
הוא תומך בשתי שיטות פעולה עיקריות:
- תמלול בסטרימינג (בזמן אמת): הזרמת אודיו וקבלת תוצאות תמלול באופן מצטבר, בזמן אמת, באמצעות המודל
gemini-3.5-transcribe-live. - תמלול סינכרוני: תמלול של קובצי אודיו שלמים שהוקלטו מראש בבקשה אחת באמצעות המודל
gemini-3.5-transcribe.
תמיכה בתכונות ומגבלות
Gemini 3.5 Transcribe תומך בתכונות הבאות בשתי נקודות הקצה שלו:
| תכונה | סטרימינג בשידור חי (gemini-3.5-transcribe-live) |
עיבוד קובץ אודיו (gemini-3.5-transcribe) |
שלב ההשקה | הערות או מגבלות |
|---|---|---|---|---|
| זיהוי שפה אוטומטי | נתמך (יותר מ-85 שפות) | נתמך (יותר מ-85 שפות) | נתמך | כולל ערבוב קוד באמצע הסשן. |
| חותמות זמן ברמת הביטוי | נתמך | לא נתמך | נתמך | |
| חותמות זמן ברמת המילה | לא נתמך | נתמך | ניסיוני | פוגע בדיוק של התמלול. |
| הטיה של אוצר מילים בהתאמה אישית | נתמך (עד 1,000 מונחים) | נתמך (עד 1,000 מונחים) | נתמך | בדרך כלל, הלקוחות רואים את התוצאות הטובות ביותר עם עד 100 מונחים. |
| הכתבה חכמה ועיצוב חכם | נתמך (עם נקודות קצה ידניות) | נתמך | ניסיוני | התכונה כוללת הסרת מילים מיותרות ועיצוב אלפאנומרי שמבוסס על כוונת המשתמש. לסטרימינג בשידור חי, צריך להשתמש בזיהוי ידני של סוף הדיבור. |
| רמות רגישות של זיהוי סוף דיבור | נתמך | לא נתמך | נתמך | שולט ברגישות לתחילת הדיבור ולסיום הדיבור לזיהוי דיבור (VAD) אוטומטי. |
| זיהוי דוברים | לא נתמך | נתמך (עד 8 רמקולים) | ניסיוני | השיוך של 3 דוברים או יותר הוא ניסיוני. |
| משך האודיו המקסימלי | עד 10 דקות | עד 15 דקות | נתמך | עיבוד הקובץ מוגבל ל-15 דקות כשמופעלות תכונות כמו חלוקה לדוברים או חותמות זמן. |
עריכה באמצעות הקול (source_text) |
נתמך (במצב SMART ועם נקודות קצה ידניות) |
נתמך (במצב SMART) |
ניסיוני | מופעלת כברירת מחדל כשמשתמשים ב-mode="SMART". אפשר להזין עד 64KB של source_text קיים כדי לערוך, לשכתב או לשנות את הפורמט שלו באמצעות הוראות קוליות. לא תואם לחותמות זמן ברמת המילה ולזיהוי דוברים. |
מצבי תמלול
Gemini 3.5 Transcribe תומך בשני מצבי תמלול באמצעות הפרמטר mode ב-AudioTranscriptionConfig:
VERBATIM(ברירת המחדל): תמלול מדויק מילה במילה של כל מה שנאמר, כולל מילות קישור ("אממ", "אה", "כאילו", "אתם יודעים"), חזרות, הפסקות והתחלות שגויות.SMART(תמלול חכם): עיבוד חכם של התמליל כדי שיהיה קל יותר לקרוא אותו:- הסרת גמגום: הסרת מילים ריקות, גמגומים והתחלות שגויות.
- תיקונים עצמיים תוך כדי דיבור: פותר תיקונים שנאמרו ישירות (לדוגמה, "בואו ניפגש ביום שלישי, בעצם לא, ביום רביעי בשתיים" הופך ל"בואו ניפגש ביום רביעי בשעה 14:00").
- עיצוב מובנה אוטומטי: עיצוב אוטומטי של מחשבות מדוברות לפסקאות, רשימות ממוספרות, תבליטים, תאריכים, מטבעות ומספרים.
- תיקון דקדוק: הוספת סימני פיסוק, שימוש באותיות רישיות ושיפור הזרימה של הטקסט.
| אודיו של דיבור | VERBATIM פלט |
פלט של SMART (תמלול חכם) |
|---|---|---|
| "אממ, אז לפגישה, אני חושב שכדאי, אה, להזמין את אליס, לא, רגע, את בוב וקרול". | "אז לפגישה אני חושב שכדאי להזמין את אליס, לא, רגע, את בוב וקרול". | "לדעתי כדאי להזמין לפגישה את דני ודנה". |
| "First item review budget second item finalize timeline third item send recap" | "הפריט הראשון: בדיקת התקציב, הפריט השני: סיום לוח הזמנים, הפריט השלישי: שליחת סיכום" | "1. בדיקת התקציב 2. מסיימים את ציר הזמן 3. שליחת סיכום" |
תמלול של סטרימינג בשידור חי
ה-BidiGenerateContent (Live) API נשאר פתוח בזמן שאתם מעבירים בסטרימינג קטעי אודיו קטנים למודל ומקבלים תוצאות תמלול באופן מצטבר, כשהן הופכות לזמינות. התכונה הזו משמשת להוספת כתוביות או לתמלול של קלט המיקרופון כמעט בזמן אמת.
כדי לנסות תמלול בסטרימינג בלי לכתוב קוד, פותחים את gemini-3.5-transcribe-live בדף Gemini Live API ב-Agent Studio, מקליטים או מעלים אודיו וצופים בתמלול בסטרימינג.
התנסות ב-Gemini 3.5 Transcribe ב-Agent Studio
כדי לתמלל אודיו בסטרימינג, צריך ליצור LiveConnectConfig ולהגדיר את response_modalities ל-["TEXT"] לצד ההגדרה של input_audio_transcription.
import asyncio
from google import genai
from google.genai import types
client = genai.Client(enterprise=True, project=PROJECT_ID, location=LOCATION)
config = types.LiveConnectConfig(
response_modalities=["TEXT"],
input_audio_transcription=types.AudioTranscriptionConfig(
language_codes=["it-IT", "en-US"],
),
)
async def streaming_main(audio_file, config):
# Connect to the Live API session
async with client.aio.live.connect(model="gemini-3.5-transcribe-live", config=config) as session:
# In a complete implementation, you would chunk the audio and send via:
# await session.send_realtime_input(audio=types.Blob(data=data, mime_type="audio/pcm;rate=16000"))
# await session.send_realtime_input(audio_stream_end=True)
async for message in session.receive():
if message.server_content:
server_content = message.server_content
# Track the active interim segment
interim = server_content.interim_input_transcription
if interim and interim.text:
print(f"Interim: {interim.text}")
# Save final transcript and clear the interim
final = server_content.input_transcription
if final and final.text:
print(f"Final: {final.text}")
שינוי הרגישות של זיהוי סוף הדיבור
פלטפורמת Agent Platform מאפשרת לכם לשלוט בפשרה בין זמן האחזור לבין הדיוק של אפליקציות סטרימינג ואפליקציות בזמן אמת באמצעות gemini-3.5-transcribe-live. כברירת מחדל, מודל הזיהוי משתמש בזיהוי דיבור (VAD) אוטומטי וממתין לפרק זמן קצר של שקט אחרי זיהוי הדיבור, לפני שהוא שולח את הקטע האחרון של input_transcription. כך אפשר לוודא שהמשתמש סיים משפט או ביטוי שלם, ולשפר את הדיוק במחיר של עיכוב קל בתגובה הסופית.
אתם יכולים לשנות את הערכים של start_of_speech_sensitivity, end_of_speech_sensitivity, prefix_padding_ms ו-silence_duration_ms ב-AutomaticActivityDetection באפליקציות שבהן הזמן הוא גורם קריטי, כמו פקודות קוליות או בוטים קוליים, כדי לזהות את תחילת הדיבור, לסנן רעשי רקע או לסיים את התמלול מהר יותר.
(אם אתם צריכים גבולות תור בשליטת הלקוח במקום VAD אוטומטי, השתמשו בנקודות קצה ידניות). רמות הרגישות רלוונטיות רק לתמלול של סטרימינג בשידור חי (gemini-3.5-transcribe-live) כשמשתמשים ב-VAD אוטומטי, ואין תמיכה בעיבוד סינכרוני של קובצי אודיו (gemini-3.5-transcribe).
רמות רגישות
כשמשתמשים ב-VAD אוטומטי ב-RealtimeInputConfig, אפשר להגדיר את הפרמטרים הבאים ב-AutomaticActivityDetection בהתאם לתרחיש לדוגמה:
- רגישות לתחילת הדיבור (
start_of_speech_sensitivity): קובעת באיזו מהירות המודל מזהה את תחילת הדיבור.-
START_SENSITIVITY_UNSPECIFIED: שימוש ברגישות ברירת המחדל לתחילת הדיבור. -
START_SENSITIVITY_HIGH: זיהוי תחילת הדיבור בתדירות גבוהה יותר. אופטימיזציה לזיהוי דיבור שקט או ביטויים קצרים, כמו פקודות של מילה אחת, במהירות האפשרית. ההגדרה הזו עלולה להגביר את מספר ההפעלות השגויות בסביבות רועשות. -
START_SENSITIVITY_LOW: זיהוי תחילת הדיבור בתדירות נמוכה יותר. התכונה הזו מותאמת לסביבות רועשות כדי לצמצם הפעלות שגויות בגלל צלילי רקע.
-
- רגישות לסיום הדיבור (
end_of_speech_sensitivity): קובעת כמה מהר המודל מסיים את הדיבור שזוהה ויוצר את התמליל הסופי.-
END_SENSITIVITY_UNSPECIFIED: שימוש ברגישות ברירת המחדל לסיום הדיבור. -
END_SENSITIVITY_HIGH: סיום הדיבור שזוהה בתדירות גבוהה יותר. מותאם לאמירות קצרות, כמו משפטים בודדים או פקודות כמו "קבלת תזכורת להתקשר לרופא השיניים מחר". ההגדרה הזו מקצרת את זמן ההמתנה אחרי שהדיבור נפסק, ומספקת תגובה מהירה יותר תוך שמירה על דיוק סביר ברמת המשפט. -
END_SENSITIVITY_LOW: הדיבור שזוהה מסתיים בתדירות נמוכה יותר. המודל הזה מותאם להכתבה ארוכה ולדוברים שעושים הפסקות ארוכות יותר בין ביטויים. הוא עוזר למנוע חיתוך מוקדם מדי של הדיבור, אבל זמן האחזור ארוך יותר.
-
- Prefix padding (
prefix_padding_ms): משך הזמן הנדרש של דיבור שזוהה (באלפיות השנייה) לפני שהמודל מתחיל את הדיבור. ערכים נמוכים יותר קולטים ביטויים קצרים מהר יותר, וערכים גבוהים יותר עוזרים לסנן רעשים קצרים כמו קליקים או פצפוצים. - משך השתיקה (
silence_duration_ms): משך הזמן הנדרש של שתיקה רציפה (באלפיות השנייה) לפני שהמודל מזהה את סוף הדיבור. ערכים נמוכים יותר מסיימים את התמלול מהר יותר אחרי שהדיבור נפסק, וערכים גבוהים יותר מאפשרים הפסקות טבעיות ארוכות יותר באמצע המשפט בלי לפצל את הדיבור.
import asyncio
from google import genai
from google.genai import types
client = genai.Client(enterprise=True, project=PROJECT_ID, location=LOCATION)
config = types.LiveConnectConfig(
response_modalities=["TEXT"],
realtime_input_config=types.RealtimeInputConfig(
automatic_activity_detection=types.AutomaticActivityDetection(
start_of_speech_sensitivity=types.StartSensitivity.START_SENSITIVITY_LOW,
end_of_speech_sensitivity=types.EndSensitivity.END_SENSITIVITY_HIGH,
prefix_padding_ms=200,
silence_duration_ms=500,
),
),
input_audio_transcription=types.AudioTranscriptionConfig(
language_codes=["en-US"],
),
)
async def streaming_with_sensitivity(audio_file, config):
# Connect to the Live API session
async with client.aio.live.connect(
model="gemini-3.5-transcribe-live", config=config
) as session:
# In a complete implementation, you would chunk the audio and send via:
# await session.send_realtime_input(
# audio=types.Blob(data=data, mime_type="audio/pcm;rate=16000")
# )
# await session.send_realtime_input(audio_stream_end=True)
async for message in session.receive():
if message.server_content:
server_content = message.server_content
# Track the active interim segment
interim = server_content.interim_input_transcription
if interim and interim.text:
print(f"Interim: {interim.text}")
# Save final transcript and clear the interim
final = server_content.input_transcription
if final and final.text:
print(f"Final: {final.text}")
תמלול בזמן אמת במצב SMART וזיהוי ידני של סוף הדיבור
כשמשתמשים במצב SMART עם תמלול בסטרימינג בשידור חי (gemini-3.5-transcribe-live), צריך להשתמש בזיהוי נקודות קצה ידני (זיהוי דיבור ידני) במקום בזיהוי דיבור אוטומטי. במצב SMART מתבצע עיבוד לאחר הדיבור ברמת ההגייה – כמו פתרון תיקונים עצמיים ועיצוב רשימות או פסקאות – ולכן VAD אוטומטי עלול לפצל בטרם עת את המחשבה של המשתמש במהלך הפסקות טבעיות.
כדי להגדיר זיהוי ידני של סוף הדיבור, משביתים את automatic_activity_detection ב-RealtimeInputConfig ומסמנים באופן מפורש את ההתחלה והסוף של הדיבור של המשתמש באמצעות activity_start ו-activity_end:
config = types.LiveConnectConfig(
response_modalities=["TEXT"],
realtime_input_config=types.RealtimeInputConfig(
automatic_activity_detection=types.AutomaticActivityDetection(
disabled=True,
),
),
input_audio_transcription=types.AudioTranscriptionConfig(
mode="SMART",
),
)
async with client.aio.live.connect(
model="gemini-3.5-transcribe-live", config=config
) as session:
# Signal start of speech turn
await session.send_realtime_input(activity_start=types.ActivityStart())
# Stream audio chunks...
await session.send_realtime_input(
audio=types.Blob(data=audio_bytes, mime_type="audio/pcm;rate=16000")
)
# Signal end of speech turn so SMART mode can process the complete utterance
await session.send_realtime_input(activity_end=types.ActivityEnd())
עריכת הקול במצב Live
כשמשתמשים ב-gemini-3.5-transcribe-live עם mode="SMART" ועם זיהוי ידני של סוף הדיבור (automatic_activity_detection.disabled=True), העריכה באמצעות הקול פעילה בכל שלב בסשן:
- התחלה ריקה: משמיטים את
source_textמהשדהLiveConnectConfigכדי להכתיב ממצב ריק. תיקונים או פקודות עיצוב קוליות שיתבצעו בהמשך יעברו עריכה אוטומטית בתמליל המצטבר של הסשן. - התחלה עם נתונים: מעבירים את ה-
source_textהראשוני (עד 64KB) ב-input_audio_transcriptionבמהלך הגדרת הסשן, כדי שהתור המדובר הראשון יערוך מיד את הטקסט הקיים. - התקדמות עם שמירת מצב: בניגוד לבקשות סנכרוניות, הסשן במצב Live שומר את ה-
input_transcriptionהאחרון שהושלם כהקשר הטקסט הפעיל לתור הבא – אין צורך לשלוח מחדש את ה-source_textבין התורות. אם המשתמש עורך באופן ידני את מאגר הטקסט באמצעות מקלדת בין תורות קוליים, צריך לסגור את הסשן הנוכחי ולפתוח סשן חדש עם המאגר המעודכן ב-source_text.
import asyncio
from google import genai
from google.genai import types
client = genai.Client(enterprise=True, project=PROJECT_ID, location=LOCATION)
config = types.LiveConnectConfig(
response_modalities=["TEXT"],
realtime_input_config=types.RealtimeInputConfig(
automatic_activity_detection=types.AutomaticActivityDetection(
disabled=True,
),
),
input_audio_transcription=types.AudioTranscriptionConfig(
mode="SMART",
source_text="Draft agenda: 1. Q3 metrics 2. Hiring plan",
),
)
async def live_voice_edit(audio_bytes: bytes):
async with client.aio.live.connect(
model="gemini-3.5-transcribe-live",
config=config,
) as session:
# Signal start of spoken edit command
await session.send_realtime_input(activity_start=types.ActivityStart())
# Stream 16kHz mono PCM audio chunks
await session.send_realtime_input(
audio=types.Blob(data=audio_bytes, mime_type="audio/pcm;rate=16000")
)
# Signal end of utterance so SMART mode finalizes the edited text
await session.send_realtime_input(activity_end=types.ActivityEnd())
async for message in session.receive():
if message.server_content and message.server_content.input_transcription:
# Contains the full updated text after applying the voice edit
print(f"Updated text: {message.server_content.input_transcription.text}")
תמלול סינכרוני
אתם יכולים להשתמש בשיטה הרגילה של generate_content כדי לתמלל קובצי אודיו שלמים שכבר הוקלטו. מגדירים את הפרמטרים על ידי יצירת AudioTranscriptionConfig בתוך GenerateContentConfig.
חותמות זמן ברמת המילה
ההגדרה word_timestamp=True מחזירה תזמון ברמת המילה. הרשימה audio_transcription.words של התשובה מכילה כל מילה שזוהתה יחד עם start_offset ו-end_offset שלה.
from google import genai
from google.genai import types
# Initialize the client
client = genai.Client(enterprise=True, project=PROJECT_ID, location=LOCATION)
with open("input.wav", "rb") as f:
audio_bytes = f.read()
response = client.models.generate_content(
model="gemini-3.5-transcribe",
contents=[
types.Part.from_bytes(
data=audio_bytes,
mime_type="audio/wav",
),
],
config=types.GenerateContentConfig(
audio_transcription_config=types.AudioTranscriptionConfig(
word_timestamp=True,
),
),
)
parts = getattr(response, "parts", []) or []
if parts and (audio_tx := getattr(parts[0], "audio_transcription", None)):
for w in getattr(audio_tx, "words", []) or []:
print(f"[{w.start_offset} - {w.end_offset}] {w.word}")
if text := "".join(p.text for p in parts if getattr(p, "text", None)):
print(f"**{text}**")
חלוקת קובץ האודיו לפי דוברים ואוצר מילים מותאם אישית
ההגדרה diarization=True מבקשת מהמודל לזהות דוברים בנפרד ולהוסיף להם תוויות. אפשר גם לספק שדה custom_vocabulary עם רשימה של ביטויים שמשפיעים על Gemini 3.5 Transcribe לזהות מונחים ספציפיים. בדרך כלל, המודל פועל לפי ההוראות של אוצר המילים המותאם אישית בצורה מהימנה יותר כשמציינים גם שפה באמצעות language_codes.
response = client.models.generate_content(
model="gemini-3.5-transcribe",
contents=[
types.Part.from_uri(
file_uri="gs://cloud-samples-data/generative-ai/audio/coffee_order.wav",
mime_type="audio/wav",
),
],
config=types.GenerateContentConfig(
audio_transcription_config=types.AudioTranscriptionConfig(
diarization=True,
language_codes=["en-US"],
custom_vocabulary=["oatmilk", "oz"],
),
),
)
parts = getattr(response, "parts", []) or []
for p in parts:
audio_tx = getattr(p, "audio_transcription", None)
speaker = getattr(audio_tx, "speaker_label", "UNKNOWN") if audio_tx else "UNKNOWN"
text = getattr(p, "text", "") or (getattr(audio_tx, "text", "") if audio_tx else "")
if text:
print(f"**{speaker}**: {text}")
תמלול סינכרוני במצב SMART
response = client.models.generate_content(
model="gemini-3.5-transcribe",
contents=[
types.Part.from_bytes(
data=audio_bytes,
mime_type="audio/wav",
),
],
config=types.GenerateContentConfig(
audio_transcription_config=types.AudioTranscriptionConfig(
mode="SMART",
),
),
)
עריכה קולית סינכרונית
התכונה "עריכה באמצעות הקול" מופעלת כברירת מחדל כשמגדירים את mode="SMART". בנוסף לניקוי של חוסר שטף בדיבור ותיקונים עצמיים במהלך הכתבה חדשה, אתם יכולים להעביר טקסט קיים ב-source_text (עד 64KB) כדי שהמודל יחיל הוראות עריכה, שכתוב או עיצוב ישירות על הטיוטה הזו.
במקום להחזיר את ההבדלים, gemini-3.5-transcribe מחזיר את הטקסט המלא המעודכן ב-response.text. מכיוון שהבקשות של generate_content הן בלי שמירת מצב, כדי להטמיע עריכה באמצעות הקול בכמה שלבים, צריך להעביר את הפלט של השלב הקודם בתור source_text בבקשה הבאה:
from google import genai
from google.genai import types
client = genai.Client(enterprise=True, project=PROJECT_ID, location=LOCATION)
current_text = "The project sync is scheduled for Tuesday at 2 PM in Room 4B."
with open("edit_instruction.wav", "rb") as f:
audio_bytes = f.read()
# Example spoken audio: "Change Tuesday to Wednesday and make it sound more formal."
response = client.models.generate_content(
model="gemini-3.5-transcribe",
contents=[
types.Part.from_bytes(
data=audio_bytes,
mime_type="audio/wav",
),
],
config=types.GenerateContentConfig(
audio_transcription_config=types.AudioTranscriptionConfig(
mode="SMART",
source_text=current_text,
),
),
)
updated_text = response.text
print(updated_text)
שפות
אלה השפות וקודי השפה בתקן BCP-47 שנתמכים ב-Gemini 3.5 Transcribe:
| שפה | קוד BCP-47 | מוכנות | שפה | קוד BCP-47 | מוכנות |
|---|---|---|---|---|---|
| אפריקאנס | af-ZA |
ניסיוני | יפנית | ja-JP |
נתמך |
| אמהרית | am-ET |
ניסיוני | ג'אווה | jv-ID |
ניסיוני |
| ערבית (מצרים) | ar-EG |
ניסיוני | קבוורדיאנית | kea-CV |
ניסיוני |
| ארמנית | hy-AM |
ניסיוני | קנאדה | kn-IN |
ניסיוני |
| אסאמית | as-IN |
ניסיוני | קזחית | kk-KZ |
ניסיוני |
| אזרית | az-AZ |
ניסיוני | קוריאנית | ko-KR |
נתמך |
| בלארוסית | be-BY |
ניסיוני | קירגיזית | ky-KG |
ניסיוני |
| בנגלית (בנגלדש) | bn-BD |
ניסיוני | לטבית | lv-LV |
ניסיוני |
| בנגלית (הודו) | bn-IN |
ניסיוני | לינגלה | ln-CD |
ניסיוני |
| בוסנית | bs-BA |
ניסיוני | ליטאית | lt-LT |
ניסיוני |
| בולגרית | bg-BG |
ניסיוני | מקדונית | mk-MK |
ניסיוני |
| בולגרית (ארומנית) | rup-BG |
ניסיוני | מלאית | ms-MY |
ניסיוני |
| בורמזית | my-MM |
ניסיוני | מלאיאלאם | ml-IN |
ניסיוני |
| קנטונזית (מסורתית) | yue-Hant-HK |
ניסיוני | מלטית | mt-MT |
ניסיוני |
| קטלאנית | ca-ES |
נתמך | מנדרינית (פשוטה) | cmn-Hans-CN |
נתמך |
| סבואנו | ceb |
ניסיוני | מראטהית | mr-IN |
ניסיוני |
| חמרית מרכזית | km-KH |
ניסיוני | מונגולית | mn-MN |
ניסיוני |
| קרואטית | hr-HR |
נתמך | נפאלית | ne-NP |
ניסיוני |
| צ'כית | cs-CZ |
ניסיוני | נורווגית | nb-NO |
ניסיוני |
| דנית | da-DK |
נתמך | אורייה | or-IN |
ניסיוני |
| הולנדית | nl-NL |
נתמך | פולנית | pl-PL |
נתמך |
| אנגלית (אוסטרליה) | en-AU |
נתמך | פורטוגזית (ברזיל) | pt-BR |
נתמך |
| אנגלית (בריטניה) | en-GB |
נתמך | פורטוגזית (פורטוגל) | pt-PT |
נתמך |
| אנגלית (הודו) | en-IN |
נתמך | פנג'אבית | pa-IN |
ניסיוני |
| אנגלית (ארה"ב) | en-US |
נתמך | פנג'אבי (כתב גורמוקי) | pa-Guru-IN |
ניסיוני |
| אסטונית | et-EE |
ניסיוני | רומנית | ro-RO |
נתמך |
| פרסית | fa-IR |
ניסיוני | רוסית | ru-RU |
נתמך |
| פיליפינית | fil-PH |
ניסיוני | סרבית | sr-RS |
ניסיוני |
| פינית | fi-FI |
נתמך | סינדהית (כתב ערבי) | sd-Arab-IN |
ניסיוני |
| צרפתית | fr-FR |
נתמך | סלובקית | sk-SK |
ניסיוני |
| צרפתית (קנדה) | fr-CA |
נתמך | סלובנית | sl-SI |
ניסיוני |
| גליציאנית | gl-ES |
ניסיוני | ספרדית (אמריקה הלטינית) | es-419 |
ניסיוני |
| גרוזינית | ka-GE |
ניסיוני | ספרדית (ספרד) | es-ES |
נתמך |
| גרמנית | de-DE |
נתמך | ספרדית (ארצות הברית) | es-US |
נתמך |
| יוונית | el-GR |
נתמך | סווהילי (קניה) | sw-KE |
ניסיוני |
| גוג'ארטי | gu-IN |
ניסיוני | שוודית | sv-SE |
נתמך |
| האוסה | ha-NG |
ניסיוני | טג'יקית | tg-TJ |
ניסיוני |
| עברית | he-IL |
ניסיוני | טלוגו | te-IN |
ניסיוני |
| הינדית | hi-IN |
נתמך | תאית | th-TH |
ניסיוני |
| הונגרית | hu-HU |
ניסיוני | טורקית | tr-TR |
נתמך |
| איסלנדית | is-IS |
ניסיוני | אוקראינית | uk-UA |
נתמך |
| אינדונזית | id-ID |
ניסיוני | אוזבקית | uz-UZ |
ניסיוני |
| איטלקית | it-IT |
נתמך | וייטנאמית | vi-VN |
נתמך |
זמינות אזורית
Gemini 3.5 Transcribe זמין במיקומים הבאים של Google Cloud :
| נקודת קצה (endpoint) | Google Cloud מיקום | מוכנות להשקה |
|---|---|---|
gemini-3.5-transcribe |
global |
נתמך |
gemini-3.5-transcribe |
us |
נתמך |
gemini-3.5-transcribe |
eu |
נתמך |
gemini-3.5-transcribe-live |
global |
נתמך |
gemini-3.5-transcribe-live |
us |
נתמך |
gemini-3.5-transcribe-live |
eu |
נתמך |
שיטות מומלצות
- לספק אודיו נקי: ודאו שהקולות בהקלטות האודיו מופרדים בצורה ברורה, והימנעו מקטיעות חמורות.
- לספק רמזים לגבי השפה כשהיא ידועה: אם אתם יודעים מראש מהי שפת האודיו, ציינו את
language_codesכדי לשפר את הדיוק. - אוצר מילים מותאם אישית ממוקד: כדאי לכלול ב-
custom_vocabularyרק מונחים ייחודיים לתחום, שמות של מותגים או שמות עצם פרטיים, ולא מילים נפוצות שמשתמשים בהן ביום-יום. - שימוש בנקודות קצה ידניות במצב
SMARTבתמלול בזמן אמת: משביתים את ה-VAD האוטומטי (automatic_activity_detection) ושולחים באופן מפורש אותותactivity_startו-activity_endכדי שהמודל יוכל להחיל הסרת גמגום, תיקונים עצמיים ועיצוב על פני ביטויים שלמים.
| מזהה דגם | ['gemini-3.5-transcribe', 'gemini-3.5-transcribe-live'] |
|
|---|---|---|
| אמצעי טיפול |
|
|
| יכולות |
|
|
| כלים |
|
|
| ממשקי API |
|
|
| אפשרויות צריכה |
|
|
| אזורים נתמכים |
|
|
|
||
| גרסאות |
|
|
| אמצעי בקרה לאבטחה | חיזוי אונליין |
|
| מידע נוסף זמין במאמר אמצעי בקרה לאבטחה. | ||