Gemini 3.5 Transcribe

Gemini 3.5 Transcribe adalah model Google untuk mengonversi ucapan menjadi teks dalam berbagai bahasa, yang tersedia melalui Agent Platform. Berdasarkan kemampuan pemahaman audio Gemini, API ini menyediakan transkripsi akurat dengan latensi rendah yang dilengkapi deteksi bahasa berbasis ucapan, diarisasi pembicara, stempel waktu tingkat kata, Transkripsi cerdas, dan pembiasan ucapan kosakata kustom.

Gemini 3.5 Transcribe berfungsi sebagai mesin transkripsi audio utama, yang menjembatani kesenjangan antara model multimodal penalaran mendalam dan alur kerja speech-to-text yang sangat dioptimalkan.

Untuk memulai, lihat notebook pengantar untuk Gemini 3.5 Transcribe.

Alat ini mendukung dua metode operasi utama:

  • Transkripsi streaming (Live): Melakukan streaming audio dan menerima hasil transkripsi secara inkremental, secara real time, menggunakan model gemini-3.5-transcribe-live.
  • Transkripsi sinkron: Mentranskripsikan file audio lengkap yang telah direkam sebelumnya dalam satu permintaan menggunakan model gemini-3.5-transcribe.

Dukungan dan batasan fitur

Gemini 3.5 Transcribe mendukung fitur berikut di dua endpoint-nya:

Fitur Live Streaming (gemini-3.5-transcribe-live) Pemrosesan File Audio (gemini-3.5-transcribe) Tahap Peluncuran Catatan/Batasan
Deteksi Otomatis Bahasa Didukung (85+ bahasa) Didukung (85+ bahasa) Didukung Mencakup pencampuran kode di tengah sesi.
Stempel Waktu Tingkat Ucapan Didukung Tidak Didukung Didukung
Stempel Waktu Tingkat Kata Tidak Didukung Didukung Eksperimental Menurunkan akurasi transkripsi.
Pembiasan Kosakata Kustom Didukung (hingga 1.000 istilah) Didukung (hingga 1.000 istilah) Didukung Pelanggan biasanya melihat hasil terbaik dengan maksimal 100 istilah.
Dikte & Pemformatan Cerdas Didukung (dengan endpointing manual) Didukung Eksperimental Mencakup penghapusan kata pengisi dan pemformatan alfanumerik yang sesuai dengan maksud. Untuk live streaming, gunakan dengan endpointing manual.
Tingkat Sensitivitas Endpointing Didukung Tidak Didukung Didukung Mengontrol sensitivitas awal dan akhir ucapan untuk Deteksi Aktivitas Suara (VAD) otomatis.
Diarisasi Pembicara Tidak Didukung Didukung (hingga 8 speaker) Eksperimental Atribusi untuk 3+ pembicara bersifat Eksperimental.
Durasi Audio Maksimal Maksimal 10 menit Hingga 15 menit Didukung Pemrosesan file dibatasi hingga 15 menit jika fitur seperti diarisasi atau stempel waktu diaktifkan.
Edit dengan Suara (source_text) Didukung (dengan mode SMART dan endpointing manual) Didukung (dengan mode SMART) Eksperimental Diaktifkan secara default saat mode="SMART". Menerima hingga 64 KB source_text yang ada untuk diedit, ditulis ulang, atau diformat ulang menggunakan petunjuk lisan. Tidak kompatibel dengan stempel waktu tingkat kata dan diarisasi pembicara.

Mode transkripsi

Gemini 3.5 Transcribe mendukung dua mode transkripsi melalui parameter mode di AudioTranscriptionConfig:

  • VERBATIM (default): Menampilkan transkrip kata demi kata yang tepat dari semua yang diucapkan, mempertahankan kata pengisi mentah ("um", "uh", "seperti", "Anda tahu"), pengulangan, jeda, dan awal yang salah.
  • SMART (Transkripsi cerdas): Mengoptimalkan transkrip agar mudah dibaca dengan menerapkan pascapemrosesan cerdas:
    • Pembersihan transkrip ucapan: Menghapus kata pengisi percakapan, kegagapan, dan kesalahan pengucapan.
    • Koreksi mandiri inline: Menyelesaikan koreksi lisan secara langsung (misalnya, "Mari bertemu pada hari Selasa, sebenarnya tidak, Rabu pukul dua" menjadi "Mari bertemu pada hari Rabu pukul 14.00").
    • Pemformatan terstruktur otomatis: Otomatis menyusun pemikiran lisan menjadi paragraf, daftar bernomor, poin-poin, tanggal, mata uang, dan angka yang diformat.
    • Pembersihan tata bahasa: Menerapkan tanda baca, kapitalisasi kalimat, dan alur yang alami.
Audio lisan Output VERBATIM Output SMART (Transkripsi cerdas)
"Hmm, jadi untuk rapatnya, menurut saya kita harus, eh, mengundang Alice dan, tunggu, tidak, Bob dan Carol." "Um jadi untuk rapatnya, menurut saya kita harus mengundang Alice dan tunggu, bukan, Bob dan Carol." "Untuk rapat, sebaiknya kita mengundang Bob dan Carol."
"Item pertama tinjau anggaran item kedua selesaikan linimasa item ketiga kirim rangkuman" "item pertama tinjau anggaran item kedua selesaikan linimasa item ketiga kirim ringkasan" "1. Tinjau anggaran
2. Menyelesaikan linimasa
3. Kirim ringkasan"

Transkripsi live streaming

BidiGenerateContent (Live) API tetap terbuka saat Anda melakukan streaming potongan kecil audio ke model dan menerima hasil transkripsi secara inkremental, saat tersedia. Model ini digunakan untuk membuat teks atau mentranskripsikan input mikrofon hampir secara real-time.

Untuk mencoba transkripsi streaming tanpa menulis kode apa pun, buka gemini-3.5-transcribe-live di halaman Gemini Live API di Agent Studio, lalu rekam atau upload audio dan tonton streaming transkripnya.

Coba Gemini 3.5 Transcribe di Agent Studio

Untuk mentranskripsikan audio streaming, buat LiveConnectConfig dan tetapkan response_modalities ke ["TEXT"] bersama dengan konfigurasi input_audio_transcription Anda.

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}")

Menyesuaikan sensitivitas endpointing

Agent Platform memungkinkan Anda mengontrol kompromi antara latensi dan akurasi untuk aplikasi streaming dan real-time dengan gemini-3.5-transcribe-live. Secara default, model pengenalan menggunakan Deteksi Aktivitas Suara (VAD) otomatis dan menunggu beberapa saat setelah mendeteksi ucapan sebelum mengonfirmasi segmen input_transcription akhir. Hal ini membantu memastikan bahwa pengguna telah menyelesaikan kalimat atau frasa lengkap, sehingga memaksimalkan akurasi dengan mengorbankan sedikit penundaan dalam respons akhir.

Anda dapat menyesuaikan start_of_speech_sensitivity, end_of_speech_sensitivity, prefix_padding_ms, dan silence_duration_ms di AutomaticActivityDetection untuk aplikasi yang sensitif terhadap waktu—seperti perintah suara atau bot suara—untuk mendeteksi awal ucapan, memfilter kebisingan latar belakang, atau menyelesaikan transkrip dengan lebih cepat. (Jika Anda memerlukan batas giliran yang dikontrol klien, bukan VAD otomatis, gunakan endpointing manual.) Tingkat sensitivitas hanya berlaku untuk transkripsi live streaming (gemini-3.5-transcribe-live) saat Anda menggunakan VAD otomatis, dan tidak didukung untuk pemrosesan file audio sinkron (gemini-3.5-transcribe).

Tingkat sensitivitas

Saat menggunakan VAD otomatis di RealtimeInputConfig, Anda dapat mengonfigurasi parameter berikut di AutomaticActivityDetection berdasarkan kasus penggunaan Anda:

  • Sensitivitas awal ucapan (start_of_speech_sensitivity): Mengontrol seberapa cepat model mendeteksi awal ucapan.
    • START_SENSITIVITY_UNSPECIFIED: Menggunakan sensitivitas awal ucapan default.
    • START_SENSITIVITY_HIGH: Mendeteksi awal ucapan lebih sering. Dioptimalkan untuk menangkap ucapan pelan atau ucapan singkat, seperti perintah satu kata, secepat mungkin. Setelan ini dapat meningkatkan pemicu palsu di lingkungan yang bising.
    • START_SENSITIVITY_LOW: Lebih jarang mendeteksi awal ucapan. Dioptimalkan untuk lingkungan yang bising guna mengurangi pemicu palsu dari suara latar belakang.
  • Sensitivitas akhir ucapan (end_of_speech_sensitivity): Mengontrol seberapa cepat model mengakhiri ucapan yang terdeteksi dan mengonfirmasi transkrip akhir.
    • END_SENSITIVITY_UNSPECIFIED: Menggunakan sensitivitas akhir ucapan default.
    • END_SENSITIVITY_HIGH: Mengakhiri ucapan yang terdeteksi lebih sering. Dioptimalkan untuk ucapan singkat, seperti satu kalimat atau perintah seperti "Ingatkan saya untuk menelepon dokter gigi besok". Setelan ini mengurangi waktu tunggu setelah ucapan berhenti, sehingga memberikan respons yang lebih cepat sekaligus mempertahankan akurasi tingkat kalimat yang wajar.
    • END_SENSITIVITY_LOW: Mengakhiri ucapan yang terdeteksi lebih jarang. Dioptimalkan untuk dikte panjang dan pembicara yang mengambil jeda lebih lama di antara frasa, sehingga membantu mencegah pemotongan ucapan prematur dengan mengorbankan latensi yang lebih tinggi.
  • Padding awalan (prefix_padding_ms): Durasi ucapan yang terdeteksi (dalam milidetik) yang diperlukan sebelum model memulai ucapan. Nilai yang lebih rendah menangkap ucapan singkat lebih cepat, sedangkan nilai yang lebih tinggi membantu memfilter lonjakan derau singkat seperti klik atau letupan.
  • Durasi keheningan (silence_duration_ms): Durasi keheningan berkelanjutan yang diperlukan (dalam milidetik) sebelum model mengonfirmasi akhir ucapan. Nilai yang lebih rendah akan menyelesaikan transkrip lebih cepat setelah ucapan berhenti, sedangkan nilai yang lebih tinggi memungkinkan jeda alami yang lebih lama di tengah kalimat tanpa memisahkan ucapan.
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}")

Transkripsi Instan dengan mode SMART dan endpointing manual

Saat menggunakan mode SMART dengan transkripsi live streaming (gemini-3.5-transcribe-live), Anda harus menggunakan endpointing manual (Deteksi Aktivitas Suara manual), bukan VAD otomatis. Karena mode SMART menerapkan pascapemrosesan tingkat ucapan—seperti menyelesaikan koreksi mandiri inline dan menyusun daftar atau paragraf—VAD otomatis dapat membagi pemikiran pengguna secara prematur selama jeda alami.

Untuk mengonfigurasi endpointing manual, nonaktifkan automatic_activity_detection di RealtimeInputConfig dan tandai awal dan akhir giliran bicara pengguna secara eksplisit menggunakan activity_start dan 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())

Pengeditan suara langsung

Saat menggunakan gemini-3.5-transcribe-live dengan mode="SMART" dan endpointing manual (automatic_activity_detection.disabled=True), pengeditan suara aktif di setiap giliran dalam sesi:

  • Mulai kosong: Hapus source_text dari kolom LiveConnectConfig, untuk mendikte dari status kosong. Koreksi lisan atau perintah pemformatan berikutnya akan otomatis mengedit transkrip sesi yang terakumulasi.
  • Mulai dengan data awal: Teruskan source_text awal (hingga 64 KB) di input_audio_transcription selama penyiapan sesi sehingga giliran lisan pertama langsung mengedit teks yang sudah ada.
  • Progres stateful: Tidak seperti permintaan sinkron, sesi Live mempertahankan input_transcription terbaru yang telah diselesaikan sebagai konteks teks aktif untuk giliran berikutnya—Anda tidak perlu mengirim ulang source_text di antara giliran. Jika pengguna mengedit buffering teks secara manual menggunakan keyboard di antara giliran suara, tutup sesi saat ini dan buka sesi baru yang diisi dengan buffering yang diperbarui di 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}")

Transkripsi sinkron

Anda dapat menggunakan metode generate_content standar untuk mentranskripsikan file audio lengkap yang telah direkam. Konfigurasikan parameter dengan membuat AudioTranscriptionConfig di dalam GenerateContentConfig.

Stempel waktu tingkat kata

Menetapkan word_timestamp=True akan menampilkan pengaturan waktu tingkat kata. Daftar audio_transcription.words respons berisi setiap kata yang dikenali beserta start_offset dan end_offset-nya.

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}**")

Diarisasi pembicara dan kosakata kustom

Menyetel diarization=True akan meminta model untuk mengidentifikasi dan memberi label pada setiap pembicara. Anda juga dapat memberikan kolom custom_vocabulary dengan daftar frasa yang membiaskan Gemini 3.5 Transcribe agar mengenali istilah tertentu. Model umumnya mengikuti petunjuk kosakata kustom dengan lebih andal jika bahasa juga ditentukan menggunakan 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}")

Transkripsi sinkron dengan mode 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",
        ),
    ),
)

Pengeditan suara sinkron

Pengeditan suara diaktifkan secara default setiap kali mode="SMART" ditetapkan. Selain membersihkan disfluensi lisan dan koreksi mandiri inline selama dikte baru, Anda dapat meneruskan teks yang ada di source_text (hingga 64 KB) sehingga model menerapkan pengeditan, penulisan ulang, atau petunjuk pemformatan lisan langsung ke draf tersebut.

Alih-alih menampilkan perbedaan, gemini-3.5-transcribe menampilkan teks lengkap yang telah diperbarui di response.text. Karena permintaan generate_content bersifat stateless, terapkan pengeditan suara multi-turn dengan meneruskan output giliran sebelumnya kembali sebagai source_text pada permintaan berikutnya:

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)

Dukungan bahasa

Bahasa dan kode bahasa BCP-47 berikut didukung untuk Gemini 3.5 Transcribe:

Bahasa Kode BCP-47 Kesiapan Bahasa Kode BCP-47 Kesiapan
Afrika af-ZA Eksperimental Japanese ja-JP Didukung
Amhara am-ET Eksperimental Jawa jv-ID Eksperimental
Arab (Mesir) ar-EG Eksperimental Kabuverdianu kea-CV Eksperimental
Armenia hy-AM Eksperimental Kannada kn-IN Eksperimental
Assam as-IN Eksperimental Kazak kk-KZ Eksperimental
Azerbaijan az-AZ Eksperimental Korea ko-KR Didukung
Belarus be-BY Eksperimental Kirgiz ky-KG Eksperimental
Bengali (Bangladesh) bn-BD Eksperimental Latvia lv-LV Eksperimental
Bengali (India) bn-IN Eksperimental Lingala ln-CD Eksperimental
Bosnia bs-BA Eksperimental Lituania lt-LT Eksperimental
Bulgaria bg-BG Eksperimental Makedonia mk-MK Eksperimental
Bulgaria (Aromania) rup-BG Eksperimental Melayu ms-MY Eksperimental
Burma my-MM Eksperimental Malayalam ml-IN Eksperimental
Kanton (Aksara Tradisional) yue-Hant-HK Eksperimental Malta mt-MT Eksperimental
Catalan ca-ES Didukung China Mandarin (Aksara Sederhana) cmn-Hans-CN Didukung
Cebuano ceb Eksperimental Marathi mr-IN Eksperimental
Khmer Tengah km-KH Eksperimental Mongol mn-MN Eksperimental
Kroasia hr-HR Didukung Nepal ne-NP Eksperimental
Ceko cs-CZ Eksperimental Norwegia nb-NO Eksperimental
Denmark da-DK Didukung Oriya or-IN Eksperimental
Belanda nl-NL Didukung Polandia pl-PL Didukung
Inggris (Australia) en-AU Didukung Portugis (Brasil) pt-BR Didukung
Inggris (Britania Raya) en-GB Didukung Portugis (Portugal) pt-PT Didukung
Inggris (India) en-IN Didukung Punjab pa-IN Eksperimental
Inggris (Amerika Serikat) en-US Didukung Punjabi (skrip Gurmukhi) pa-Guru-IN Eksperimental
Estonia et-EE Eksperimental Rumania ro-RO Didukung
Farsi fa-IR Eksperimental Rusia ru-RU Didukung
Filipina fil-PH Eksperimental Serb sr-RS Eksperimental
Finlandia fi-FI Didukung Sindhi (aksara Arab) sd-Arab-IN Eksperimental
Prancis fr-FR Didukung Slovakia sk-SK Eksperimental
Prancis (Kanada) fr-CA Didukung Slovenia sl-SI Eksperimental
Galisia gl-ES Eksperimental Spanyol (Amerika Latin) es-419 Eksperimental
Georgia ka-GE Eksperimental Spanyol (Spanyol) es-ES Didukung
Jerman de-DE Didukung Spanyol (Amerika Serikat) es-US Didukung
Yunani el-GR Didukung Swahili (Kenya) sw-KE Eksperimental
Gujarat gu-IN Eksperimental Swedia sv-SE Didukung
Hausa ha-NG Eksperimental Tajik tg-TJ Eksperimental
Ibrani he-IL Eksperimental Telugu te-IN Eksperimental
Hindi hi-IN Didukung Thai th-TH Eksperimental
Hungaria hu-HU Eksperimental Turki tr-TR Didukung
Islandia is-IS Eksperimental Ukraina uk-UA Didukung
Indonesia id-ID Eksperimental Uzbek uz-UZ Eksperimental
Italia it-IT Didukung Vietnam vi-VN Didukung

Ketersediaan regional

Gemini 3.5 Transcribe tersedia di lokasi Google Cloud berikut:

Endpoint Google Cloud Lokasi Kesiapan Peluncuran
gemini-3.5-transcribe global Didukung
gemini-3.5-transcribe us Didukung
gemini-3.5-transcribe eu Didukung
gemini-3.5-transcribe-live global Didukung
gemini-3.5-transcribe-live us Didukung
gemini-3.5-transcribe-live eu Didukung

Praktik terbaik

  • Sediakan audio yang bersih: Pastikan rekaman audio memiliki pemisahan suara jernih yang jelas dan hindari pemangkasan yang parah.
  • Berikan petunjuk bahasa jika diketahui: Jika Anda mengetahui bahasa audio sebelumnya, tentukan language_codes untuk memaksimalkan akurasi.
  • Kosakata kustom target: Hanya sertakan istilah domain, nama merek, atau kata benda yang berbeda dalam custom_vocabulary, bukan kata-kata umum sehari-hari.
  • Gunakan endpointing manual dengan mode SMART dalam transkripsi instan: Nonaktifkan VAD otomatis (automatic_activity_detection) dan kirim sinyal activity_start dan activity_end secara eksplisit sehingga model dapat menerapkan pembersihan transkrip ucapan, koreksi mandiri, dan pemformatan di seluruh ucapan lengkap.

Coba di Agent Studio Harga

ID Model ['gemini-3.5-transcribe', 'gemini-3.5-transcribe-live']
Modalitas
Teks Hanya output
Gambar Tidak didukung
Audio Hanya input
Video Tidak didukung
Kemampuan
Alat
API
Opsi pemakaian
Region yang didukung

Ketersediaan model

  • Global: global
  • Multi-region: us, eu

Pemrosesan ML

  • Amerika Serikat: Multi-region
  • Eropa: Multi-region
Versi
  • gemini-3.5-transcribe-preview
    • Tahap peluncuran: Pratinjau
    • Tanggal rilis: Agustus 2026
  • gemini-3.5-transcribe
    • Tahap peluncuran: GA
    • Tanggal rilis: Oktober 2026
  • gemini-3.5-transcribe-live-preview
    • Tahap peluncuran: Pratinjau
    • Tanggal rilis: Agustus 2026
  • gemini-3.5-transcribe-live
    • Tahap peluncuran: GA
    • Tanggal rilis: Oktober 2026
Kontrol keamanan Prediksi online
  • Residensi data
  • CMEK
  • VPC-SC
  • AXT
Lihat Kontrol keamanan untuk mengetahui informasi selengkapnya.