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_textdari kolomLiveConnectConfig, untuk mendikte dari status kosong. Koreksi lisan atau perintah pemformatan berikutnya akan otomatis mengedit transkrip sesi yang terakumulasi. - Mulai dengan data awal: Teruskan
source_textawal (hingga 64 KB) diinput_audio_transcriptionselama penyiapan sesi sehingga giliran lisan pertama langsung mengedit teks yang sudah ada. - Progres stateful: Tidak seperti permintaan sinkron, sesi Live mempertahankan
input_transcriptionterbaru yang telah diselesaikan sebagai konteks teks aktif untuk giliran berikutnya—Anda tidak perlu mengirim ulangsource_textdi 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 disource_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_codesuntuk 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
SMARTdalam transkripsi instan: Nonaktifkan VAD otomatis (automatic_activity_detection) dan kirim sinyalactivity_startdanactivity_endsecara eksplisit sehingga model dapat menerapkan pembersihan transkrip ucapan, koreksi mandiri, dan pemformatan di seluruh ucapan lengkap.
| ID Model | ['gemini-3.5-transcribe', 'gemini-3.5-transcribe-live'] |
|
|---|---|---|
| Modalitas |
|
|
| Kemampuan |
|
|
| Alat |
|
|
| API |
|
|
| Opsi pemakaian |
|
|
| Region yang didukung |
|
|
|
||
| Versi |
|
|
| Kontrol keamanan | Prediksi online |
|
| Lihat Kontrol keamanan untuk mengetahui informasi selengkapnya. | ||