Gemini 3.5 Transcribe

Gemini 3.5 Transcribe ist Googles Modell für Audiodateien mit strukturierter Transkription. Der Endpunkt gemini-3.5-transcribe verarbeitet bis zu eine Stunde Audio pro Anfrage, erkennt mehr als 85 Sprachen und kommt mit Sprachwechseln innerhalb einer Aufnahme zurecht. Smart Dictation, Sprechertrennung, Wortzeitstempel und ein benutzerdefiniertes Vokabular mit bis zu 1.000 Begriffen erweitern das Transkript um strukturierte Annotationen.

Mit Sprechertrennung oder Wortzeitstempeln sinkt die maximale Dateilänge auf 30 Minuten. Die Zuordnung ab drei Sprechern bleibt experimentell, und benutzerdefiniertes Vokabular lässt sich nicht zusammen mit Sprechertrennung oder Zeitstempeln verwenden. Für WebSocket-Streaming steht Gemini 3.5 Transcribe Live als eigener Endpunkt bereit.