Gemini 3.5 Transcribe по API
Gemini 3.5 Transcribe — отдельная модель Google для расшифровки речи, построенная на том, как Gemini понимает звук. Язык она определяет сама, знает больше 80 языков и берёт до часа записи за один запрос. Через наш API её вызывают тем же запросом, что и Whisper. Час записи стоит около 33,60 ₽.
- 0,56 ₽ за минуту звука
- до 1 ч звука
- звук → текст
google/gemini-3.5-transcribe
Обновлено:
Получить ключ Попробовать Документация
Попробовать Gemini 3.5 Transcribe
Загрузи короткую запись — модель вернёт текст. Запрос оплачивается с API-счёта по цене на кнопке, бесплатных проб нет; ошибка нейросети денег не стоит.
Что попробовать: Загрузи запись до двух минут или запиши с микрофона, например разговор, где русский перемешан с английскими словами. Вернётся дословный текст — с повторами и «э-э», как в записи.
В ответ приходит текст записи в поле text — как у OpenAI.
Цены Gemini 3.5 Transcribe в рублях
| Звук — считаем по секундам | 0,56 ₽ за минуту |
|---|
Запрос, который закончился ошибкой, денег не стоит. Кэшбэк — до 5% от расхода за месяц. Как считается цена
Сколько стоят типичные задачи
Суммы посчитаны по цене выше — сколько спишется за такую работу.
| Часовые записи одним запросом: выпуск на 55 минут | Около 30,80 ₽ |
|---|---|
| Дословная стенограмма для исследования: шесть интервью по 25 минут | Около 84,00 ₽ |
| Записи на языках соседних стран: 200 звонков по 3 минуты | Около 336,00 ₽ |
| Текст для перевода и дубляжа: ролик на 8 минут | Около 4,48 ₽ |
Что умеет Gemini 3.5 Transcribe
- Расшифровывает речь: Google называет её моделью распознавания на основе того, как Gemini понимает звук (карточка модели).
- Сама определяет язык записи и не теряется, когда языки в разговоре перемешаны. Google пишет о 85+ языках, в таблице кодов — русский, украинский, белорусский, казахский, узбекский, киргизский, таджикский, грузинский, армянский и азербайджанский (руководство Google).
- Берёт до часа записи за один запрос.
- По умолчанию пишет дословно: с повторами, словами-паразитами и оборванными фразами.
- Принимает файлы MP3, M4A, WAV, FLAC, OGG и WebM до 25 МБ.
- Это не чат-модель: на входе звук, на выходе только текст записи.
Где применять
Часовые записи одним запросом
Выпуск подкаста, вебинар или лекцию на час не нужно резать на куски, если файл влезает в 25 МБ. Час речи в MP3 на 48 кбит/с, моно, весит около 21 МБ: такой битрейт для голоса нормален, а запрос уходит одним файлом. Следи только за длиной: по документации Google всё, что дальше часа, модель просто обрежет и вернёт ответ как успешный. Поэтому запись на час с четвертью раздели на две части заранее.
Пример запроса: «file=vebinar-55min.mp3, model=google/gemini-3.5-transcribe»
Стоимость: выпуск на 55 минут — около 30,80 ₽.
Дословная стенограмма для исследования
Социологу, лингвисту или юристу часто нужен не «причёсанный» текст, а то, что сказано на самом деле: с запинками, повторами и «ну, как бы». Gemini 3.5 Transcribe по умолчанию работает именно так, это её обычный режим. Для глубинных интервью и расшифровок для суда это плюс: текст никто заранее не «причёсывал». Убрать лишнее потом можно отдельно, а вернуть выброшенное уже нельзя.
Пример запроса: «file=interview-respondent-07.m4a, model=google/gemini-3.5-transcribe»
Стоимость: шесть интервью по 25 минут — около 84,00 ₽.
Записи на языках соседних стран
В таблице языков модели есть казахский, узбекский, киргизский, таджикский, грузинский, армянский и азербайджанский — то, на чём говорят клиенты из соседних стран. Если в поддержку звонят и на русском, и на казахском, язык указывать не нужно: модель определит его сама, в том числе когда человек переходит с одного языка на другой посреди разговора. Тексты потом можно перевести на русский текстовой моделью для общего отчёта.
Пример запроса: «file=zvonok-almaty-112.ogg»
Стоимость: 200 звонков по 3 минуты — около 336,00 ₽.
Текст для перевода и дубляжа
Чтобы переозвучить ролик на другом языке, сначала нужен точный текст оригинала. Цепочка простая: Gemini 3.5 Transcribe делает расшифровку, языковая модель переводит её, а озвучка по API читает перевод. Всё идёт по одному ключу и оплачивается с одного счёта. Дословный текст здесь тоже пригодится: при переводе видно, где автор запнулся и где пауза в речи. Язык оригинала указывать не обязательно: модель определит его сама, даже если ролик снят на испанском.
Пример запроса: «file=rolik-original.webm»
Стоимость: ролик на 8 минут — около 4,48 ₽.
Характеристики
| Разработчик | |
|---|---|
| Вид | Распознавание речи |
| Файл | mp3, wav, flac, m4a, mp4, ogg, webm; до 25 МБ |
| Звук за раз | до 1 ч |
| Ответ | json, text, srt, vtt, verbose_json |
| id для запроса | google/gemini-3.5-transcribe |
Как подключить
Вместо sk-vsl-ТВОЙ_КЛЮЧ — ключ из кабинета. Ответ придёт в формате OpenAI.
Запрос — POST https://veselo.ai/v1/audio/transcriptions с полем model: google/gemini-3.5-transcribe, ключ — в заголовке Authorization: Bearer sk-vsl-….
curl
curl https://veselo.ai/v1/audio/transcriptions \
-H "Authorization: Bearer sk-vsl-ТВОЙ_КЛЮЧ" \
-F model="google/gemini-3.5-transcribe" \
-F file="@speech.mp3"Python
from openai import OpenAI # pip install openai
client = OpenAI(base_url="https://veselo.ai/v1", api_key="sk-vsl-ТВОЙ_КЛЮЧ", timeout=600.0, max_retries=0)
with open("speech.mp3", "rb") as f:
r = client.audio.transcriptions.create(model="google/gemini-3.5-transcribe", file=f)
print(r.text)JavaScript
import fs from 'node:fs';
import OpenAI from 'openai'; // npm i openai
const client = new OpenAI({ baseURL: 'https://veselo.ai/v1', apiKey: 'sk-vsl-ТВОЙ_КЛЮЧ', timeout: 600_000, maxRetries: 0 });
const r = await client.audio.transcriptions.create({
model: 'google/gemini-3.5-transcribe',
file: fs.createReadStream('speech.mp3'),
});
console.log(r.text);Пример ответа — только поля
{
"text": "…"
}В программах: тем же ключом и по тому же адресу, что остальные модели, — из любого HTTP-клиента или библиотеки openai. Библиотеки и программы
Сравнение с похожими
| Модель | Цена | Главное | Когда выбрать |
|---|---|---|---|
| Gemini 3.5 Transcribe — эта модель | 0,56 ₽ / мин | до 1 ч звука | длинные записи до часа и речь на языках соседних стран |
| GPT-4o Transcribe Diarize — OpenAI | 0,68 ₽ / мин | до 2 ч звука | интервью и встречи, где нужно знать, кто что сказал |
| ElevenLabs Scribe v3 — ElevenLabs | 0,38 ₽ / мин | до 2 ч звука | точная расшифровка интервью, встреч и лекций с временем каждого слова |
| Deepgram Nova-3 — Deepgram | 0,54 ₽ / мин | до 2 ч звука | звонки, встречи и видео с шумом и несколькими голосами, русский и ещё 50+ языков |
| GPT Transcribe — OpenAI | 0,51 ₽ / мин | до 2 ч звука | совещания с терминами и переезд со снимаемых моделей OpenAI |
| Amazon Transcribe — Amazon | 0,68 ₽ / мин | до 2 ч звука | записи на редких языках, включая татарский и башкирский, когда ответ может подождать |
- GPT-4o Transcribe Diarize — если нужно, кто именно говорит: реплики приходят подписанными, со временем начала и конца.
- ElevenLabs Scribe v3 — расшифровка ElevenLabs с русским; сравни на своих записях, если важна точность имён и терминов.
- Whisper Large v3 — если нужны отметки времени по фразам для субтитров.
Версии и отличия
- Gemini 2.5 Flash (распознавание речи) — 0,22 ₽ за минуту звука
Как устроен доступ
Весело — не разработчик Gemini 3.5 Transcribe: модель выпускает Google. Мы даём к ней доступ по API — один ключ на все модели, оплата в рублях с API-счёта, а цена каждого ответа видна в самом ответе. Запрос, который закончился ошибкой, денег не стоит. Что мы храним о запросах и сколько — в разделе «Данные и приватность» документации. Данные и приватность
Вопросы и ответы
- Это та же Gemini, что отвечает в чате?
- Нет. Gemini 3.5 Transcribe — отдельная модель Google только для распознавания речи: на входе звук, на выходе текст. Текстовые модели Google мы не продаём, а из медиа Google у нас есть ещё озвучка, картинки и музыка.
- Есть ли у Gemini 3.5 Transcribe разметка говорящих через ваш API?
- Пока нет. Разметку до 8 голосов, время слов, словарь терминов и «умный» режим Google описывает для своего API, а через наш API модель получает только файл и язык и возвращает сплошной дословный текст. Если нужно знать, кто говорит, возьми GPT-4o Transcribe Diarize.
- Что будет, если прислать в Gemini 3.5 Transcribe запись длиннее часа?
- По документации Google модель обработает первый час, а остальное отрежет и всё равно ответит, что работа выполнена. Чтобы не потерять хвост, режь длинные записи на части до часа, по паузам, и склеивай тексты по порядку.
- Как убрать из текста Gemini 3.5 Transcribe «э-э» и повторы?
- У нас модель отдаёт дословный текст, и это её режим по умолчанию. Чтобы получить чистовую версию, пропусти расшифровку через языковую модель с просьбой убрать слова-паразиты и повторы, не меняя смысла. Исходник при этом сохрани: в нём остаётся то, что сказано на самом деле.
- Есть ли подписка или абонентская плата?
- Нет. API-счёт пополняется на нужную сумму, а списывается только то, что потратили запросы. Чем больше расход за месяц, тем больше кэшбэк — от 1 до 5%.
- Сколько запросов можно отправлять?
- До 60 запросов в минуту и до 10 одновременно на один ключ, ключей у аккаунта — до 20. Сверх лимита придёт ответ 429 с заголовком Retry-After: через столько секунд можно повторить.
- Нужны ли VPN и зарубежная карта для Gemini 3.5 Transcribe?
- Нет. Запросы идут на https://veselo.ai/v1, а API-счёт пополняется в рублях — картой российского банка или по СБП.
Ещё по теме
Факты сверены 16 ноября 2026 по документации: aistudio.google.com