A Vercel AI Gatewayre érkezett a Gemini 3.5 Transcribe

2026. augusztus 26.Forrás: Vercel

A Google Gemini 3.5 Transcribe már elérhető a Vercel AI Gateway szolgáltatásán keresztül rögzített és élő hanganyagok átírására. A modellek több mint 85 nyelvet képesek automatikusan felismerni, és a beszélők nyelvváltását is kezelik.

A lényeg röviden

A Gemini 3.5 Transcribe elérhető a Vercel AI Gatewayen.
A teljes hangfájlok átírása egyetlen kérésben történik.
A live modell WebSocketen, érkezés közben adja vissza a szöveget.
A modellek több mint 85 nyelvet és a nyelvváltást is felismerik.
Egyedi szókincs, beszélőfelismerés és szószintű időbélyegek is használhatók.

Két modell, kétféle átírási mód

A Vercel augusztus 26-i bejelentése szerint a Google Gemini 3.5 Transcribe modelljei bekerültek az AI Gateway kínálatába. A google/gemini-3.5-transcribe egy teljes hangfájlt dolgoz fel egyetlen kérésben, majd elkészíti az átíratot.

A google/gemini-3.5-transcribe-live élő hanganyaggal működik WebSocket-kapcsolaton keresztül. A rendszer az érkező hanggal párhuzamosan küldi vissza a szöveget, így a fejlesztők folyamatosan megkaphatják az átírás frissítéseit.

Nyelvváltás, egyedi szókincs és beszélőfelismerés

Mindkét modell automatikusan több mint 85 nyelvet ismer fel. Ez akkor is használható, ha egy beszélő menet közben másik nyelvre vált. A Vercel közlése szerint egyedi szókincs is megadható, amellyel javítható a nevek, szakkifejezések és ritka írásmódok átírása.

A teljes felvételek feldolgozására szolgáló modell további információkat is képes visszaadni. Felismerheti a beszélőket, és szószintű időbélyegeket adhat az átíráshoz. Ez lehetővé teszi, hogy az elkészült szöveg egyes szavaihoz a hangfelvétel megfelelő időpontja is társuljon.

Így használhatják a fejlesztők

Az élő átírás támogatása az AI SDK 7-ben érhető el. A használathoz a fejlesztőknek telepíteniük kell az AI SDK és az AI Gateway szolgáltató legfrissebb csomagját, az ai@latest és az @ai-sdk/gateway@latest verziót.

Az élő hanghoz a streamTranscribe függvény használható egy nyers hangdarabokat tartalmazó ReadableStream bemenettel. A hangformátumot a küldött adatokhoz kell igazítani. A Vercel példája 16 kHz-es, 16 bites PCM hangdarabokat használ. A Google szolgáltatói beállításainál a SMART mód választható, a VERBATIM mód pedig alapértelmezettként is megadható.

Teljes felvétel esetén a transcribe függvény egy hangfájlt küld a modellnek, majd a kész átirat a válasz szövegeként érhető el. A Vercel külön modelljátszóban is kipróbálhatóvá tette a Gemini 3.5 Transcribe Live modellt, emellett elérhető a beszédátírási gyorsútmutató és az összes átírási modell listája.

Mit jelent ez a felhasználóknak?

A bejelentés a Vercel AI Gatewayen keresztül dolgozó fejlesztőknek egységes hozzáférést ad a Google két átírási modelljéhez. Ugyanazon integrációval kezelhetnek teljes felvételeket és folyamatosan érkező hangot, miközben a nyelvfelismerés, az egyedi szókincs és a teljes felvételeknél elérhető beszélőfelismerés is rendelkezésre áll.

Az élő átírás különösen olyan alkalmazásokhoz illeszthető, amelyeknek az érkező hanggal együtt kell megjeleníteniük a szöveget. A rögzített hanganyagok feldolgozásánál a beszélők és a szószintű időbélyegek támogatása adhat részletesebb szerkezetet az elkészült átiratnak.