Gemini 3.5 Transcribe: המדריך המלא, Smart מול verbatim, ואיך לא למחוק את מה שחשוב

מה זה Gemini 3.5 Transcribe

ב-26 באוגוסט 2026 גוגל השיקה מודל חדש שנקרא Gemini 3.5 Transcribe. זה לא עוד צ’אט שיודע גם אודיו, זה מודל שבנוי במיוחד לתמלול. אתם נותנים לו שיחה, ריאיון, פודקאסט או הקלטה של פגישה, והוא מחזיר טקסט.

המספרים שגוגל מפרסמת: אחוז שגיאת מילים (WER) של 2.6% בתמלול של קובץ מוקלט ו-4.0% בזרימה בזמן אמת, זיהוי אוטומטי של מעל 85 שפות, וזמן עד לתמלול סופי שקצר ב-70% מהדור הקודם (Chirp 3).

יש שתי גרסאות של המודל:

• gemini-3.5-transcribe: לקבצים מוקלטים, עד שעה של אודיו, עם הפרדת דוברים וחותמות זמן
• gemini-3.5-transcribe-live: לזרימה בזמן אמת דרך Live API, בלי הפרדת דוברים

הפיצ’ר שחייבים להבין לפני שמתחילים

למודל יש שני מצבי תמלול, והבחירה ביניהם היא ההחלטה הכי חשובה שתקבלו. זה נשלט על ידי פרמטר אחד שנקרא mode.

verbatim: מילה במילה

מחזיר בדיוק את מה שנאמר. כולל מילות מילוי (“אה”, “אמ”), חזרות, הפסקות והתחלות שגויות. זה מצב ברירת המחדל: אם לא תגדירו כלום, זה מה שתקבלו.

smart: תמלול מנוקה

מריץ עיבוד נוסף על התמלול ומנקה אותו לקריאה: מוריד מילות מילוי וגמגומים, פותר תיקונים עצמיים, ומסדר את הטקסט לפסקאות, רשימות, תאריכים ומספרים מפורמטים.

הדוגמה של גוגל עצמה

בתיעוד הרשמי גוגל נותנת בדיוק את הדוגמה הזאת. מישהו אומר:

"Let's meet on Tuesday, actually no, Wednesday at two"

ובמצב smart התמלול שחוזר הוא:

"Let's meet on Wednesday at 2:00 PM"

שימו לב מה קרה כאן: המודל לא רק ניקה רעש. הוא החליט מה הכוונה, מחק את יום שלישי לגמרי, ולא השאיר שום סימן לכך שהדובר שינה את דעתו.

מתי כל מצב, ולמה זה קריטי

לסיכום פגישה או לכתוביות, smart הוא מעולה. הוא חוסך לכם עריכה ידנית של חצי שעה. אבל יש שימושים שבהם בדיוק הדברים ש-smart מוחק הם המידע שאתם מחפשים.

מגבלה טכנית שכדאי לדעת מראש: אי אפשר לשלב smart עם חותמות זמן ברמת המילה או עם הפרדת דוברים. אם אתם צריכים לדעת מי אמר מה ומתי, אתם ב-verbatim בין אם רציתם ובין אם לא.

איך מתחילים: שלוש דקות

שלב 1: מפתח API

נכנסים ל-Google AI Studio בכתובת aistudio.google.com, מתחברים עם חשבון גוגל ולוחצים על Get API key. יש שכבה חינמית, אז אפשר לנסות בלי כרטיס אשראי.

שלב 2: התקנה

pip install google-genai

שלב 3: להגדיר את המפתח כמשתנה סביבה

export GEMINI_API_KEY="your-key-here"

בווינדוס, ב-PowerShell:

$env:GEMINI_API_KEY = "your-key-here"

הקוד: תמלול קובץ מוקלט

זה תמלול מלא במצב verbatim, עם הפרדת דוברים וחותמת זמן לכל מילה, כלומר כל מה שאפשר לקבל:

from google import genai

client = genai.Client()

audio_file = client.files.upload(file="meeting.mp3")

interaction = client.interactions.create(
    model="gemini-3.5-transcribe",
    input=[
        {
            "type": "audio",
            "uri": audio_file.uri,
            "mime_type": audio_file.mime_type,
        }
    ],
    generation_config={
        "transcription_config": {
            "language_codes": ["he-IL"],
            "custom_vocabulary": ["קווין", "HyperFrames"],
            "mode": {
                "type": "verbatim",
                "diarization_mode": "speaker",
                "timestamp_granularities": ["word"],
            },
        }
    },
)

print(interaction.output_text)

כדי לקבל את הגרסה המנוקה במקום, מחליפים את הבלוק של mode בשורה אחת:

"mode": "smart"

אותו דבר ב-curl, אם אתם לא בפייתון:

curl -X POST \
  "https://generativelanguage.googleapis.com/v1beta/interactions" \
  -H "x-goog-api-key: $GEMINI_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{"model":"gemini-3.5-transcribe",
       "input":[{"type":"audio","uri":"FILE_URI",
                 "mime_type":"audio/mp3"}],
       "generation_config":{"transcription_config":
         {"mode":{"type":"verbatim"}}}}'

הפרמטרים שכדאי להכיר

תמלול בזמן אמת

לאפליקציות קוליות אינטראקטיביות יש מודל נפרד, gemini-3.5-transcribe-live, שרץ דרך Live API בחיבור זרימה. הוא מחזיר תמלול תוך פחות משנייה, אבל הוא לא תומך בהפרדת דוברים.

כלל אצבע: קובץ מוקלט הולך ל-Interactions API, זרם חי הולך ל-Live API.

מחירים ומגבלות

לשני המודלים יש שכבה חינמית, אז אפשר לבדוק לפני שמשלמים. שעה של אודיו בתמלול רגיל עולה בערך 30 סנט.

מגבלות שכדאי לזכור

• בקשה רגילה: עד שעה של אודיו
• עם הפרדת דוברים או חותמות זמן: עד 30 דקות
• עד 8 דוברים בהפרדת דוברים
• עד 1000 מונחים באוצר מילים מותאם
• smart לא משתלב עם חותמות זמן או הפרדת דוברים

פורמטים נתמכים

WAV, MP3, AIFF, AAC, OGG, FLAC, MPEG, M4A, L16, Opus, ALAW, MULAW, WebM

צ’קליסט לפני שאתם מתמללים משהו רגיש

• החלטתם במפורש איזה מצב אתם צריכים, ולא נתתם לברירת המחדל להחליט בשבילכם
• אם התוצאה יכולה לשמש כראיה, בחרתם verbatim
• שמרתם את קובץ האודיו המקורי, לא רק את התמלול
• אם יש יותר מדובר אחד, הפעלתם הפרדת דוברים ובדקתם שהתיוג נכון
• הוספתם לאוצר המילים את השמות והמונחים שהמודל לא מכיר
• בדקתם ידנית לפחות דקה אחת מול ההקלטה לפני שסמכתם על השאר
• אם השתמשתם ב-smart, ציינתם את זה במסמך שיוצא החוצה

טיפים

• תתחילו ב-verbatim תמיד. תמיד אפשר לנקות טקסט אחר כך, אי אפשר להחזיר מילים שנמחקו
• אם אתם צריכים גם תמלול נקי וגם את המקור, תריצו את אותו קובץ פעמיים, פעם בכל מצב. זה עולה גרושים
• אוצר מילים מותאם הוא הדבר שהכי משפר תוצאה בעברית. תכניסו שמות, מותגים וראשי תיבות
• אל תפעילו חותמות זמן אם אתם לא באמת צריכות אותן, גוגל אומרת שזה עלול להוריד דיוק
• לקבצים ארוכים משעה, תחתכו מראש לקטעים עם ffmpeg במקום לגלות את המגבלה באמצע
• לכתוביות, smart חוסך את רוב העריכה הידנית, זה השימוש שהוא באמת נוצר בשבילו

לינקים

• ההכרזה הרשמית של גוגל: blog.google
• התיעוד המלא של התמלול: ai.google.dev/gemini-api/docs/transcribe
• מחירים: ai.google.dev/gemini-api/docs/pricing
• מפתח API בחינם: aistudio.google.com