Transkribieren

Du zeigst auf eine Aufnahme. Es bittet Gemini um ein wortgetreues Transkript und schreibt dann einen privaten Ordner: Manifest, Transkript (JSON, Text und SRT), Sprecherkennungen, Zeitstempel, Audiobeobachtungen, Zusammenfassung, Themen, Entscheidungen, Aktionen, Fragen, Notizen zu Sprechernamen und eine Übersetzung.

Das Transkript bleibt in der Originalsprache. Die Übersetzung ist standardmäßig Englisch. Sprecherkennungen wie SPEAKER_01 markieren Stimmen innerhalb dieser einen Datei. Es sind keine identifizierten Personen.

Wie ein Lauf abläuft

flowchart TB
  audio[Eine Audiodatei]
  snap[Private temporäre Kopie dieser Bytes]
  up[Hochladen zur Google Files API]
  tx[Transkribieren und notieren, wie es klang]
  save[Das Transkript speichern]
  enrich[Zusammenfassen, Themen, Übersetzung]
  bundle[Manifest plus die Dateien]
  del[Versuchen, die hochgeladene Datei zu löschen]

  audio --> snap --> up --> tx --> save --> enrich --> bundle
  up --> del
  tx --> del

Wenn der Zusammenfassungsschritt fehlschlägt, bleibt das Transkript, das schon auf der Festplatte liegt, erhalten. Beim Fortsetzen geht es am Manifest weiter, und die Audiodatei wird nicht erneut hochgeladen.

sequenceDiagram
  participant CLI as gemini-transcribe
  participant Google as Gemini
  participant Disk as Ausgabeordner

  CLI->>Disk: die Eingabe-Bytes als Snapshot sichern
  CLI->>Google: hochladen, dann transkribieren
  Google-->>CLI: Transkript und Beobachtungen
  CLI->>Disk: Transkript schreiben
  CLI->>Google: das gespeicherte Transkript auswerten und übersetzen
  Google-->>CLI: Zusammenfassung, Themen, Übersetzung
  CLI->>Disk: den Rest des Bündels schreiben
  CLI->>Google: die hochgeladene Datei löschen

Unterstützte Eingaben sind unter anderem WAV, MP3, AIFF, AAC, OGG, FLAC und M4A, unter 2 GiB. Die ganze Datei geht in einem Durchgang. Lange Aufnahmen können trotzdem die Grenzen des Modells überschreiten. SRT-Zeiten sind Schätzungen des Modells.

Das Standardmodell ist gemini-3.8-flash. Ein optionales --pipeline long-decode nutzt gemini-4-argon und kann die Erzeugung über mehrere Anfragen fortsetzen. Beide Pipelines schreiben ein Bündel derselben Art.

Standardanfragen schalten die Interaktionsspeicherung aus (store=False). Das ist eine Abwahl dieser Speicherung, und die übrigen Datenbedingungen von Google bleiben, wie sie sind.

Wofür der Ordner da ist

WikiContext kann ein Bündel später als Nachweis aufnehmen. Dieses Werkzeug veröffentlicht keine Wiki-Seite, und eine abgeschlossene Extraktion ist keine geprüfte Veröffentlichung. Zeitstempel können sich überlappen. Unsichere und unhörbare Stellen sollen markiert werden. Eine Zusammenfassung kann falsch sein, auch wenn die Dateien wohlgeformt sind.

Audio unter audio/ und die Ausgabe unter transcripts/ bleiben außerhalb von Git.