מדריך: תמלול אודיו בעברית עם Gemini 3.5 Transcribe החדש

גוגל הוציאה השבוע לזמינות כללית (GA) שני מודלי תמלול ייעודיים: Gemini 3.5 Transcribe לתמלול קבצי אודיו, ו-Gemini 3.5 Transcribe Live לתמלול סטרימינג בזמן אמת. לצד ההשקה פורסמו שני מדריכים רשמיים חדשים, ואנחנו מתרגמים אותם כאן לצעדים מעשיים: מהקמת הפרויקט ועד תמלול שיחה בעברית עם זיהוי דוברים וחותמות זמן ברמת המילה.

01מה בדיוק השתחרר, ולמה זה שונה מתמלול רגיל

עד היום, מי שרצה תמלול איכותי דרך Gemini נאלץ להשתמש במודל כללי ולקוות לטוב. הפעם מדובר במודלים ייעודיים לתמלול: Gemini 3.5 Transcribe מזהה שפה אוטומטית מתוך יותר מ-85 שפות, כולל עברית, ומחזיר זיהוי דוברים (speaker diarization) וחותמות זמן ברמת מילה. הגרסה השנייה, Transcribe Live, עובדת בסטרימינג דו-כיווני מעל WebSockets, כלומר האודיו זורם למודל והטקסט חוזר תוך כדי דיבור.

ההבדל המעשי גדול: תמלול קבצים מתאים לפודקאסטים, ישיבות מוקלטות וארכיוני שיחות, בעוד שהמסלול החי פותח את הדלת לכתוביות בזמן אמת, סוכני קול ומרכזיות שירות שמנתחות שיחה בזמן שהיא מתרחשת.

02צעד 1: תמלול קובץ אודיו עם זיהוי דוברים

נתחיל במקרה הנפוץ: יש לכם הקלטה של פגישה או ראיון, ואתם רוצים תמלול מסודר. אחרי יצירת מפתח API בקונסולת המפתחים של גוגל, הקוד נראה בערך כך:

from google import genai

client = genai.Client()

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

response = client.models.generate_content(
    model="gemini-3.5-transcribe",
    contents=["תמלל את ההקלטה עם זיהוי דוברים וחותמות זמן", audio],
)

print(response.text)

המודל מזהה לבד שהשיחה בעברית, אין צורך להגדיר שפה מראש. הפלט כולל תיוג דוברים (Speaker 1, Speaker 2) וניתן לבקש בפרומפט פורמט ספציפי: SRT לכתוביות, JSON עם חותמות זמן לכל מילה, או סיכום תמצית לצד התמלול המלא.

03צעד 2: תמלול חי מעל WebSockets

המסלול השני, Gemini 3.5 Transcribe Live, בנוי לתרחישים שבהם הטקסט צריך להגיע תוך כדי דיבור. הארכיטקטורה פשוטה: פותחים חיבור WebSocket, דוחפים chunks של אודיו מהמיקרופון, ומקבלים בחזרה טקסט חלקי שמתעדכן ומתייצב ככל שהמשפט מתקדם.

המדריך הרשמי של גוגל (Live transcription guide) מפרט את מבנה ההודעות: כל chunk אודיו נשלח כ-PCM גולמי או בפורמט דחוס, והתשובות חוזרות כאירועי טקסט עם דגל שמסמן אם התוצאה סופית או ביניים. הנקודות שחשוב לסגור נכון:

1. דגימת אודיו: ודאו שקצב הדגימה במיקרופון תואם למה שהמודל מצפה לו, אחרת הדיוק צונח.
2. טיפול בתוצאות ביניים: הציגו טקסט זמני באפור והחליפו אותו בטקסט הסופי, כמו שעושות אפליקציות כתוביות.
3. ניתוקים: WebSocket נופל לפעמים ברשתות סלולריות, בנו לוגיקת reconnect ששומרת את ההקשר.
4. השהיה (latency): שלחו chunks קצרים ותכופים במקום גדולים ונדירים כדי לקבל תגובה מהירה.

04למה זה מעניין במיוחד משתמשים ועסקים בישראל

עברית הייתה שנים ילד חורג של מערכות תמלול. שילוב של עברית ואנגלית באותה שיחה, מונחים צבאיים וטכנולוגיים, ודוברים שמדברים אחד על השני, כל אלה שברו מערכות ותיקות. העובדה שגוגל כוללת עברית בין יותר מ-85 השפות הנתמכות עם זיהוי שפה אוטומטי משנה את התמונה לכמה תרחישים ישראליים מובהקים:

• משרדי עורכי דין ורואי חשבון: תיעוד פגישות לקוח אוטומטי במקום סיכומים ידניים.
• מוקדי שירות: ניתוח שיחות בעברית בזמן אמת לזיהוי לקוח כועס או הזדמנות מכירה.
• יוצרי תוכן ופודקאסטרים: כתוביות והנגשה בעברית בלי לשלוח קבצים לתמלול ידני.
• סטארטאפים בתחום ה-voice: תשתית מוכנה לסוכני קול דוברי עברית בלי לאמן מודל תמלול משלכם.

05מה הלאה: איך מתחילים היום

מכיוון שהמודלים כבר ב-GA ולא ב-Preview, אפשר לבנות עליהם מוצר ייצור בלי חשש משינויים שוברי תאימות בהתראה קצרה. ההמלצה שלנו: התחילו במסלול הקבצים, שהוא פשוט יותר, תמללו עשר הקלטות אמיתיות מהעסק שלכם ובדקו את הדיוק בעברית על התוכן שלכם דווקא. רק אחרי שיש לכם benchmark פנימי, עברו למסלול ה-Live אם התרחיש דורש זמן אמת.

שני המדריכים הרשמיים, Audio transcription guide ו-Live transcription guide, מכסים גם נושאים מתקדמים כמו פורמטי אודיו נתמכים ועבודה עם קבצים ארוכים. בשילוב עם דוגמת הקוד שלמעלה, המרחק בין הקלטה גולמית לתמלול עברי מסודר עם דוברים וחותמות זמן הוא פחות משעת עבודה.