Gemini Speech to Text
Gemini Speech to Text convierte en texto archivos de audio ya grabados con un modelo Gemini de Google. Transcribe palabra por palabra en el idioma en que se habla, sin traducir ni resumir, y detecta el idioma si no se lo indicas. Devuelve un Data por cada archivo, con la transcripción en el campo text.
Necesitas una credencial Google Gemini con tu clave de Google AI, la misma que usa el modelo Gemini. Consulta Credenciales. El audio se envía a Google para transcribirlo.
No es el nodo de voz para llamadas: para escuchar a quien llama en una llamada en directo, el Agente de Voz usa el nodo Gemini STT. Este componente espera a tener el archivo completo.
Cuándo usarlo
- Transcribir grabaciones largas, como una reunión de varias horas.
- Pasar a texto audios en cualquier idioma cuando ya trabajas con Gemini.
- Dar a un agente la capacidad de transcribir un audio cuando lo necesite, usando el componente como herramienta.
- Transcribir de una vez una lista de audios con Batch Mode.
Configuración
| Campo | Qué hace |
|---|---|
| API Key (obligatorio) | Tu clave de Google AI. La clave se rellena sola al elegir tu credencial de Google Gemini. |
| Audio (obligatorio) | El archivo de audio (o de vídeo) que quieres transcribir: WAV, MP3, OGG, M4A, WEBM… Conéctalo al componente que trae el archivo, por ejemplo un webhook, un chat con adjuntos o el almacenamiento. Admite varios archivos. |
| Language | Opcional. El idioma esperado del audio, por ejemplo es o en. Vacío por defecto: Gemini detecta el idioma. |
Opciones avanzadas
| Campo | Qué hace |
|---|---|
| Model | El modelo Gemini. Por defecto, gemini-3.8-flash, el más preciso. gemini-3.5-flash-lite es más barato y rápido. |
Resultado
La salida Data entrega un registro por archivo:
{ "text": "Hola, buenos días. Su cita está confirmada para el martes a las 10:30.", "language": "es", "file_name": "reunion.mp3", "provider": "Gemini", "model": "gemini-3.8-flash"}El texto sale seguido: sin nombres de quién habla ni marcas de tiempo.
Cada archivo puede ocupar hasta 2 GB, unas 9 horas de audio. Los archivos de más de 14 MB se suben antes a Google y se borran en cuanto termina la transcripción.
Ejemplo
Un despacho graba sus reuniones con clientes. Al terminar cada una, el flujo toma la grabación del almacenamiento, la pasa a Gemini Speech to Text y un agente redacta el acta a partir del texto y la envía por correo a los asistentes.
Componentes relacionados
- Voz a texto y texto a voz: todos los componentes para transcribir audio y para generarlo.
- Gemini Text to Speech: lo contrario, convierte un texto en audio con la misma credencial.
- Deepgram Speech to Text y Groq Whisper Speech to Text: transcriben más rápido.
Consejos
- Gemini escribe los números y las horas en cifras: «a las diez y media» sale como «a las 10 y media» o «a las 10:30».
- Es el más lento de los cinco componentes nuevos de voz a texto. Medido en nuestro entorno de pruebas el 3 de noviembre de 2026: la frase «Hola, buenos días. Su cita está confirmada para el martes a las diez y media.» se transcribió en 4,5 s, palabra por palabra. Si la respuesta tiene que ser inmediata, elige otro.