Guía para analizar grabaciones de obra e interiores con Gemini API

¿Qué aprenderás en esta guía?

Las grabaciones de audio realizadas durante una visita a una obra, una inspección de interiores o una reunión de proyecto pueden convertirse posteriormente en notas consultables. Gemini API puede utilizarse para describir y resumir el contenido de audio, así como para responder preguntas sobre él. La documentación también incluye casos de uso como transcribir voz a texto, traducir, detectar emociones y asignar marcas de tiempo a segmentos específicos del audio.

Esta guía explica cómo enviar un archivo de audio a la API y redactar instrucciones adecuadas para un flujo de trabajo de arquitectura. Los ejemplos están pensados para organizar observaciones grabadas en obra, evaluaciones de materiales o grabaciones de reuniones de proyecto. En lugar de tomar el resultado como un acta de obra o una decisión técnica, conviene considerarlo un borrador que debe comprobarse volviendo a escuchar la grabación.

Requisitos

Para este flujo de trabajo se necesitan acceso a Gemini API, una clave de API y un archivo de audio. En los ejemplos de Google se utiliza el cliente google-genai para Python, que se importa con from google import genai y se inicializa mediante genai.Client(). Como la fuente no especifica una versión concreta de la biblioteca cliente, aquí no se indica ninguna.

La documentación muestra cómo subir el archivo de audio y utilizarlo en una solicitud generate_content, o cómo incluir los datos de audio directamente en la solicitud. Si el tamaño total de la solicitud —incluidos el archivo, el prompt de texto y las instrucciones del sistema— supera los 20 MB, debe utilizarse Files API. Los ejemplos de texto de esta guía son instrucciones que se envían a la API; la carga del archivo y la recepción de la respuesta se realizan mediante la llamada a la API de la aplicación.

Tenga presente desde el principio una limitación: Gemini API no admite la transcripción en tiempo real. Por tanto, los pasos siguientes sirven para procesar un archivo de audio existente, no para transcribir al instante una reunión en curso.

Análisis de audio paso a paso

1. Defina la grabación y el objetivo

Primero, aclare qué pregunta quiere responder. Por ejemplo, el objetivo puede ser enumerar los ruidos que se oyen en un espacio, extraer las decisiones tomadas en una reunión o localizar un fragmento concreto de una conversación. Indicar en las instrucciones que se utilice únicamente información audible en la grabación facilita la revisión del resultado.

Suba el archivo a la API mediante Files API o, cuando corresponda, inclúyalo en la solicitud. En el ejemplo de Google se utiliza el nombre de modelo gemini-3.8-flash. A continuación, envíe el archivo de audio y unas instrucciones redactadas según su objetivo, como las siguientes, en una llamada a generate_content.

Analiza esta grabación de audio como una observación arquitectónica de obra. Resume en viñetas breves únicamente la información que se escucha en la grabación: el espacio, los sonidos que se oyen y los problemas que mencionan los interlocutores. No adivines la información que no se escucha o que no está clara; indica expresamente cuándo haya incertidumbre.

Estas instrucciones están diseñadas para obtener una lista inicial de notas, no para presentar la grabación directamente como un informe técnico. Los puntos marcados como inciertos deben comprobarse escuchando el audio.

2. Pida una transcripción o un resumen breve

Para extraer decisiones y tareas de seguimiento de una grabación de reunión, puede solicitar una transcripción o un resumen. Gemini API puede resumir contenido de audio y responder preguntas sobre él. Concreta las instrucciones según el tipo de información que necesitará el equipo en la siguiente etapa.

Resume esta grabación de una reunión de proyecto. Organiza por separado las decisiones tomadas, las tareas de seguimiento que los participantes hayan indicado explícitamente y las preguntas que no tengan una respuesta definitiva. No añadas personas, fechas, medidas ni decisiones que no aparezcan en la grabación.

Este tipo de resultado puede servir como primer borrador de las notas de una reunión. Sin embargo, compara los términos del proyecto y las personas responsables que aparecen en el resultado con el audio original: una expresión mal entendida puede cambiar el sentido de una decisión.

3. Solicite marcas de tiempo y resultados estructurados

Si necesita encontrar fragmentos concretos de una grabación, puede pedir una marca de tiempo para cada segmento. El ejemplo de implementación de Google utiliza una transcripción de audio dividida en segmentos y una salida estructurada con campos como la marca de tiempo, el contenido, el idioma y la emoción. En el ejemplo, el formato de respuesta se configura como JSON y los campos se definen mediante un esquema.

Divide la grabación de audio en segmentos significativos. Para cada segmento, indica una marca de tiempo en formato MM:SS, la transcripción del contenido audible y el idioma del segmento. Añade también un resumen breve de cada segmento. Si no tienes certeza sobre una marca de tiempo, indícalo expresamente; no completes palabras que no se escuchen.

Si necesita un resultado estructurado en la aplicación, puede definir el formato de respuesta y los campos mediante un esquema, tal como en el ejemplo de la documentación de la API. En el esquema de ejemplo, el campo summary contiene el resumen general y el array segments contiene los registros de cada segmento; los objetos de segmento incluyen campos como la marca de tiempo y el contenido. Este enfoque puede facilitar la revisión posterior o el procesamiento dentro de la aplicación, pero el esquema no garantiza por sí solo la precisión de la transcripción.

4. Haga preguntas sobre el contenido de audio

En lugar de pedir otro resumen de todo el archivo, puede formular una pregunta centrada en un tema concreto de la grabación. Por ejemplo, durante una inspección de interiores, quizá quiera extraer lo que dicen los participantes sobre la iluminación, la acústica o los acabados. No dé por sentado que esos temas aparecen en la grabación: indique en las instrucciones que solo se incluyan los fragmentos que realmente se escuchan.

Enumera por separado lo que se dice sobre iluminación, acústica y materiales de acabado en esta grabación de una inspección de interiores. Indica si alguno de los temas no aparece en la grabación. Incluye la marca de tiempo del fragmento correspondiente en cada punto y no añadas recomendaciones técnicas que no figuren en el audio.

Gemini API admite casos de uso para analizar segmentos específicos del audio y proporcionar marcas de tiempo. Al revisar el resultado, escucha cada punto en el intervalo correspondiente; una marca de tiempo no demuestra por sí sola que la grabación se haya interpretado correctamente.

Errores frecuentes

• Redactar instrucciones imprecisas: Una instrucción general como «analiza la grabación» no especifica claramente qué información se necesita. Elige un objetivo: transcripción, resumen, tareas de seguimiento o un tema concreto.

• Tratar las suposiciones como hechos: Si una medida técnica, el nombre de un material o una decisión no está claro en la grabación, pide al modelo que no lo complete y verifica el resultado escuchando el audio.

• Pasar por alto el tamaño de la solicitud: Si la solicitud total supera los 20 MB, debe utilizarse Files API. Ten en cuenta no solo el archivo de audio, sino también el resto del contenido de la solicitud.

• Esperar transcripción en directo: La documentación de audio de Gemini API indica que no se admite la transcripción en tiempo real. Utiliza este flujo de trabajo con archivos existentes.

• Confundir una salida estructurada con un registro verificado: Un esquema JSON define la estructura de la respuesta. Comprueba por separado la precisión de las palabras oídas, la gramática y las marcas de tiempo.

Próximos pasos

Empieza probando con una grabación breve cuyo contenido conozcas. Prueba por separado las instrucciones para obtener un resumen, una transcripción y segmentos con marcas de tiempo del mismo audio, y determina qué resultado resulta más útil para el equipo. Si los resultados se van a incorporar a las notas del proyecto, incluye en el flujo de trabajo un paso para compararlos con la grabación.

Los equipos que desarrollen una aplicación pueden consultar el ejemplo de Python de la documentación, que sube el audio mediante Files API y realiza una llamada a generate_content. El ejemplo REST que utiliza una clave de API también muestra la variable GEMINI_API_KEY. Al elegir cómo enviar los datos de audio, ten en cuenta el tamaño total de la solicitud; si necesitas transcripción en tiempo real, recuerda que la guía de audio de Gemini API no ofrece compatibilidad para ese uso.

Fuente y licencia

Esta guía se basa en la documentación de Google sobre comprensión de audio de Gemini API y en la información de Gemini Omni Flash de la página de generación de video. El contenido se ha adaptado al turco a partir de fuentes con licencia CC BY 4.0 y se ha reescrito para flujos de trabajo de arquitectura, interiores y archviz.