Google представила Gemini 3.5 Transcribe — модель для преобразования речи в текст с более точной, аккуратной и автоматически отформатированной расшифровкой. Она умеет учитывать шум, правки по ходу речи и убирать слова-паразиты.
Gemini 3.5 Transcribe позиционируется как самая точная speech-to-text модель Google на данный момент. Она лучше справляется с фоновым шумом, узкоспециальной терминологией и естественными изменениями мысли во время разговора.
Как модель работает с естественной речью
Одна из ключевых особенностей Gemini 3.5 Transcribe — понимание контекста в живой речи. Если человек сначала назвал Tuesday, а затем исправился на Wednesday, система может сохранить именно финальный вариант. Также она удаляет слова-паразиты вроде «uh» и «um», чтобы текст не требовал ручной правки.
Модель поддерживает более 85 языков и умеет определять до трёх говорящих в одной записи. Это делает её удобной для встреч, интервью и других записей с несколькими участниками.
Реальное время и готовые записи
Для разработчиков и корпоративных пользователей Google открыла доступ к Gemini 3.5 Transcribe через Gemini API в Google AI Studio и Gemini Enterprise Agent Platform.
У модели есть две основные версии:
- gemini-3.5-transcribe-live — для потоковой обработки с низкой задержкой, когда расшифровка нужна прямо во время речи.
- gemini-3.5-transcribe — для уже записанных аудиофайлов; она также выдаёт подробные временные метки и подходит для встреч и длинных записей.
Интеграция в продукты Google
Google также встраивает возможности Gemini 3.5 Transcribe в продукты для обычных пользователей. На Android технология появляется в Rambler on Gboard, где речь можно преобразовывать в текст с автоматической корректировкой ошибок и стилевой правкой.
Приложение Gemini на macOS умеет сочетать голосовые команды с контекстом на экране, позволяя, например, суммировать локальные файлы или запрашивать генерацию изображений. Кроме того, Google готовит появление голосового ввода в браузере Chrome.
Что изменилось по сравнению с Chirp 3
В сравнении с предыдущей моделью Chirp 3 новая система, как утверждается, способна сократить время финальной обработки до 70% и снизить количество ошибок в распознавании.
Особенно заметен прирост при работе с почтовыми индексами, буквенно-цифровыми сочетаниями и специализированной технической терминологией. Gemini 3.5 Transcribe также рассчитана на более высокую точность в записях с фоновым шумом.
Источник: TechCrunch
