Компания представила Gemini 3.5 Transcribe — новую модель для распознавания речи. Она поддерживает более 85 языков, включая беларусский, и умеет очищать текст от слов-паразитов и самоисправлений.
Компания представила Gemini 3.5 Transcribe — новую модель для распознавания речи. Она поддерживает более 85 языков, включая беларусский, и умеет очищать текст от слов-паразитов и самоисправлений.
В отличие от обычной транскрибации, модель не просто дословно записывает аудио. Например, если пользователь скажет: «Давайте встретимся во вторник — нет, в среду», в итоговом тексте останется исправленный вариант. Gemini 3.5 Transcribe также автоматически форматирует текст и может учитывать пользовательский словарь — например, профессиональные термины, имена или необычные написания.
Для разработчиков доступны два режима. Gemini 3.5 Transcribe Live обрабатывает потоковую речь с задержкой менее секунды и рассчитана на голосовых ассистентов, субтитры и другие приложения в реальном времени. Обычная Gemini 3.5 Transcribe работает с готовыми аудиозаписями — встречами, звонками и другими файлами — и умеет добавлять временные метки и определять говорящих.
В записанном аудио модель может различать до трех собеседников. Поддержка большего числа спикеров пока находится в экспериментальном режиме.
По данным независимого сервиса Artificial Analysis, средняя доля ошибочно распознанных слов у Gemini 3.5 Transcribe составляет 4% при потоковой обработке и 2,6% при работе с готовыми записями. Google также утверждает, что время до получения окончательной транскрипции сократилось на 70% по сравнению с предыдущей моделью Chirp 3.
Gemini 3.5 Transcribe уже используется в нескольких продуктах Google. В приложении Gemini для macOS она позволяет надиктовывать текст, удаляя паузы и слова-паразиты, а также выполнять голосовые команды с учетом содержимого экрана. В Gboard модель лежит в основе функции Rambler, которая превращает свободную речь в отформатированный текст и позволяет голосом исправлять написанное или менять стиль.
В Google Antigravity модель может учитывать содержимое экрана и историю чата, чтобы точнее распознавать, например, названия файлов и термины из открытых документов. Разработчики уже могут попробовать Gemini 3.5 Transcribe в публичном превью через Gemini API в Google AI Studio и Google Antigravity. Для корпоративных клиентов модель доступна через Gemini Enterprise Agent Platform.
Релоцировались? Теперь вы можете комментировать без верификации аккаунта.