Gemini 3.5 Transcribe превращает поток речи в аккуратный текст, жертвуя дословностью

Google представила Gemini 3.5 Transcribe — модель преобразования речи в текст, которая должна не просто механически записывать каждое произнесённое слово, а превращать сбивчивую устную речь в более аккуратный и структурированный текст. Компания называет её своей самой точной моделью распознавания речи и существенным шагом вперёд по сравнению с Chirp 3. 1 12

Для диктовки сообщений, заметок и команд это выглядит как полезное обновление. Однако есть важная оговорка: система, которая убирает «э-э» и «гм», исправляет оговорки и пытается понять замысел говорящего, может сделать текст лучше для чтения — но менее точным как дословная запись разговора.

Что умеет Gemini 3.5 Transcribe

В основе модели лежит то, что Google называет интеллектуальной транскрибацией. Gemini 3.5 Transcribe может удалять слова-паразиты и незавершённые фразы, учитывать исправления говорящего, расставлять знаки препинания и добавлять форматирование. Кроме того, модель способна выполнять команды по редактированию текста голосом и превращать набор несвязных фрагментов в более читабельную прозу. 1 8 12

На практике это означает, что пользователю не обязательно говорить идеально ровно и заранее формулировать каждое предложение. Можно надиктовать черновик разговорными фразами, а на выходе получить текст, больше похожий на готовое сообщение, заметку или ответ в форме.

Google также заявляет об улучшенной работе с фоновым шумом, техническими терминами и специализированной лексикой. Разработчики смогут передавать собственный словарь, чтобы имена, названия продуктов и профессиональные термины распознавались в нужном написании. Модель автоматически определяет более 85 языков. 1 7

При обработке заранее записанного аудио Gemini 3.5 Transcribe поддерживает временные метки и разделение реплик между тремя говорящими. Это позволяет связать отдельные фрагменты расшифровки с конкретными участниками разговора. 1

Gemini 3.5 Transcribe против Chirp 3: что изменилось в скорости и точности

Google позиционирует новую модель как заметное улучшение по сравнению с Chirp 3. Согласно измерениям Artificial Analysis, на которые ссылаются публикации о запуске, частота ошибок в словах составляет 2,6% для аудио без потоковой передачи и 4,0% для потокового режима. Время до получения итоговой расшифровки, по этим данным, уменьшилось на 70%. 3 4 9

Эти показатели нельзя воспринимать как универсальную гарантию для любой записи. Word Error Rate — доля ошибок в распознанных словах — зависит от языка, акцента, качества микрофона, фонового шума и конкретного набора тестов. В собственных материалах Google приводит результаты теста FLEURS: 5,50% ошибок в потоковом режиме. Напрямую сравнивать эту цифру со всеми сторонними измерениями нельзя, поскольку условия тестирования различаются. 1

Тем не менее общий замысел понятен: Google одновременно стремится уменьшить задержку в живых голосовых приложениях и улучшить качество финального текста при диктовке или обработке записи.

Два сценария для разработчиков: реальное время и готовые записи

Google предлагает разные способы интеграции модели в зависимости от задачи.

Транскрибация в реальном времени

Потоковый вариант рассчитан на приложения, которым нужно постоянно принимать аудио и быстро реагировать на речь пользователя. Gemini Live API поддерживает голосовые взаимодействия с малой задержкой и может возвращать расшифровки как пользовательского ввода, так и ответа модели. 12 20

Такой сценарий подходит для голосовых ассистентов, живых субтитров, разговорных интерфейсов и сервисов, которым нужен текст ещё во время речи собеседника. В документации Google также описаны обычные, потоковые и интерактивные способы работы с Gemini API. 24

Обработка заранее записанного аудио

Для готовых записей разработчик может загрузить аудиофайл или передать ссылку на него через API Gemini. Этот вариант удобнее, когда важны временные метки, форматирование, пользовательский словарь и разделение реплик, а не реакция за доли секунды. 1 12 18

В общей документации Gemini API Google рекомендует Interactions API как стандартный интерфейс для новых приложений. Live API предназначен прежде всего для непрерывных голосовых и визуальных взаимодействий с низкой задержкой. 19 20

Где модель уже используется

Gemini 3.5 Transcribe уже не ограничивается демонстрацией для разработчиков. По данным публикаций, модель используется в Rambler — функции голосовой диктовки клавиатуры Gboard на Android, — а также в приложении Gemini для macOS. 2 13 26

Google также готовит поддержку технологии в Chrome. После её появления пользователи смогут диктовать текст непосредственно в веб-поля: например, в сообщения, публикации, формы и запросы к ИИ, не открывая отдельное приложение для голосового ввода. 1 8 13

Модель появилась вместе с Gemini 3.5 Live и Gemini 3.5 Live Experimental в рамках более широкой аудиолинейки Gemini Audio. Transcribe отвечает главным образом за преобразование речи в текст, тогда как модели Live ориентированы на интерактивное аудиообщение. 12 26

Главный компромисс: аккуратный текст или точная расшифровка

Самая сильная сторона Gemini 3.5 Transcribe одновременно является её главным ограничением. Удаление слов-паразитов и объединение самокоррекций делают результат заметно удобнее для чтения, но меняют связь между аудиозаписью и текстом.

В отредактированной версии может не остаться значимых пауз и колебаний, первоначальная формулировка может быть заменена исправленным вариантом, а индивидуальная манера речи — сглажена. Для диктовки сообщения или подготовки черновика это обычно плюс. Но если важны точные слова, ситуация меняется.

При расшифровке интервью, юридических или медицинских материалов, исследовательских записей, документов для людей с ограниченными возможностями или цитат стоит сохранять исходное аудио и проверять важные фрагменты вручную. Пока в конкретной реализации не предусмотрен явно обозначенный дословный режим, Gemini 3.5 Transcribe разумнее воспринимать как интеллектуальную систему редактирования речи, а не как нейтральный диктофон, который фиксирует каждое слово.

Что означает запуск Gemini 3.5 Transcribe

Google приближает распознавание речи к голосовому письму. Gemini 3.5 Transcribe объединяет транскрибацию с очисткой текста, форматированием, определением языка, пользовательским словарём и информацией о говорящих, а также предлагает отдельные сценарии для прямого аудиопотока и готовых записей. 1 12

Для разработчиков это может сократить объём последующей обработки распознанного текста. Для пользователей диктовка должна стать менее похожей на разговор с машиной, которая требует идеальной дикции, и больше — на передачу черновика редактору.

Но главный вопрос после запуска звучит иначе: приложению нужен красиво оформленный текст или точная запись того, что действительно было сказано?