Google: Gemini 3.5 Transcribe — интеллектуальный speech-to-text
Google анонсировал Gemini 3.5 Transcribe 26 августа 2026 года в блог-посте Диего Мелендо Касадо и Люка Леонарда из команды Gemini Audio. Модель преобразует аудио в отполированный форматированный текст с возможностями, выходящими за рамки простой транскрипции.
Ключевой показатель точности — 2,6% word error rate на предзаписанном аудио в более чем 85 языках с автоматическим определением языка. В потоковом режиме показатель составляет 4,0%, что по-прежнему является значительным улучшением по сравнению с предыдущей моделью Chirp 3 и обеспечивает вывод текста примерно на 70% быстрее. Модель справляется с фоновым шумом, перекрывающейся речью и техническими терминами без специальной настройки.
Помимо базовой транскрипции, несколько функций адресованы конкретным потребностям писателей и журналистов. Удаление слов-паразитов — «эм», «ну» и исправлений на середине предложения — создаёт более чистые черновики из записанных интервью без ручной правки. Диаризация по спикерам идентифицирует до трёх участников с временны́ми метками — полезно для круглых столов, интервью и панельных записей. Поддержка пользовательского словаря обеспечивает корректное написание названий продуктов, технических терминов и нестандартных имён собственных без постобработки.
Два варианта развёртывания охватывают разные сценарии использования. API для предзаписанного аудио обрабатывает файлы продолжительностью до одного часа с полной диаризацией и временны́ми метками на уровне слов. Потоковый API обеспечивает транскрипцию в реальном времени с задержкой менее секунды — подходит для живых субтитров и конспектирования в ходе сессии. Оба варианта поддерживают function calling для передачи сложных задач другим моделям Gemini.
Модель уже доступна в Google AI Studio и Gemini Enterprise Agent Platform. Потребительское развёртывание идёт через Gboard, приложение Gemini, Chrome и Google Antigravity.
Для журналистов и писателей, работающих с записями интервью, это сокращает один из наиболее трудоёмких этапов типичного исследовательского процесса. Сочетание высокой точности, идентификации спикеров и удаления слов-паразитов покрывает большую часть того, что предоставляют профессиональные сервисы транскрипции, — при значительно меньших затратах.