Gemini научилась превращать живую речь в чистовой текст без «э-э» и «м-м»

Google представила Gemini 3.5 Transcribe — новую модель для расшифровки аудио. Она распознаёт более 85 языков, понимает профессиональный жаргон и автоматически убирает слова-паразиты вроде «э-э» и «м-м».

Модель не просто переводит речь в текст. Она расставляет знаки препинания и форматирует результат, поэтому пользователь получает материал, близкий к чистовику. Google описывает это как редактирование голосом: можно говорить естественно, не проговаривая команды для каждого исправления.

В Gemini 3.5 Transcribe разрешено загружать собственный словарь. Это пригодится при работе с фамилиями, названиями продуктов и узкими терминами, которые обычные системы часто записывают с ошибками.

Для заранее записанного аудио модель умеет различать до трёх собеседников. Она также добавляет временную метку к каждому слову. Такие данные упрощают поиск нужной реплики в интервью, подкасте или рабочей встрече.

По словам Google, новинка заметно превосходит предыдущую модель Chirp 3 по качеству многоязычного распознавания и числу ошибок в словах. Независимые результаты тестирования компания в анонсе не привела.

Gemini 3.5 Transcribe начинает появляться в приложении Gemini для macOS, пока только для английского языка. На Android технология доступна через функцию диктовки Rambler в отдельных странах и для ограниченного набора языков. Разработчики могут опробовать модель в публичной предварительной версии через Gemini API, AI Studio и Antigravity. Поддержку Chrome обещают добавить позже.

Google также заранее сообщала о моделях Gemini 3.5 Live и Live Experimental, но после публикации уточнила: их пока не запускают. Новую дату компания не назвала. Сейчас анонс касается только Gemini 3.5 Transcribe.