Google представила Gemini 3.5 Transcribe для транскрипції аудіо в реальному часі

Корпорація Google представила нове покоління моделей для роботи з аудіо: Gemini 3.5 Live, 3.5 Live Experimental та повністю нову 3.5 Transcribe. Розробники заявляють, що ці рішення мають забезпечити вищу точність голосових функцій ШІ та стабільну роботу навіть за наявності фонового шуму чи перебивання мовлення.

Gemini 3.5 Transcribe позиціонується як значне вдосконалення порівняно з попередньою системою транскрипції Chirp 3. Компанія наголошує на покращенні багатомовної підтримки та суттєвому зниженні частоти помилок у словах. Модель дозволяє редагувати текст природною мовою лише за допомогою голосу, автоматично форматувати матеріал та прибирати слова-паразити на кшталт «ем» чи «ее».

Користувачі можуть додавати власний словник, що дозволяє 3.5 Transcribe автоматично адаптувати транскрипцію до професійної термінології та специфічних вимог написання без ручного втручання. Крім того, модель здатна розрізняти до трьох співрозмовників у попередньо записаному аудіо та проставляти часові мітки для кожного слова.

Версії 3.5 Live та 3.5 Live Experimental базуються на існуючій технології розпізнавання мови з голосового чату Gemini. Покращення стосуються обробки перебивань посеред речення, розпізнавання мови та аналізу візуальної інформації в реальному часі. Версія Experimental додатково описує покроковий процес виконання складних завдань.

Оновлення Gemini Audio вже впроваджуються англійською мовою для користувачів застосунку Gemini на macOS та функції диктування Rambler на Android у вибраних країнах. Для розробників моделі доступні в публічній попередній версії через Gemini API в AI Studio та Antigravity. Підтримку в браузері Chrome компанія обіцяє додати найближчим часом.