Google представила Gemini 3.5 Transcribe: потоковая транскрипция с очисткой речи и низкой задержкой

Google представила Gemini 3.5 Transcribe - модель для потокового преобразования речи в текст. Она работает в реальном времени с низкой задержкой и поддерживает 85 языков. Система не просто расшифровывает звук, а сразу очищает текст: убирает слова-паразиты и исправляет оговорки.

Модель развивает предыдущую разработку компании. Новая архитектура снижает задержку, что важно для живых субтитров, голосовых ассистентов или транскрибации совещаний. Gemini 3.5 Transcribe построена на базе семейства Gemini 3.5 и через function calling может передавать задачи другим моделям Gemini - например, для суммаризации или перевода только что распознанного текста. Это позволяет создавать сложные конвейеры обработки на одной платформе.

Gemini 3.5 Transcribe переходит от простой транскрибации к интеллектуальной обработке. Традиционные системы ASR часто оставляют в тексте паузы, повторы и ошибки, что затрудняет чтение. Новая модель Google сразу выдает отредактированную версию. Для разработчиков это возможность создавать более качественные интерфейсы - от видеоконференций с чистыми расшифровками до голосовых приложений, которые понимают речь как идеально сформулированную.

Такие технологии автоматизируют обработку устной информации в медиа, юриспруденции, образовании и поддержке клиентов. Низкая задержка позволяет использовать модель для расшифровки на устройстве или для живых субтитров. Конкуренция на рынке ASR растет - продвинутые функции становятся новым стандартом, вынуждая других игроков работать над контекстным пониманием и очисткой речи, а не только над точностью распознавания слов. Выход Gemini 3.5 Transcribe показывает, что фокус смещается с простого улавливания слов на производство готового, чистого текста, что меняет ожидания от речевых интерфейсов.