Google представила новую модель Gemini, превращающую бессвязную речь в структурированный текст

Google анонсировала новую аудиомодель искусственного интеллекта Gemini 3.5 Transcribe, которая пополнила семейство Gemini Audio наряду с Gemini 3.5 Live и Gemini 3.5 Live Experimental. Компания утверждает, что новая модель обеспечивает более точное распознавание речи по сравнению с предыдущими версиями и способна автоматически определять более 85 языков.

Одна из ключевых особенностей модели — способность превращать несвязную, естественную речь пользователя в аккуратный, оформленный текст. Система умеет обрабатывать самоисправления говорящего, убирать слова-паразиты и сохранять исходный смысл сказанного. Редактировать полученный текст можно и с помощью голосовых команд.

Дополнительные возможности

По словам Google, Gemini 3.5 Transcribe способна запоминать индивидуальный словарный запас пользователя и нестандартные варианты написания слов, а также точно распознавать буквенно-цифровые последовательности, например номера заказов или почтовые индексы. Модель также может различать до трёх разных говорящих с временными метками на уровне отдельных слов при работе с заранее записанным аудио — это может пригодиться, например, при расшифровке подкастов.

Новая модель уже используется в функции Rambler на устройствах Android, включая смартфоны линейки Pixel 11, а также в приложении Gemini для macOS, где она может работать совместно с другими моделями Gemini для выполнения более сложных агентных задач.

Google также сообщила, что в скором времени преобразование речи в текст станет доступным в любом поле на веб-странице через браузер Chrome — пользователи смогут надиктовывать ответы и посты или отдавать голосовые команды Gemini. Модель уже доступна на платформе для разработчиков Google Antigravity и в ближайшее время появится в Search Live, Gemini Live, а также в Docs, Keep и Gmail. Разработчики смогут получить доступ к модели через API.