Google 26 августа 2026 года представила Gemini 3.5 Transcribe — новую модель распознавания речи в семействе Gemini Audio. Это не просто диктовка в пользовательском приложении: Google вывела отдельные модели для разработчиков, чтобы транскрибировать записанное аудио и строить голосовые интерфейсы с потоковой расшифровкой через Gemini API.
Что произошло
Google объявила о запуске Gemini 3.5 Transcribe как модели speech-to-text для точной и «умной» транскрипции. В обычном распознавании речи система часто старается дословно превратить звук в текст: вместе с паузами, самопоправками, словами-паразитами и ошибками в специализированных терминах. Новый подход Google делает акцент не только на распознавании слов, но и на превращении живой речи в более аккуратный текст, пригодный для рабочих сценариев.
Для разработчиков важнее всего два конкретных имени модели:
gemini-3.5-transcribe— модель для обработки записанного аудио;gemini-3.5-transcribe-live— потоковая версия для Live API и WebSocket-сценариев.
В changelog Gemini API обе модели отмечены 26 августа 2026 года как generally available. Это важная деталь: речь не о слухе, не о демонстрации и не о корпоративном кейсе. В API появился конкретный релиз с понятными идентификаторами моделей.
Чем Transcribe отличается от обычной диктовки
Главное отличие — модель должна понимать не только звук, но и намерение говорящего. Если человек диктует текст естественно, он почти всегда говорит неровно: начинает фразу, поправляется, вставляет «эээ», меняет дату на ходу, произносит внутренние названия проектов, номера заказов, имена файлов или технические термины. Обычный speech-to-text в таких местах часто создаёт грязный черновик, который потом приходится вычищать руками.
Gemini 3.5 Transcribe рассчитана именно на такую речь. Google выделяет несколько возможностей:
- удаление слов-паразитов и лишних междометий;
- обработка самопоправок вроде «во вторник, нет, в среду»;
- автоматическое форматирование результата;
- распознавание специализированной лексики и необычных написаний;
- работу с более чем 85 языками и региональными акцентами;
- привязку слов к временным меткам;
- определение говорящих в записанном аудио.
Это ближе к редактору речи, чем к старой диктовке. Пользователь говорит как обычно, а на выходе хочет получить текст, который можно вставить в письмо, задачу, CRM, протокол встречи или интерфейс агента.
Две модели для двух разных задач
Разделение на обычную и live-версию выглядит практично. У записанного аудио и у живого голосового интерфейса разные требования.
gemini-3.5-transcribe подходит для файлов и завершённых записей: встреч, звонков, интервью, голосовых заметок, подкастов, обучающих материалов. Там важны точность, временные метки, разметка говорящих и возможность позже искать по расшифровке. Для таких задач задержка в доли секунды не так критична, зато нужен аккуратный итоговый текст.
gemini-3.5-transcribe-live нужна там, где человек говорит прямо сейчас, а приложение должно реагировать почти сразу. Это голосовые агенты, интерфейсы поддержки, ассистенты в рабочих программах, субтитры в реальном времени, внутренние инструменты операторов и любые сценарии, где аудио идёт непрерывным потоком. Google описывает live-модель как двунаправленную потоковую speech-to-text через WebSockets с промежуточными и финальными событиями транскрипции.
Такое разделение полезно для архитектуры продукта. Не нужно одной моделью закрывать и архив звонков, и живой разговор с агентом. Можно выбрать endpoint под конкретный режим работы.
Что нового по сравнению с Chirp 3
Google сравнивает Gemini 3.5 Transcribe с предыдущей моделью транскрипции Chirp 3. По словам компании, новая модель даёт улучшение по качеству, задержке и набору возможностей.
Самый понятный численный ориентир — метрика Word Error Rate. Google со ссылкой на Artificial Analysis указывает средний WER 4,0% для потоковых сценариев и 2,6% для непотоковой обработки. Также заявлено, что время до финальной транскрипции улучшилось на 70% по сравнению с Chirp 3.
Эти цифры стоит воспринимать аккуратно: качество распознавания сильно зависит от языка, микрофона, шума, предметной области и конкретной записи. Но направление понятно. Google пытается сделать speech-to-text не только точнее в лабораторном смысле, но и быстрее в реальных интерфейсах, где задержка ломает ощущение разговора.
Отдельно важна работа с алфавитно-цифровыми сущностями: индексами, номерами заказов, кодами, названиями файлов. Для бизнес-систем это часто больнее, чем обычные слова. Если модель ошиблась в красивой фразе, человек заметит и поправит. Если она перепутала одну цифру в номере заявки, ошибка может уехать дальше по процессу.
Для чего это нужно разработчикам
Самый очевидный сценарий — транскрибация встреч и звонков. Но для разработчиков интереснее не сама расшифровка, а то, что она становится частью пайплайна.
Например, можно строить такие цепочки:
- звонок клиента превращается в текст с говорящими и временными метками;
- текст автоматически режется на задачи, вопросы, возражения и договорённости;
- CRM получает структурированную карточку вместо сырой записи;
- агент ищет по архиву разговоров и отвечает с привязкой к моменту в аудио;
- оператор диктует действие голосом, а система понимает намерение и вызывает нужную функцию.
В этом месте speech-to-text перестаёт быть отдельной функцией. Он становится входным слоем для агентной системы. Чем чище и точнее этот слой, тем меньше мусора получает следующий агент или бизнес-логика.
Live-версия особенно важна для голосовых агентов. Если модель умеет быстро отдавать промежуточные события и финальные фрагменты, интерфейс может реагировать раньше: показывать подсказки оператору, запускать поиск, готовить ответ, уточнять поле формы или вызывать функцию. Это сильно отличается от сценария «загрузите аудиофайл и подождите расшифровку».
Что появляется в продуктах Google
Google уже использует Gemini 3.5 Transcribe в собственных продуктах. В анонсе упоминаются Rambler на Android, приложение Gemini для macOS, Google Antigravity, Google AI Studio и будущая интеграция с Chrome.
В Gboard через Rambler модель помогает превращать естественную диктовку в отформатированный текст, убирать лишние вставки и править результат голосом. В Gemini для macOS она может работать с контекстом экрана и помогать выполнять действия голосом. В Antigravity модель учитывает, с разрешения пользователя, экранный контекст и историю чата, чтобы лучше распознавать имена файлов, мысли агента и активные документы.
Для сайта Антона тут важен не список продуктов Google, а общий сдвиг интерфейса. Речь становится нормальным способом управлять рабочей средой. Не «запиши мне голосовое», а «преврати речь в действие»: сформируй задачу, поправь текст, найди файл, запусти анализ, подготовь структуру.
Ограничения и риски
Несмотря на статус GA в API, это не магия и не замена проверке результата. В модельной карточке Google отдельно указывает типичные ограничения foundation models: возможны галлюцинации, задержки и таймауты. Для транскрипции это особенно чувствительно, потому что пользователь часто воспринимает расшифровку как буквальную запись сказанного.
В рабочих процессах лучше сразу закладывать защитные правила:
- важные юридические, финансовые и медицинские фрагменты не принимать без человеческой проверки;
- номера договоров, телефоны, суммы и адреса подсвечивать как поля с повышенным риском;
- хранить ссылку на исходный аудиофрагмент и временную метку;
- отделять дословную расшифровку от «очищенного» текста;
- явно показывать пользователю, где модель отредактировала речь.
Smart transcription удобна, но она меняет исходную речь. Удаление «эээ» и самопоправок полезно для письма, но для протокола конфликта или юридической записи может быть нежелательным. Поэтому в серьёзных продуктах стоит давать режимы: сырой текст, очищенный текст и структурированная выжимка.
Как попробовать
Разработчикам стоит начинать с Gemini API и Google AI Studio. Для записанного аудио нужен gemini-3.5-transcribe; для потокового сценария через Live API — gemini-3.5-transcribe-live.
Практический тест можно сделать без сложной архитектуры:
- взять несколько реальных записей с шумом, перебиваниями и специальной лексикой;
- прогнать их через новую модель;
- отдельно проверить цифры, имена, названия файлов и термины;
- сравнить сырой результат, очищенный текст и итоговую структуру для CRM или задач;
- только после этого подключать модель к рабочему процессу.
Если задача связана с живым голосовым интерфейсом, нужно отдельно тестировать задержку. Красивая транскрипция через секунду может быть нормальной для субтитров, но раздражающей для агента, который должен отвечать в диалоге.
Где это может быть полезно бизнесу
Для малого и среднего бизнеса такие модели интересны не как «ещё одна нейросеть», а как способ убрать ручной перенос информации из голоса в системы.
Самые понятные применения:
- расшифровка звонков отдела продаж;
- протоколы встреч без ручного набора;
- поиск по архиву консультаций;
- голосовое заполнение CRM;
- диктовка задач в проектном менеджере;
- быстрые заметки для руководителя;
- голосовые команды во внутренних админках;
- обработка интервью, подкастов и обучающих материалов.
Но главный выигрыш появляется только тогда, когда транскрипция не заканчивается текстовым файлом. Если после распознавания система создаёт задачу, обновляет карточку клиента, ставит напоминание или готовит черновик письма, голосовой ввод действительно экономит время. Если же человек просто получает длинную простыню текста, он всё равно остаётся редактором и диспетчером.
Что это меняет
Gemini 3.5 Transcribe показывает, что рынок голосовых интерфейсов взрослеет. Раньше сильная модель речи была отдельным техническим модулем: подключили распознавание, получили текст. Теперь речь всё чаще становится частью агентного контура: модель слышит человека, учитывает контекст, чистит результат, вызывает функции и передаёт структурированные данные дальше.
Для разработчиков это хороший момент пересмотреть старые голосовые сценарии. Там, где раньше диктовка была неудобной игрушкой, теперь может получиться нормальный рабочий интерфейс: оператор говорит естественно, система понимает термины, сохраняет временные метки и превращает разговор в действие.
При этом внедрять такое стоит трезво. Сначала тесты на своих данных, затем режимы проверки и только потом автоматизация критичных операций. Распознавание речи становится заметно умнее, но ответственность за бизнес-процесс всё равно остаётся у системы, которую вокруг него построили.
Источник
Google: Intelligent transcription with Gemini 3.5 Transcribe