Компания Google выпустила ИИ-модель Gemini 3.5 Transcribe, которая распознает живую речь в режиме реального времени и преобразовывает ее в структурированный и отредактированный текст, при этом справляясь со сложным жаргоном и фоновым шумом. Заявленный средний уровень ошибок при распознавании составляет всего 4,0% для потокового вещания и 2,6% для предварительно записанного аудио.
С помощью Gemini 3.5 Transcribe можно как эффективно надиктовывать сообщения в мессенджерах, так и взаимодействовать с ИИ-ассистентом Gemini. Выделяются три особенности модели — умение быстро избавляться от слов-паразитов (такие как «э-э», «м-м»), возможность в реальном времени переводить речь на разных языках, а также углубленное понимание контекста сказанного.
По заверению разработчиков, Gemini 3.5 Transcribe отлично распознает сложные буквенно-цифровые комбинации (почтовые индексы, номера заказов и т. д.), поддерживает более 85 языков с корректным распознаванием региональных акцентов и диалектов, а также умеет различать до трех разных спикеров.
Пользователи из США уже могут опробовать Gemini 3.5 Transcribe в клавиатуре Gboard для Android, приложении Gemini для macOS, а в ближайшее время модель встроят в браузер Chrome. Модель также доступна разработчикам в формате публичной предварительной версии через Gemini API в Google AI Studio и на платформе Google Antigravity.
