Gemini даёт голос приложениям на 85+ языках: одно API вместо каскада модулей

Новость опубликована в блоге разработчиков Google. Компания выпустила набор моделей для работы с голосом через Gemini API и Google AI Studio. До сих пор разработчики голосовых приложений часто собирали каскадную архитектуру: отдельный модуль распознавания речи, отдельный языковой процессор, отдельный синтезатор. Новые модели объединяют эти этапы, и это меняет подход к созданию голосовых продуктов.

Что умеют новые модели?

Gemini 3.8 Live и 3.8 Live Extended Thinking:

• Асинхронный вызов функций. Модель выполняет запросы к внешним сервисам и инструментам в фоне, продолжая разговор с пользователем. Голосовой ИИ-агент (программа, которая сама выполняет задачи по голосовой команде) не замолкает, пока ищет информацию.
• Визуальный контекст. Модель понимает не только речь, но и изображение с камеры. Пользователь может спросить «что это передо мной?», и агент ответит.
• Точность с кодами и номерами. Корректно разбирает подтверждающие коды, номера заявок и технические данные, где одна ошибка в цифре ломает весь смысл.
• 97 и более языков с сохранением акцента говорящего.
• Пошаговое рассуждение (в версии Extended Thinking): модель «думает» над сложным запросом в фоне и озвучивает ход решения прямо во время разговора.

Gemini 3.5 Transcribe (модель для перевода речи в текст):

• Автоматическое переключение языков. Если человек в одном предложении говорит на русском и вставляет английское слово, модель распознаёт оба языка без ручной настройки. Для российского рынка, где код-свитчинг (переключение между языками внутри фразы) распространён в IT и бизнесе, это снимает серьёзную головную боль.
• Словарь на 1 000 терминов. Разработчик передаёт список специальных слов, названий компаний, профессионального жаргона, и модель ориентируется на него при распознавании.
• Умная расшифровка. Убирает слова-паразиты, исправляет оговорки и форматирует текст так, чтобы его можно было читать без редактуры.
• Поддержка 85 и более языков, включая потоковый режим и пакетную обработку аудиофайлов длиной до 1 часа с разметкой по времени и распознаванием спикеров.

Полный голосовой набор для разработчика

Кроме двух основных моделей, Google предлагает через тот же Gemini API ещё три инструмента:

• Gemini 3.5 Live Translate для голосового перевода на более чем 70 языков.
• Gemini 3.1 Flash TTS для генерации речи с настраиваемыми параметрами.
• Lyria 3.5 для создания музыки.

Все пять моделей работают через единый API. Это значит, что разработчик собирает голосовое приложение с Gemini из готовых блоков, не подключая сторонние сервисы для каждой задачи.

Как попробовать?

1. Откройте ai.studio/live и протестируйте модели прямо в браузере через Google AI Studio.
2. Клонируйте примеры приложений с GitHub (ссылки в документации Google).
3. Подключите Gemini API к своему проекту и используйте «live api skill» для интеграции голосовых функций в существующего ИИ-агента.

Сравнение с российскими аналогами

Для проектов, ориентированных только на русскоязычную аудиторию, YandexGPT SpeechKit и SaluteSpeech от «Сбера» работают без ограничений по доступу. Но если приложение должно обслуживать пользователей на десятках языков или обрабатывать речь с частым переключением между русским и английским, Gemini 3.5 Transcribe предлагает то, чего у российских аналогов пока нет в таком объёме.

Что делать с этим прямо сейчас, по ролям

Автору Дзена. Gemini 3.5 Transcribe с умной расшифровкой убирает слова-паразиты и форматирует текст. Если вы записываете подкасты или видео, попробуйте расшифровать выпуск через Google AI Studio и сравните качество с привычным сервисом.

Маркетологу. Голосовые приложения с Gemini Live позволяют строить интерактивных консультантов, которые одновременно разговаривают с клиентом и выполняют запросы к CRM или базе товаров. Это не будущее, это доступный API.

Разработчику в РФ. 85 и более языков и автоматическое переключение кодов упрощают создание голосовых интерфейсов для российского рынка без отдельной настройки под каждый язык. Ограничение: доступ к Gemini API из России требует обходных решений.

Частые вопросы

Gemini Live работает на русском языке?

Gemini 3.8 Live поддерживает 97 и более языков, Gemini 3.5 Transcribe поддерживает 85 и более языков. Google не перечислила конкретный список, но заявленное количество с высокой вероятностью включает русский. Проверить можно в Google AI Studio.

Можно ли использовать Gemini 3.5 Transcribe бесплатно?

Google не раскрыла цены в анонсе. Доступ открыт через Gemini API и Google AI Studio. Попробовать модель можно на ai.studio/live, условия тарификации указаны в документации Gemini API.

Чем Gemini 3.8 Live отличается от обычного голосового помощника?

Обычный помощник слушает команду, замолкает, обрабатывает и отвечает. Gemini 3.8 Live выполняет фоновые задачи (вызов API, поиск данных) и одновременно продолжает разговор. Версия Extended Thinking ещё и рассуждает пошагово, озвучивая ход мысли, что полезно для сложных запросов.