Транскрипция нейросетью за минуты: Gemini 3.5 Transcribe снизила ошибки до 2,6%

До сих пор качественная транскрипция нейросетью требовала цепочки инструментов: один сервис расшифровывал, второй чистил текст, третий расставлял тайм-коды. Gemini 3.5 Transcribe объединяет всё в одну модель и работает через API (интерфейс, через который программы обмениваются данными), доступный в Google AI Studio. По замерам аналитической платформы Artificial Analysis, средний показатель WER (Word Error Rate, доля неверно распознанных слов) составляет 4,0% в потоковом режиме и 2,6% при обработке записей. Время до финальной расшифровки сократилось на 70% по сравнению с предыдущей моделью Google Chirp 3, по данным того же Artificial Analysis.

Что умеет модель и в чём отличие от привычных сервисов?

Gemini 3.5 Transcribe доступна в двух режимах через раздельные API:

• Потоковая расшифровка в реальном времени (модель gemini-3.5-transcribe-live). Двусторонний стриминг с задержкой менее секунды для голосовых приложений, чат-ботов, звонков.
• Обработка записанного аудио (модель gemini-3.5-transcribe). Расшифровка совещаний, звонков, подкастов с разметкой по говорящим и пословными тайм-кодами. Модель разделяет до трёх спикеров, поддержка большего числа пока экспериментальная.

Ключевые возможности, которые выделяет Google:

• Умная очистка текста. Модель сама убирает «э-э», «ну» и самоисправления вроде «встретимся во вторник, нет, в среду», оставляя чистый текст.
• Кастомный словарь. Вы загружаете список терминов, имён, брендов, и модель подстраивает распознавание под них.
• Автоопределение языка. Поддержка более 85 языков, включая работу с акцентами и диалектами.
• Вызов функций. Модель может передавать задачи (генерация картинок, анализ файлов) другим моделям Gemini. Пока доступно в приложении Gemini для macOS.

На бенчмарке FLEURS (стандартный тест многоязычного распознавания речи) модель показывает WER 5,50% в потоковом режиме и 5,04% при обработке записей, по данным Google. Это конкретное улучшение относительно Chirp 3.

Что понадобится

• Аккаунт Google с доступом к Google AI Studio (бесплатный).
• Аудиофайл или микрофон для потокового режима.
• Список специальной лексики (если транскрибируете нишевый контент: медицина, право, техника).
• Время: первая расшифровка занимает 10 минут с настройкой, дальше быстрее.

Пошаговая инструкция

1. Откройте Google AI Studio по адресу aistudio.google.com и войдите в аккаунт Google.

2. Выберите режим Build и создайте новый проект. Google прямо указывает, что в этом режиме можно «vibe code apps with your voice», то есть собирать приложения голосом на лету.

3. Укажите модель. Для записанного аудио выберите gemini-3.5-transcribe, для потокового режима gemini-3.5-transcribe-live.

4. Загрузите аудиофайл (для режима записи) или подключите микрофон (для потокового). Поддерживаются стандартные форматы.

5. Добавьте кастомный словарь, если нужно. Передайте список терминов в параметрах запроса:

custom_vocabulary: ["YandexGPT", "Дзен", "промпт-инжиниринг", "дообучение"]

1. Запустите расшифровку. Модель вернёт текст с пунктуацией, очисткой от слов-паразитов и (при работе с записью) тайм-кодами и разметкой спикеров.

2. Скопируйте результат или интегрируйте API в свой сервис, если вы разработчик.

Где уже встроена транскрипция?

Google параллельно интегрировала Gemini 3.5 Transcribe в собственные продукты:

• Gboard на Android (функция Rambler): произносите мысли вслух, модель выдаёт отформатированный текст без «ну» и «типа», а голосом можно вносить правки и менять стиль.
• Приложение Gemini на macOS: голосовые команды в связке с контекстом экрана позволяют суммировать файлы, генерировать изображения, работать с текстом прямо курсором.
• Chrome (скоро): диктовка в любое поле на веб-странице.

Среди платформ, уже работающих с моделью через Gemini Live API, Google называет Agora, LiveKit, LangChain, Pipecat, Vercel. Компании Vivo, Intellitek Health и Lingopal отметили низкую задержку и точность, по данным Google.

Что делать с этим прямо сейчас по ролям?

• Автору Дзена. Записывайте голосовые черновики статей или расшифровывайте свои видео для текстовых дублей. Кастомный словарь позволяет сохранить нишевые термины без искажений. Экономия: вместо часа ручной расшифровки получаете готовый текст за минуты.

• Маркетологу. Обрабатывайте звонки с клиентами и внутренние совещания с автоматической разметкой по спикерам. Это сырьё для аналитики, отчётов и обучающих материалов.

• Разработчику в РФ и СНГ. Поддержка русского языка и кастомного словаря открывает возможность встраивать транскрипцию нейросетью в голосовые сервисы, колл-центры, обработку медицинских или юридических записей. Доступ через API, значит, можно интегрировать в существующий продукт.

• Предпринимателю. Google AI Studio доступен бесплатно. Для корпоративного использования Google анонсировала доступ через Gemini Enterprise Agent Platform (платформу для бизнеса). Из альтернатив в РФ для распознавания речи есть SaluteSpeech от Сбера и Yandex SpeechKit: они работают с русским языком, но набор интеллектуальных функций (очистка текста, кастомный словарь, вызов функций) у Gemini 3.5 Transcribe шире, по описанию Google.

Транскрипция нейросетью перестаёт быть компромиссом между скоростью и качеством. Если вы откладывали автоматизацию расшифровки из-за качества русского распознавания или отсутствия кастомных словарей, сейчас хороший момент открыть Google AI Studio и проверить модель на своём контенте.