Сегодня мы представляем Gemini 3.5 Transcribe — нашу самую точную на сегодняшний день модель преобразования речи в текст, предназначенную для интеллектуальных голосовых взаимодействий. В отличие от обычных моделей распознавания речи, которые с трудом справляются с фоновым шумом, сложным жаргоном и очисткой от сбоев речи, Gemini 3.5 Transcribe преобразует необработанный звук непосредственно в точный, отшлифованный, отформатированный текст.

В наших продуктах, таких как приложение Gemini и на Android, мы видим, что потребители уже получают выгоду от этой модели транскрипции с новыми голосовыми возможностями, такими как Rambler на Android и в приложении Gemini на macOS. Теперь разработчики могут создавать аналогичные возможности с помощью Gemini 3.5 Transcribe в Gemini API в Google AI Studio и на платформе Gemini Enterprise Agent Platform.

Модель доступна через два отдельных API: Потоковая передача в реальном времени обеспечивает непрерывную двунаправленную потоковую передачу с задержкой менее секунды для интерактивных голосовых приложений через Live API с использованием gemini-3.5-transcribe-live. Обработка предварительно записанного звука транскрибирует записанный звук, встречи, журналы вызовов и многое другое с атрибуцией говорящего и временными метками на уровне слов через Interactions API с использованием gemini-3.5-transcribe.

По данным Artificial Analysis, он достигает средней частоты ошибок в словах (WER) 4,0% для потоковой передачи и 2,6% для непотоковых случаев использования. Он показывает высокую производительность в шумных реальных средах, точно захватывая буквенно-цифровые объекты, такие как почтовые индексы и идентификаторы заказов. Производительность Gemini 3.5 Transcribe представляет собой значительный прогресс по сравнению с нашей предыдущей моделью транскрипции Chirp 3, предлагая новые возможности, улучшенные показатели ошибок в словах и значительно лучшую задержку.

Ключевые объекты: Компании: Google DeepMind, Google | Люди: Luke Leonhard