Google пришвидшує транскрипцію голосу в Gemini
Google представила Gemini 3.5 Transcribe — модель, що перетворює мовлення на відредагований текст: прибирає слова-паразити, враховує виправлення під час диктування та користувацький словник із професійними термінами. Вона працює з 85 мовами й розпізнає до трьох спікерів у записаному аудіо. Модель уже підтримує Rambler у Gboard на Pixel 11 і згодом з’явиться в інших продуктах Google.
За оцінкою компанії, готовий текст формується на 70% швидше, а частка помилок у живому мовленні знизилася з 7,32% у Chirp 3 до 5,5%. Водночас система змінює формулювання, а не лише записує сказане, тому не всюди замінить дослівну транскрипцію.
Не просто розпізнавання, а редагування мовлення
Gemini 3.5 Transcribe працює не лише як перетворювач голосу на текст. Модель намагається передати зміст висловлювання у відредагованій формі: прибирає паузи на кшталт «ем» і «е-е», усуває мовні затинання та може змінювати вже сформований текст, якщо людина виправляє себе під час диктування.
Для професійної лексики користувач може надати власний словник. За задумом Google, це має допомогти системі правильно обробляти спеціалізований жаргон. У першоджерелі, однак, немає деталей про формат такого словника, його обсяг або процедуру додавання термінів.
Порівняння з попередньою системою Google
Google позиціонує Gemini 3.5 Transcribe як швидшу й точнішу заміну попередньому рушію перетворення мовлення на текст Chirp 3. Компанія оцінює прискорення всього процесу — від голосового введення до готового тексту — приблизно у 70%.
- Частка помилок для живого мовлення у Gemini 3.5 Transcribe — 5,5%.
- Для Chirp 3 показник, за вимірюваннями Google, становить 7,32%.
- Підтримуються 85 мов.
- У попередньо записаному аудіо система може працювати щонайбільше з трьома спікерами.
Першоджерело не пояснює методику тестування, склад мовної вибірки або те, чи однаковою є точність для всіх 85 мов. Тому наведені показники описують оцінку Google, але не дають змоги окремо оцінити якість української мови чи спеціалізованої термінології.
Де модель уже працює і що відомо про доступність
Модель уже використовується у функції Rambler клавіатури Gboard на Pixel 11. Google також планує поширити її на інші продукти своєї екосистеми, але першоджерело не називає конкретних сервісів, строків запуску чи переліку підтримуваних пристроїв.
Так само не вказано, чи буде доступ платним, чи залежатиме він від тарифу або облікового запису, а також чи з’явиться окремий API для бізнес-користувачів. Отже, поза зазначеною функцією Gboard практично застосувати модель сьогодні на підставі оприлюднених у матеріалі даних поки неможливо.
Коли відредагований текст не замінює стенограму
Ключове обмеження полягає в тому, що система може змінювати формулювання, а не дослівно фіксувати сказане. Автор першоджерела, який тестував Rambler, зазначає, що на коротких фрагментах функція добре прибирає неузгодженості та словесні затинання. Водночас результат залежить від того, чи правильно ШІ зрозумів загальний зміст висловлювання.
Через це модель може бути неприйнятною у випадках, де важлива точна фіксація слів. Джерело не повідомляє про режим дослівної транскрипції, механізм перевірки внесених змін або спосіб побачити, які саме фрагменти система відредагувала.