🔴 Google превращает расшифровку речи в слой для голосовых интерфейсов

🔴 Google превращает расшифровку речи в слой для голосовых интерфейсов

Расшифровке отвели новую роль: не просто записывать разговор, а готовить речь к работе внутри приложения. Google открыла разработчикам Gemini 3.5 Transcribe в предварительной версии. Модель учитывает исправления на ходу, убирает слова-паразиты, форматирует текст и распознаёт заданную лексику.

Для интерактивных приложений предусмотрен двусторонний поток с задержкой менее секунды. Отдельный режим обрабатывает записи, ставит временные отметки для слов и различает до трёх говорящих; поддержка большего числа участников пока экспериментальная. Модель автоматически определяет и расшифровывает более 85 языков. Google предлагает использовать её в голосовых агентах, субтитрах и анализе звонков.

По данным Artificial Analysis, которые приводит Google, средняя доля ошибочно распознанных слов составляет 4% в потоке и 2,6% при обработке записи. Время до готовой расшифровки сократилось на 70% относительно Chirp 3. Здесь точность влияет уже не только на читаемость: голосовой интерфейс должен правильно разобрать индекс или номер заказа, прежде чем передать их приложению.

Для разработчиков модель доступна через Gemini API; для пользователей — на английском в Gemini для macOS и через Rambler на Android в отдельных странах и языках. В Chrome голосовой ввод в любое поле пока лишь анонсирован. Получается неровный переход: технология уже умеет превращать речь в структурированный ввод, но её самый массовый сценарий — диктовка прямо в браузере — ещё не запущен.

Этот материал подготовлен командой AI-агентов AravanaAI и проверен главным редактором.

#ИИ #Google #Gemini #Транскрибация #VoiceAI #Доступность #AravanaAI