Google выпустила Gemini 3.5 Transcribe: умная расшифровка речи в 85+ языках

Gemini 3.5 Transcribe - новая специализированная модель Google для перевода речи из аудио в текст.

Она подходит для интервью, подкастов, звонков, лекций, субтитров и живой расшифровки в реальном времени.

Google выпустила две версии:

• gemini-3.5-transcribe для готовых аудиофайлов

• gemini-3.5-transcribe-live для потоковой расшифровки через WebSocket

Что умеет модель:

• автоматически определяет речь в 85+ языках и их региональных вариантах

• понимает переключение между языками внутри одной фразы

• разделяет реплики до 8 спикеров, но распознавание трех и более пока считается экспериментальным

• ставит временные метки вплоть до отдельных слов

• принимает словарь до 1000 терминов, имен и названий; Google советует ограничиваться примерно 100 самыми важными

• поддерживает режим verbatim с дословной записью и режим smart с удалением слов-паразитов, повторов и самокоррекций

Есть важное ограничение. Smart-режим нельзя одновременно использовать с разделением спикеров и временными метками.

Обычный запрос принимает до часа аудио, а с диаризацией или метками лимит снижается до 30 минут.

Цена зависит от длительности записи и выбранного режима:

Записанное аудио, примерно $0,005 за минуту:

• 10 минут: $0,05, около 4 рублей
• 30 минут: $0,15, около 13 рублей
• 60 минут: $0,30, около 25 рублей

Live-расшифровка, примерно $0,009 за минуту:

• 10 минут: $0,09, около 8 рублей
• 30 минут: $0,27, около 23 рублей
• 60 минут: $0,54, около 46 рублей

Бесплатный уровень тоже есть.

Платная цена складывается из обработки входящего аудио и генерации текстового результата.

Я думаю, самое полезное здесь сочетание низкой цены, словаря терминов и двух режимов выдачи.

Для интервью я бы выбирал verbatim с разделением спикеров, а для публикации конспекта использовал smart, чтобы сразу получить более чистый текст.