Gemini 3.5 Transcribe превращает диктовку в чистый текст и убирает речевой мусор

Голосовой ввод обычно экономит время только наполовину: текст появляется быстро, но потом приходится удалять «эээ», повторы, исправлять оговорки, ставить знаки препинания и приводить мысли в порядок. Gemini 3.5 Transcribe умеет сразу превращать естественную речь в более чистый и структурированный текст — и именно поэтому новая модель интересна не только как транскрипция аудио, но и как рабочий способ диктовать письма, заметки, посты и длинные промпты.

Что нового в Gemini 3.5 Transcribe

Google представила Gemini 3.5 Transcribe 26 августа 2026 года как отдельную speech-to-text модель для живой речи и записанного аудио. Главное отличие от обычного распознавания речи — модель умеет не только записывать произнесённые слова, но и учитывать самоисправления, слова-паразиты, структуру фразы и формат результата.

У модели есть два основных режима. VERBATIM нужен, когда важно сохранить сказанное максимально дословно. SMART предназначен для читаемого результата: он удаляет дисфлюенции, исправляет ложные старты и самооговорки, добавляет пунктуацию и может превращать речь в абзацы, списки, даты, числа и другие структурированные элементы.

SMART или VERBATIM: какой режим выбрать

Для обычного голосового ввода текста с помощью ИИ интереснее SMART: он убирает речевой мусор и старается сохранить итоговый смысл. Но для интервью, юридической стенограммы, исследования, спорного разговора или материала, где важна точная формулировка, лучше использовать VERBATIM и не позволять модели «улучшать» сказанное.

Официальная документация Google отдельно указывает, что speaker diarization и word-level timestamps настраиваются в VERBATIM. Поэтому нельзя одновременно ожидать от SMART полностью очищенный текст и использовать его как строгую покадровую стенограмму разговора.

Как выглядит умная диктовка на практике

Для теста можно специально говорить неидеально. Например:

Так, эээ, отправить предложение надо двадцать восьмого…
нет, двадцать девятого августа.
И, ммм, сделать сначала три варианта…
хотя нет, пять вариантов.

В SMART-режиме ожидаемый рабочий результат должен быть ближе к такой форме:

Отправить предложение 29 августа.
Подготовить пять вариантов.

Это хороший сценарий именно для диктовки мыслей: человек может говорить в естественном темпе, менять решение на ходу и не возвращаться к каждому «эээ» вручную.

Что модель умеет форматировать автоматически

• Пунктуацию и регистр. Текст получает нормальные предложения вместо непрерывной строки.
• Самоисправления. Модель старается оставить финальное решение, а не весь процесс «нет, подождите».
• Списки и абзацы. Надиктованные пункты могут быть оформлены как структура, а не как длинный монолог.
• Числа, даты и валюты. Документация Google описывает inverse text normalization — например, произнесённые числа могут преобразовываться в привычную письменную форму.
• Переключение языков. Модель автоматически определяет язык и поддерживает более 85 языков и локалей; русский указан в официальном списке поддерживаемых языков API.

Расшифровка встреч: кто говорит и когда

Для заранее записанного аудио Gemini 3.5 Transcribe умеет различать говорящих и ставить word-level timestamps. Это полезно для созвонов, интервью и встреч, где нужно быстро перейти к нужному моменту записи и понять, кто произнёс конкретную реплику.

При этом здесь важен режим: диаризация и таймкоды относятся к VERBATIM. В текущей модельной документации Google также предупреждает, что работа с тремя и более спикерами остаётся экспериментальной, поэтому сложные многоголосые записи нужно проверять особенно внимательно.

Свой словарь: как уменьшить ошибки в именах и терминах

Обычная транскрипция часто ошибается именно там, где для работы важнее всего точность: фамилии, названия компаний, аббревиатуры, названия продуктов и профессиональный жаргон. В Gemini 3.5 Transcribe можно передать custom vocabulary — список слов и выражений, которым модель должна уделять повышенное внимание.

Документация Gemini API допускает до 1 000 таких фраз, хотя Google отмечает, что на практике лучшие результаты обычно получают с более коротким и релевантным списком. Для рабочего проекта разумнее добавить десятки действительно важных терминов, а не загружать словарь «на всякий случай».

Где Gemini 3.5 Transcribe можно использовать сейчас

Здесь важно не смешивать возможности самой модели и доступность готовых пользовательских интерфейсов.

• Gemini API / Google AI Studio. Модель доступна разработчикам в public preview для потоковой и файловой транскрипции.
• Gemini app на macOS. Google использует новую транскрипцию в голосовой работе с окнами и курсором. Но функция Speak to Window сейчас официально указана как доступная только на английском и разворачивается постепенно.
• Android / Gboard. Новая технология используется в функции Rambler / «Чистый текст» в поддерживаемых странах и языках.
• Chrome. Google обещает talk-to-type в веб-полях, но на момент публикации это ещё coming soon.

Как начать использовать этот workflow без разработки

Если у вас уже доступна интеллектуальная диктовка в Gemini на Mac или поддерживаемая функция в Gboard, сценарий простой: говорите естественно, получаете очищенный текст, проверяете его и используете дальше. Если готовая функция ещё не появилась в вашем аккаунте, саму модель можно тестировать через Google AI Studio или приложение, которое использует Gemini API.

1. Надиктуйте короткий тестСпециально добавьте «эээ», повтор и одно самоисправление.
2. Сравните SMART и VERBATIMПроверьте, что SMART действительно убрал речевой мусор, а VERBATIM сохранил оригинальную формулировку.
3. Добавьте сложные терминыПроверьте фамилии, названия программ, бренды и рабочие сокращения.
4. Проверьте даты и числаНе доверяйте автоматически распознанным срокам, суммам и идентификаторам без сверки.
5. Только затем используйте длинные записиСначала убедитесь, что выбранный режим подходит именно вашей задаче.

Ограничения, о которых лучше знать заранее

• Public preview. API и часть пользовательских функций ещё разворачиваются, поэтому интерфейс и лимиты могут меняться.
• SMART меняет форму речи. Это преимущество для письма или заметки, но недостаток для точной стенограммы.
• Спикеры и таймкоды — отдельный сценарий. Для них нужен VERBATIM, а не очищенный SMART-текст.
• Длинные файлы имеют лимиты. Текущая документация указывает до одного часа для обработки аудиофайла; при включении диаризации или таймкодов лимит ниже.
• Имена, суммы и даты нужно проверять. Даже хорошая speech-to-text модель может ошибиться на важных сущностях.
• Готовые интерфейсы доступны не везде. Возможность модели через API шире, чем текущий rollout в Gemini app, Gboard и Chrome.

Когда SMART лучше не использовать

Если вы расшифровываете юридически значимый разговор, интервью для цитирования, исследовательскую запись или спорную встречу, не превращайте речь сразу в «красивый текст». Сначала сохраните дословную версию. Уже после этого можно отдельно сделать читаемую редакцию или краткое резюме.

Именно поэтому два режима не конкурируют друг с другом: VERBATIM сохраняет свидетельство того, что было сказано, SMART помогает быстро использовать смысл в дальнейшей работе.

Чем это отличается от обычной голосовой работы с Gemini

Gemini 3.5 Transcribe — это прежде всего технология распознавания и очистки речи. Она не заменяет все голосовые функции Gemini. Если ваша задача — не просто надиктовать текст, а голосом искать письма, управлять Gmail или поручать многошаговые действия, у ANVARTAR есть отдельный материал о голосовой работе с Gmail через Gemini.

А если вы хотите не печатать вопросы к документу, а обсуждать загруженный файл голосом, посмотрите инструкцию о голосовой работе с PDF в ChatGPT. Это соседние сценарии, но поисковая задача у них другая.

Официальные источники

Возможности и ограничения сверены по официальному анонсу Google Introducing Gemini 3.5 Transcribe, документации Audio transcription in the Gemini API, странице модели Gemini 3.5 Transcribe и справке Google о Gemini app на macOS.