🔒Открыть пост
и посмотреть медиа
и посмотреть медиа
Google выпустила Gemini 3.5 Transcribe, отдельную модель распознавания речи в семействе Gemini 3. Работает она через два API: gemini-3.5-transcribe разбирает готовые записи, gemini-3.5-transcribe-live идёт потоком через Live API с задержкой меньше секунды.
По замерам Artificial Analysis средняя ошибка по словам 2,6% на файлах и 4,0% в потоке. В общей таблице точности это пятое место, впереди Fun-Realtime-ASR с 1,7%, Scribe v2 от ElevenLabs с 2,2% и MAI-Transcribe 1.5 от Microsoft с 2,4%. Скорость 79,6 к реальному времени, цена 5 долларов за 1000 минут. По прайсу Google выходит около 0,005 доллара за минуту записи и 0,009 за минуту потока, есть и бесплатный тир.
Теперь про русский, ради которого я и полез в документацию. Код ru-RU в списке языков есть, рядом украинский, белорусский, казахский, армянский, грузинский, таджикский, узбекский и киргизский. Отдельных цифр по русскому Google не даёт: многоязычные 5,04% на файлах и 5,50% в потоке посчитаны на FLEURS по «топовым локалям». В голосовом вводе Rambler на Gboard русский указан прямо в справке, там всего одиннадцать позиций, правда сам Rambler требует Pixel 11. В приложении Gemini на macOS диктовка пока только английская.
Умный режим убирает «э-э» и делает самокоррекцию вроде «встретимся во вторник, нет, в среду». К нему прилагаются словарь под свои термины и написания имён, разметка до трёх говорящих, пословные таймстемпы и переключение языка прямо посреди фразы.
@neuro_channel