Dynamic Insight AI News Flash: Google выпустила Gemini 3.5 Transcribe, которая на данный момент является самой точной моделью Google для преобразования речи в текст. Это также первый случай, когда Google включила интеллектуальный режим (Smart mode) в специализированную модель транскрибации. Модель доступна как в версии для транскрибации в реальном времени, так и в версии для записи, а программный интерфейс приложения (API) Gemini теперь находится в стадии открытого бета-тестирования. Согласно оценкам Artificial Analysis, показатель WER (Word Error Rate — Ошибка распознавания слов, чем ниже, тем лучше) составляет 2,6% для версии записи и 4,0% для версии в реальном времени. Итоговая задержка транскрибации была сокращена на 70% по сравнению с предыдущим поколением Chirp 3.

Интеллектуальный режим больше не ограничивается пословным преобразованием речи в текст. Например, если вы скажете: «Давайте встретимся во вторник, нет, в среду», модель сразу оставит «в среду»; слова-паразиты, такие как «эм», «а», автоматически удаляются. Кроме того, она может структурировать разговорную речь в абзацы, списки, даты и числа. Когда требуются дословные записи встреч, по-прежнему можно использовать стандартный режим пословной транскрибации.

Модель поддерживает более 85 языков, переключение между языками «на лету» и позволяет добавлять пользовательскую профессиональную лексику. Стоимость транскрибации записей составляет около $0,005 за минуту, что равно $5 за 1000 минут; версия для работы в реальном времени стоит примерно $0,009 за минуту. В независимом рейтинге она оказалась точнее, чем GPT Transcribe от OpenAI с показателем 3,3%, но пока не превзошла ElevenLabs Scribe v2, у которой WER составляет 2,2% при стоимости около $3,67 за 1000 минут.

Эта модель уже используется в Rambler на Android и Gemini на macOS, а вскоре будет интегрирована в Chrome. Это позволит пользователям говорить и вводить текст непосредственно в поля ввода на веб-страницах.