Whisper на свалку. Google выкатила Gemini 3.5 Transcribe, который вырезает слова-паразиты на лету

Большинство моделей распознавания речи до сих пор работают как тупые стенографистки, они превращают аудиодорожку в сплошную нечитаемую простыню текста, забитую заиканиями, оговорками и бесконечным мычанием. Чтобы получить нормальный документ, приходилось либо прогонять сырой транскрипт через вторую языковую модель, либо чистить вручную. Google решила закрыть этот костыль и выкатила Gemini 3.5 Transcribe систему, которая работает не как диктофон, а как профессиональный выпускающий редактор.

Модель совмещает распознавание звука с глубоким семантическим анализом контекста:

• Чистит мусор в реальном времени. Алгоритм автоматически вырезает слова-паразиты («э-э-э», «типа», «ну»), убирает случайные повторы и понимает исправления на лету. Если спикер говорит «созвон в среду, ой, то есть в четверг», модель сразу запишет чистовой вариант с четвергом.
• Идеальная структура и пунктуация. Нейросеть сама расставляет знаки препинания, бьет поток мыслей на логические абзацы и форматирует списки.
• Диаризация и таймкоды. Система из коробки различает голоса разных собеседников и аккуратно расставляет временные метки к каждой реплике.
• Мультиязычный бесшовный ввод. Заявлена поддержка более 85 языков, сложных технических терминов и акцентов. Модель способна переключаться между языками прямо посреди одного предложения. Русский язык доступен сразу и без костылей.

Главное преимущество — скорость и точность:

• Задержка составляет менее 1 секунды, что делает модель пригодной для реалтайм-ассистентов и живых трансляций.
• Точность (WER) уровень ошибок на готовых аудиозаписях упал до рекордных 2,6%. Для контекста это ощутимо лучше недавней GPT Transcribe от OpenAI, которая выдает 3,3% ошибок.

Пощупать модель в боевом режиме уже можно бесплатно в Google AI Studio.

Не отставайте от технологий! Подписывайтесь на Telegram-канал, чтобы быть в курсе последних трендов и лайфхаков.