Google объявила о запуске Gemini 3.5 Transcribe — модели распознавания речи, рассчитанной на два сценария использования: потоковую трансляцию через Live API и обработку заранее записанных аудиофайлов через Interactions API.
Для обработки готовых записей система поддерживает определение говорящих и подробные временные метки на уровне слов. Поддержка до трёх говорящих заявлена как основной режим работы; распознавание большего числа участников обозначено как экспериментальная опция.
В набор функций включены пользовательский словарь, мультиязычное распознавание, обработка самопоправлений и опциональная фильтрация слов-паразитов. При выборе режима работы важно учитывать конечную задачу: для диктовки и редактируемого текста лучше подойдёт очищенный от слов-паразитов результат, тогда как для дословной расшифровки записи следует сохранять все элементы речи.
В релизе отмечено, что показатели качества распознавания (например, WER) и задержки зависят от конкретных тестов и условий. Для критичных по точности задач рекомендуется самостоятельно проверять обработку имён, номеров, специализированной терминологии и соответствие требованиям к качеству транскрипции.