Google: Gemini 3.5 Transcribe

Google Gemini 3.5 Transcribe — синхронная модель для преобразования полных, заранее записанных аудиофайлов в письменную речь. Она основана на возможностях понимания аудио Gemini, но имеет специальный контракт входа и вывода для транскрибации. Отдельная версия Gemini 3.5 Transcribe Live принимает аудиопоток и возвращает результаты постепенно. Эта модель для записанного аудио создаёт завершённую расшифровку с необязательными временными метками слов или атрибуцией говорящих в зависимости от выбранной конфигурации.

Подготовьте чёткую запись без сильного ограничения амплитуды речи и, по возможности, с различимым разделением голосов. В синхронных примерах производителя WAV-аудио передаётся как байты файла или сохранённый аудиоресурс с указанным MIME-типом. Сохраняйте исходное аудио для проверки. Требуемым результатом может быть проверенная расшифровка интервью, запись для синхронизации субтитров или читаемый диктуемый текст; определите нужный материал до объединения функций, меняющих формулировки или добавляющих метаданные.

Google документирует автоматическое определение более 85 языков, включая смешение языков внутри сеанса. Уровни поддержки языков различаются, а подсказка известного языка может улучшить распознавание. Пользовательский словарь задаёт особые имена, бренды или профессиональные термины, которые вероятно встретятся. Разработчик допускает до 1 000 терминов и отмечает, что целевые списки примерно до 100 обычно работают лучше. Необычные термины должны относиться к записи; проверяйте их по аудио вместо предположения, что словарная подсказка доказывает их произнесение.

VERBATIM — режим по умолчанию. Он сохраняет слова-паразиты, повторы, незавершённые начала фраз и устные исправления, чтобы текст оставался записью формулировок. Этот режим следует использовать, если задаче нужны временные метки на уровне слов или разделение по говорящим. Например, для интервью сохраняйте исходные реплики и время, затем исправляйте важные имена и количества, прослушивая соответствующий фрагмент. Позднее краткое изложение или отредактированная статья могут использовать эту проверенную запись, не подменяя незаметно сказанное говорящим.

Режим SMART предназначен для читаемого диктуемого текста. Он убирает речевые сбои, разрешает исправления по ходу фразы и организует устный материал в абзацы или списки, при необходимости нормализуя даты и числа. Продиктованный список задач может стать читаемым списком вместо цепочки устных переходов. Такая обработка меняет форму расшифровки. Google прямо указывает, что SMART несовместим с временными метками слов и диаризацией; выбирайте его, когда нужен читаемый текст, а не пытайтесь использовать как запись с временной привязкой и атрибуцией говорящих.

При включении временных меток слов ответ содержит распознанные слова со смещениями начала и конца. Это помогает находить исправление в записи или готовить субтитры. Разработчик отмечает, что включение временных меток слов может снижать точность распознавания. Проверяйте и текст, и синхронизацию, особенно при быстрой речи, наложении голосов или необычной терминологии. Полезная расшифровка с временной привязкой сохраняет запись слов вместе с исходным аудио, не считая гладкое предложение доказательством верной синхронизации.

Диаризация определяет и помечает голоса в записанном аудио; документирована поддержка до восьми говорящих. Атрибуция для трёх и более говорящих описана разработчиком как экспериментальная. Рассматривайте метки как предполагаемую группировку по говорящим и проверяйте переходы по записи. Метка говорящего не является независимым доказательством личности или роли человека. Если задаче нужны имена, связывайте метки с известными сведениями о записи, не придумывая личности по распознанным словам.

Таблица возможностей производителя указывает 15-минутное окно записанного аудио, причём при включённых функциях вроде временных меток или диаризации обработка файла ограничена этой длительностью. Подготавливайте более длинные источники подходящими сегментами, сохраняя порядок и исходное положение во времени. Расшифровка, слова с временными метками и части с метками говорящих — разные представления результата; сохраняйте то, которое нужно задаче. Эти аудиоспецифичные ограничения нельзя заменять значениями контекста или длительности общей мультимодальной модели Gemini. Google относит SMART-форматирование, временные метки слов и диаризацию к экспериментальным возможностям.

Контракт вывода предназначен именно для транскрибации. SMART-форматирование создаёт читаемый текст, но не добавляет общего контракта ответа по JSON-схеме, вызовов инструментов или процесса ассистента, следующего инструкциям. Для итогового материала проверяйте важные формулировки, числа и отрицания по аудио, сохраняйте нерешённые сегменты для исправления и выбранный режим вместе с результатом. Так ясно, фиксирует ли материал исходные устные формулировки или представляет производную от них отредактированную версию для чтения.