Gemini Transcribe
Модель Google для расшифровки речи в текст: более 85 языков, разделение спикеров, таймкоды по словам и свой словарь терминов.
- Без регистрации
- Нет
- Работает с русским языком
- Да
- Разработчик
- Версия
- 3.5 · с 26 августа 2026
- Страна
- США
Gemini Transcribe — модель Google, которая превращает речь в текст на базе аудиопонимания Gemini. Она рассчитана на разработчиков и подключается через Gemini API: аудиофайл загружается в Files API и передаётся модели, а на выходе получается текст с разметкой по словам и репликам.
Модель автоматически определяет язык и переключается между языками внутри записи, различает нескольких говорящих, расставляет таймкоды по словам и подстраивается под узкие термины через свой словарь. Отдельный режим умной транскрипции убирает слова-заполнители, повторы и оговорки, расставляет пунктуацию и приводит числа и даты к единому виду.
Работать можно двумя способами: расшифровывать заранее записанные файлы или включить потоковое распознавание через Live API по WebSocket, когда текст приходит по ходу речи. Попробовать модель можно в Google AI Studio, доступ открывается по ключу API, а платный тариф считается по расходу токенов.
Возможности
Расшифровка записей
Аудио до часа за один запрос в форматах WAV, MP3, FLAC, OGG, AAC, M4A и других. На выходе — текст с разбивкой по репликам.
Разделение спикеров
Модель помечает, кто говорит, и присваивает репликам отдельные метки. В записи различается до восьми участников.
Умная транскрипция
Убирает оговорки, слова-заполнители и повторы, расставляет пунктуацию и приводит числа и даты к единому виду.
Определение языка
Язык распознаётся автоматически более чем в 85 локалях, включая русский, а переключения между языками внутри записи идут без настройки.
Потоковая расшифровка
Модель Live отдаёт промежуточные и финальные результаты по WebSocket; одна сессия длится до десяти минут.
Свой словарь терминов
До 1000 терминов, аббревиатур и имён собственных для подсказки распознаванию; на практике лучше работают до 100.
Таймкоды по словам
Для каждого слова возвращаются точные начало и конец — удобно для субтитров, поиска по записи и монтажа.
Что ещё умеет Gemini Transcribe
- Разделение спикеров
Модель помечает говорящих отдельными метками и относит реплики к нужному участнику записи.
- Таймкоды по словам
Для каждого распознанного слова возвращаются точные начало и конец — для субтитров и монтажа.
- Свой словарь терминов
До 1000 терминов, аббревиатур и имён собственных, на которые модель опирается при распознавании.
- Умная транскрипция
Режим, который убирает оговорки, слова-заполнители и повторы и применяет структурированное форматирование текста.
- Определение языка
Язык распознаётся автоматически более чем в 85 локалях, переключения между языками внутри записи обрабатываются без настройки.
- Потоковая расшифровка
Модель gemini-3.5-transcribe-live отдаёт промежуточные и финальные результаты по WebSocket в реальном времени.
Кому подойдёт
- Разработчики
Подключают модель через Gemini API и SDK, чтобы расшифровывать звонки, интервью и подкасты внутри своих приложений.
- Исследователи и учёные
Переводят в текст интервью, полевые записи и лекции, сохраняя разделение спикеров и таймкоды.
- Переводчики
Быстро получают текст записи с таймкодами как основу для перевода и субтитров.
- Менеджеры проектов и продуктов
Превращают записи встреч и созвонов в читаемые протоколы без ручного набора.
- Авторы контента и блогеры
Делают субтитры и текстовые версии видео и выпусков.
Как начать
- Получите ключ Gemini API в Google AI Studio.
- Загрузите аудиофайл через Files API и передайте его модели gemini-3.5-transcribe.
- Задайте параметры расшифровки: коды языков, разделение спикеров, таймкоды по словам или свой словарь.
- Для живой расшифровки подключитесь к Live API по WebSocket и используйте gemini-3.5-transcribe-live.
Тарифы
Фиксированной подписки нет, счёт зависит от расхода токенов.
Ограничения
- Файл до одного часа за запрос; с разделением спикеров или таймкодами по словам — до 30 минут.
- Одна сессия потоковой расшифровки ограничена десятью минутами.
- Свой словарь не сочетается с разделением спикеров и таймкодами по словам.
- Разделение более чем трёх спикеров работает в экспериментальном режиме.
- Умная транскрипция несовместима с таймкодами и разделением спикеров.
- Недоступны кэширование контекста, вызов функций, Batch API и поиск по файлам.
- Отдельного приложения нет: работа идёт через API или площадку Google AI Studio.
Платформы и интеграции
Семейство
Соседи по смыслу
за последний месяц