Gemini 3.5 Transcribe научилась править текст голосовыми командами

Как работает голосовое редактирование в Gemini 3.5 Transcribe, как его включить и где ловушки.

Обложка: Gemini 3.5 Transcribe научилась править текст голосовыми командами

Google 17 ноября добавила в модели распознавания речи gemini-3.5-transcribe и gemini-3.5-transcribe-live голосовое редактирование: теперь голосом можно не только надиктовать текст, но и исправить, переписать или отформатировать его, в том числе уже готовый текст, переданный в запросе. Об этом говорится в журнале изменений Gemini API. Функция работает и для записанных файлов, и в потоковом режиме через Live API.

Для разработчика это значит, что связку «распознать речь, потом отдать текст языковой модели с инструкцией „поправь“» можно заменить одним вызовом модели распознавания. Фраза «перенеси встречу на 15:30» больше не попадёт в документ дословно: модель поймёт, что это команда, применит её к тексту и вернёт результат целиком. Это пригодится тем, кто делает голосовой ввод в заметках, почте, тикетах и редакторах.

Ключевые выводы
  • Голосовое редактирование появилось 17 ноября 2026 года в gemini-3.5-transcribe (файлы) и gemini-3.5-transcribe-live (поток через Live API).
  • Оно включено по умолчанию в «умном» режиме транскрибации (mode: smart); в дословном режиме verbatim его нет.
  • Готовый текст для правки передаётся в поле source_text размером до 64 КиБ; модель возвращает весь исправленный текст, а не только изменения.
  • Умный режим несовместим с пословными таймкодами и разметкой спикеров; Live-сессия длится до 10 минут.
  • Цены не менялись: около $0,005 за минуту для Transcribe и около $0,009 за минуту для Transcribe Live, по оценке Google.

Что именно умеет голосовое редактирование?

Модели Gemini 3.5 Transcribe вышли 26 августа 2026 года. У них два режима транскрибации (документация). Дословный verbatim включён по умолчанию и записывает всё сказанное, включая «эм», повторы и оговорки. «Умный» smart чистит речь: убирает слова-паразиты и фальстарты, сам применяет оговорки вроде «во вторник, нет, в среду», раскладывает перечисления в нумерованные списки и форматирует даты, суммы и числа.

Голосовое редактирование стало частью умного режима и включено в нём по умолчанию. Пользователь может в одной записи надиктовать текст и тут же дать голосовую команду, например «удали второе предложение». А можно передать уже существующий текст в поле source_text, и тогда сказанное будет применено к нему как инструкция. Модель возвращает в output_text полный обновлённый текст.

В документации Google приводит пять типов правок с примерами на английском (здесь в пересказе редакции):

  • точечная замена: «поменяй время на 15:30 и упомяни, что будет видеосвязь» — меняется время и добавляется упоминание видеосвязи, остальной текст сохраняется;
  • смена тона: «сделай формальнее» — разговорная фраза переписывается официальным стилем;
  • структура: «оформи пункты как нумерованный список» — перечисление в строке превращается в список;
  • дописывание: «добавь предложение с вопросом, можно ли завтра утром обсудить задержки» — новый текст дописывается в конец;
  • удаление: «удали второе предложение».

Похожую функцию пользователи Android уже видели: в августовском анонсе Google писала, что в Gboard режим Rambler на этой модели позволяет голосом исправлять опечатки и менять стиль текста. Теперь то же поведение открыто в API. Русский язык (ru-RU) входит в список поддерживаемых, но примеры правок в документации только на английском, и отдельных оценок качества редактирования Google не публиковала.

Как включить правку текста в запросе?

Для обычной модели запрос идёт через Interactions API. Чтобы просто диктовать с голосовыми правками, достаточно указать "mode": "smart". Чтобы править готовый текст, режим задаётся объектом с типом smart и полем source_text. Пример по мотивам документации (текст и команда переведены редакцией):

			from google import genai

client = genai.Client(http_options={"api_version": "v1beta"})
audio = client.files.upload(file="edit_command.mp3")  # «Перенеси на 15:30»

response = client.interactions.create(
    model="gemini-3.5-transcribe",
    input=[{"type": "audio", "uri": audio.uri, "mime_type": audio.mime_type}],
    generation_config={
        "transcription_config": {
            "mode": {
                "type": "smart",
                "source_text": "Встреча завтра в 14:00 в переговорной 42.",
            }
        }
    },
)
print(response.output_text)  # весь исправленный текст целиком
		

Каждый такой запрос независим: сервер не помнит предыдущий текст. Для цепочки правок Google советует передавать output_text из прошлого ответа в source_text следующего запроса. Размер source_text ограничен 64 КиБ (65 536 байт); для кириллицы в UTF-8, где буква занимает 2 байта, это примерно 32 тыс. символов.

В потоковом режиме всё устроено иначе (документация Live). Режим SMART задаётся в input_audio_transcription при открытии сессии, а сервер сам держит текущий текст и после каждой законченной реплики применяет к нему новую команду. Начать можно с пустого поля или передать исходный текст один раз при настройке сессии:

			config = types.LiveConnectConfig(
    response_modalities=["TEXT"],
    realtime_input_config=types.RealtimeInputConfig(
        automatic_activity_detection=types.AutomaticActivityDetection(disabled=True)
    ),
    input_audio_transcription=types.AudioTranscriptionConfig(
        mode="SMART",  # голосовое редактирование включено по умолчанию
        source_text="Встреча завтра в 14:00 в переговорной 42.",  # необязательно
    ),
)
		

Google советует сочетать голосовое редактирование с ручным определением активности голоса (режим push-to-talk, когда клиент сам отмечает начало и конец реплики), чтобы паузы, пока человек обдумывает команду, не обрывали реплику раньше времени.

Где можно ошибиться при интеграции?

Документация перечисляет несколько ловушек, о которые легко споткнуться при переходе с дословного режима (раздел про умный режим):

  • В Live-режиме SMART поле server_content.input_transcription.text на каждой реплике содержит весь текст сессии, а не только новый фрагмент. Клиент должен заменять буфер документа, а не дописывать в него, иначе прошлые реплики продублируются.
  • Промежуточные interim_input_transcription в умном режиме показывают дословно произносимую команду, а не отредактированный документ. Обновлять текст нужно только по финальному input_transcription.
  • Если команда стёрла весь текст («удали всё»), поле text приходит незаполненным, и его надо трактовать как пустую строку.
  • source_text принимается только при настройке Live-сессии. Если пользователь поправил текст с клавиатуры посреди сессии, придётся переподключиться и передать новый текст.

Есть и ограничения модели (раздел ограничений). Умный режим нельзя совмещать с пословными таймкодами и разметкой спикеров: если нужны они, остаётся дословный режим. Обычная модель принимает аудио до часа (до 30 минут с разметкой спикеров или таймкодами), а более длинная запись обрезается молча, со статусом completed. Live-сессия длится до 10 минут, разметки спикеров и пословных таймкодов в потоке нет. Словарь терминов принимает до 1 000 слов, но лучший результат, по данным Google, обычно получается при сотне.

Сколько это стоит и кому пригодится?

Отдельной платы за голосовое редактирование в документации нет, тарифы моделей указаны прежние (страница цен). На бесплатном уровне обе модели бесплатны, но данные на нём Google может использовать для улучшения своих продуктов. На платном уровне:

Цены Gemini 3.5 Transcribe на платном уровне

2 сервиса, 4 столбца
Цены Gemini 3.5 Transcribe на платном уровне
МодельВход (аудио)Выход (текст)Оценка Google за минуту
gemini-3.5-transcribe$2 за 1 млн токенов (около $0,003 в минуту)$12 за 1 млн токенов (около $0,002 в минуту)около $0,005
gemini-3.5-transcribe-live$3,5 за 1 млн токенов (около $0,005 в минуту)$21 за 1 млн токенов (около $0,004 в минуту)около $0,009
Листайте столбцы →Смахните влевоВсе 4 столбца
Источник: страница цен Gemini API; оценка Google исходит из 25 аудиотокенов в секунду на входе и 175 текстовых токенов в минуту на выходе

Оговорка из нашего прочтения цен: оценка за минуту рассчитана на обычную расшифровку, где на выходе около 175 токенов в минуту. При редактировании модель каждый раз возвращает весь текст целиком. Поэтому правка длинного документа короткой голосовой командой, по нашей оценке, обойдётся дороже минутной оценки: основную часть счёта составит выходной текст, а не аудио. Как тарифицируется сам source_text на входе, документация отдельно не поясняет.

Кому это полезно: тем, кто встраивает диктовку в рабочие инструменты (заметки, почта, CRM, тикеты, редакторы кода) и сейчас пишет поверх распознавания отдельный слой с LLM для правок. Для голосовых агентов, которые собирают на LiveKit или Pipecat, это не замена диалоговой модели: Live Transcribe — конвейер распознавания речи, он не ведёт разговор. Тем, кому нужна расшифровка встреч с таймкодами и спикерами, обновление ничего не меняет: эти функции живут в дословном режиме, где правок нет. Другие способы расшифровки мы собирали в отдельном материале.

Что сделать, чтобы попробовать?

  1. Проверить доступ: Google AI Studio и Gemini API официально не поддерживаются в России, её нет в списке регионов; Казахстан, Армения, Узбекистан и Грузия в списке есть.
  2. Взять SDK google-genai с поддержкой Interactions API и указать api_version: v1beta, как в примерах документации.
  3. Для диктовки с правками выставить transcription_config.mode = "smart", для правки готового текста передать объект {"type": "smart", "source_text": ...}.
  4. В Live-клиенте заменить дописывание на замену буфера по финальному input_transcription и включить ручной VAD.
  5. Попробовать без кода можно в Google AI Studio.

Google не сообщила, появится ли голосовое редактирование в дословном режиме и будут ли опубликованы замеры качества правок. Страница модели по-прежнему указывает август 2026 года как последнее обновление: новая функция пришла как изменение API, без новой версии модели. Из соседних обновлений Gemini API на прошлой неделе — быстрая модель Gemini 4 Hydrogen, которую Google вывела в общий доступ 12 ноября.

Источники: Gemini API: журнал изменений, 17 ноября 2026, Audio transcription: Voice editing, Live transcription: Voice editing, Цены Gemini API

Изображение на обложке: Google