Перейти к содержимому
НейроКуб
Открытый материал · 2 мин
Даниил Баланс

Gemini 3.5 Transcribe теперь правит текст голосом — Live API возвращает его целиком

Google добавила голосовое редактирование в две версии Gemini 3.5 Transcribe. При переключении на Smart приложение должно обновлять черновик целиком после каждой завершённой команды.

«Перенеси встречу на полчетвёртого» теперь может стать правкой в тексте, который вы уже надиктовали. 17 ноября Google описала голосовое редактирование в Gemini API для Gemini 3.5 Transcribe и её потоковой версии. В режиме Smart модели применяют устные команды к диктовке или переданному черновику.

Что получает приложение

Скажем, в черновике уже записаны место и время встречи. В обычном API приложение передаёт черновик в поле source_text и отправляет аудио с правкой. Модель возвращает полную обновлённую версию. Чтобы применить следующую команду отдельным запросом, приложение передаёт результат предыдущего запроса как новый source_text. Для исходного текста установлен предел 64 КиБ.

В потоковом API Google хранит текущий черновик в рамках сессии. Промежуточные события могут содержать произнесённые слова команды, а завершённое событие — весь обновлённый документ. Если клиент привычно дописывает каждую порцию текста в конец, при переходе на Smart начнут повторяться уже сохранённые фразы.

Где полезна дословная запись

Smart подходит для личных заметок или черновиков, которые говорящий может тут же проверить. Для расшифровки записи с отметками времени по словам или разделением по говорящим документация пакетного API указывает режим verbatim. Если в приложении нужны оба сценария, проверьте их отдельно: в первом случае важна точность итоговой правки, во втором — соответствие исходной речи.

Комментарии

Пока нет комментариев. Начните обсуждение.