Gemini 3.5 Transcribe: как расшифровать аудио и проверить условия

Час аудио: какой вариант Gemini рассматривать

Для готовой записи предназначена gemini-3.5-transcribe, но обещать бесплатную расшифровку часа нельзя: Agent Platform поддерживает оплату PayGo, а Gemini Apps указывает лимит аудио 10 минут с расширением до трёх часов на Google AI Pro или Google AI Ultra. Перед работой с русской записью из России проверь на официальных страницах поддержку языка, страны и условия оплаты.

Что представляет собой Transcribe

Gemini 3.5 Transcribe — многоязычная модель Google для преобразования речи в текст, доступная через Agent Platform. Если задача состоит в расшифровке записи, ориентируйся на документацию этой модели и платформы: именно там описаны настройки распознавания, которые используются дальше в инструкции.

Готовая запись или разговор в реальном времени

gemini-3.5-transcribe обрабатывает целый предварительно записанный аудиофайл одним запросом. Этот вариант соответствует задаче с уже готовой записью: исходным материалом служит файл, а основной операцией становится запрос на его расшифровку. Ограничения длительности для выбранного способа обращения уточни перед отправкой.

gemini-3.5-transcribe-live принимает потоковое аудио и постепенно возвращает результаты в реальном времени. Её имеет смысл рассматривать, когда текст нужен по мере поступления речи. Для этого сценария предусмотрены отдельные настройки соединения и передачи аудио, включая обозначение границ высказывания при использовании SMART.

Какие сценарии не стоит смешивать

• Расшифровка готового файла через модель gemini-3.5-transcribe описана как обработка одним запросом.
• Распознавание поступающей речи через gemini-3.5-transcribe-live возвращает текст постепенно.
• Загрузка файла в Gemini Apps выполняется через интерфейс приложения и подчиняется его ограничениям загрузки.

Что подготовить перед отправкой записи

Подготовка зависит от выбранного способа работы. Для загрузки через Gemini Apps нужно войти в приложение. Для программного обращения к Agent Platform пример SDK использует клиент с идентификатором проекта и расположением global. Выбери подходящий путь до настройки параметров расшифровки.

Вход в приложение и файлы из Drive

Загрузка файлов в Gemini Apps требует входа в аккаунт. Если собираешься прикрепить запись через интерфейс, начни с этого условия: далее инструкция относится к загрузке файлов пользователем, который уже вошёл в приложение.

Для добавления файлов из Drive нужны включённая Keep Activity и подключение Google Workspace к Gemini Apps. Эти условия относятся к работе с Drive. Если выбираешь этот источник файла, проверь обе настройки до попытки прикрепить материал.

Установка Python SDK

В репозитории Google Gen AI Python SDK приведена команда установки pip install google-genai. Она относится к программному сценарию, где ты создаёшь клиент и передаёшь настройки через код. Для последовательности нажатий в Gemini Apps эта команда не используется.

Отдельно разработчики рекомендуют закрепить версию SDK ниже 3.0.0, чтобы избежать неожиданных обновлений. Учти эту рекомендацию при подготовке окружения и сверке примеров: обычная команда установки и рекомендация по ограничению версии описывают разные стороны настройки зависимости.

1. Установи SDK командой pip install google-genai.
2. Закрепи версию SDK ниже 3.0.0 согласно рекомендации репозитория.
3. Создай клиент genai.Client с enterprise = True, идентификатором своего проекта и location = 'global'.

Какие конечные точки использует SDK

По умолчанию SDK использует бета-эндпоинты, то есть точки обращения к API для поддержки предварительных возможностей. Стабильные эндпоинты выбираются установкой версии API v1. При подготовке интеграции учитывай эту настройку отдельно от названия модели и её статуса выпуска.

Как отправить готовое аудио на расшифровку

Документация Agent Platform описывает расшифровку записанного файла через стандартный метод generate_content. Параметры задаются в AudioTranscriptionConfig внутри GenerateContentConfig. Эта схема относится к программному запросу, поэтому названия настроек ниже приведены в том виде, в котором они используются в коде.

Основная последовательность запроса

1. Выбери модель gemini-3.5-transcribe для предварительно записанного аудиофайла.
2. Создай AudioTranscriptionConfig с параметрами расшифровки.
3. Помести AudioTranscriptionConfig внутрь GenerateContentConfig.
4. Вызови generate_content для преобразования записанного аудиофайла в текст.

Как получить время начала и конца слов

Установи word_timestamp=True, если нужны временные метки на уровне слов. Параметр относится именно к времени отдельных слов, поэтому его стоит учитывать при выборе формата результата, а не искать эти данные в обычном тексте расшифровки.

Распознанные слова находятся в списке audio_transcription.words. Вместе с ними возвращаются поля start_offset и end_offset. При разборе ответа обращайся к этому списку и соответствующим полям, если нужен текст с привязкой отдельных слов ко времени.

Как обозначить участников разговора

Установи diarization=True, чтобы модель определяла отдельных говорящих и назначала им метки. Диаризация здесь означает разделение речи по участникам. Эта настройка относится к тому, кому принадлежит фрагмент речи, тогда как word_timestamp отвечает за временные данные слов.

В блоге Google для записанного аудио заявлено распознавание до трёх говорящих с временными метками. Поддержка 3+ говорящих названа экспериментальной. Для записи с большим числом участников учитывай именно эту оговорку, а не переноси заявленные условия на состав разговора без ограничений.

Как настроить распознавание терминов и имён

Для специальных слов предусмотрено поле custom_vocabulary. В него передают список фраз, который направляет модель при распознавании конкретных терминов. Такая настройка пригодится, когда в записи важны названия и профессиональная лексика, для которых ты хочешь явно задать ориентиры.

Что включать в пользовательский словарь

Документация рекомендует включать в custom_vocabulary специальные термины, названия брендов и имена собственные вместо обычных повседневных слов. При подготовке списка ориентируйся на эту рекомендацию: словарь должен отражать особую лексику записи, а не превращаться в перечень распространённых слов.

• Специальные термины из предметной области записи.
• Названия брендов, которые нужно учитывать при распознавании.
• Имена собственные, важные для содержания разговора.

Сколько терминов можно передать

На дату проверки, 16 октября 2026 года, пользовательский словарь поддерживает до 1,000 терминов. При этом документация отмечает, что обычно лучшие результаты достигаются при использовании не более 100 терминов. Это разные ориентиры: технически допустимый размер и рекомендация по составу рабочего списка.

Передай подготовленные фразы в custom_vocabulary как список. Назначение поля состоит в том, чтобы направлять распознавание выбранных терминов. Рассматривай его как настройку обработки конкретной лексики и проверяй, насколько результат соответствует словам в исходной записи.

Как загрузить аудио через Gemini Apps

Для работы через интерфейс справка Gemini Apps описывает загрузку поддерживаемого файла с устройства. Этот путь начинается с открытия приложения на компьютере, ввода запроса и добавления файла. Дальше применяются лимиты Gemini Apps, приведённые в следующем разделе.

Порядок действий на компьютере

1. Открой веб-приложение Gemini на компьютере.
2. Введи вопрос или запрос в текстовое поле внизу.
3. Нажми Add files.
4. Нажми Upload files для загрузки поддерживаемого файла с устройства.
5. Отправь запрос кнопкой Submit.

Сколько файлов прикреплять

По условиям на 16 октября 2026 года в одном запросе можно загрузить до 10 файлов при доступности функции. Если загружаешь папку, файлы внутри неё учитываются отдельно. Поэтому папка с материалами не считается одним файлом при применении этого ограничения.

Ограничение количества файлов нужно рассматривать вместе с ограничением общей длительности аудио. Возможность прикрепить несколько материалов не меняет указанную в справке общую длительность загрузки: для аудио действует свой предел, зависящий от условий использования приложения.

Почему ZIP не подходит для аудиозаписи

Для ZIP-архива справка допускает до 10 файлов при доступности функции и размер до 100 MB, но запрещает включать аудио и видео. Эти условия действуют на дату проверки. Для записи ориентируйся на правила загрузки поддерживаемого аудиофайла, а не на возможности прикрепления архива.

Бесплатность, оплата и ограничения часового файла

Условия в этом разделе приведены на 16 октября 2026 года. Для Agent Platform заявлена стандартная модель оплаты Pay-as-you-go, сокращённо PayGo. Перед использованием проверь действующие расценки и условия бесплатного доступа на официальной странице цен сервиса.

Что означает лимит аудио в Gemini Apps

Общая длительность аудио в Gemini Apps ограничена 10 минутами. Google AI Pro или Google AI Ultra увеличивают её до трёх часов. Для задачи с часовой записью ориентируйся на расширенный предел и заранее проверь условия соответствующего плана, прежде чем рассчитывать на загрузку.

Этот предел сформулирован как общая длительность аудио. При подготовке запроса учитывай совокупность прикрепляемых записей, а не рассматривай указанное время как самостоятельный лимит для каждого файла. Справка отдельно описывает количество вложений и общую длину аудиоматериалов.

Размер файла и длительность видео

Размер каждого видео может достигать 2 GB, а остальных поддерживаемых файлов — 100 MB. Условия по размеру проверяй наряду с длительностью: наличие подходящего предела времени ещё не отвечает на вопрос, соответствует ли файл ограничению объёма загрузки.

Для видео общая длительность ограничена пятью минутами. Google AI Pro или Google AI Ultra увеличивают её до одного часа. Если исходный материал представляет собой видеозапись, сверяйся с этим условием, а не с пределом, указанным для аудио.

• Аудио: общая длительность до 10 минут, с Google AI Pro или Google AI Ultra — до трёх часов.
• Видео: общая длительность до пяти минут, с Google AI Pro или Google AI Ultra — до одного часа.
• Размер: до 2 GB для каждого видео и до 100 MB для остальных поддерживаемых файлов.

Контекст при анализе содержимого

Для улучшения результатов справка рекомендует загружать меньшие файлы с меньшим объёмом содержимого либо переходить на Google AI Pro или Google AI Ultra с контекстом 1 миллион токенов. Контекст здесь относится к объёму содержимого, с которым работает модель; рекомендацию нужно учитывать отдельно от правил загрузки.

Для Deep Think указано контекстное окно 192K токенов. Если используешь этот режим, ориентируйся на его собственное значение. Упоминание контекста 1 миллион токенов у Google AI Pro или Google AI Ultra не отменяет отдельного условия для Deep Think.

Когда нужен потоковый режим и как включить SMART

Потоковый сценарий относится к gemini-3.5-transcribe-live. По сообщению блога Google, Live API обеспечивает непрерывную двунаправленную передачу с задержкой менее секунды. Это заявленная характеристика потокового взаимодействия, которую нужно отличать от обработки готового аудиофайла одним запросом.

Настройка текстового ответа

Для потоковой расшифровки создай LiveConnectConfig. В этой конфигурации установи response_modalities в ['TEXT'] вместе с input_audio_transcription. Так документация описывает настройку соединения для получения текстовой расшифровки поступающего аудио.

Границы речи при интеллектуальном форматировании

При использовании SMART с gemini-3.5-transcribe-live нужно вручную обозначать границы речи вместо автоматического VAD, то есть автоматического определения голосовой активности. Это обязательное условие указанного сочетания режима и модели. Его важно учитывать при подготовке отправки потока.

Ручная настройка предполагает отключение automatic_activity_detection в RealtimeInputConfig. Начало и конец высказывания затем обозначаются через activity_start и activity_end. В этой схеме приложение явно сообщает, когда начинается передача речи и когда высказывание завершено.

1. Отключи automatic_activity_detection в RealtimeInputConfig.
2. Отправь activity_start перед передачей аудио.
3. Передай аудио высказывания.
4. Отправь activity_end после аудио, чтобы SMART обработал полное высказывание.

Что заменить в старом примере SDK

Вместо удаляемого Live.send репозиторий предлагает send_client_content, send_realtime_input или send_tool_response. Если используемый пример опирается на Live.send, сопоставь его задачу с указанными вариантами замены и актуальной документацией SDK.

Для удаляемого Live.start_stream указаны receive и send_realtime_input. Это отдельная рекомендация по обновлению потокового кода. При проверке примера учитывай её вместе с рекомендацией закрепить версию SDK, чтобы изменения зависимости не оказались неожиданными.

Что проверить для русского языка и доступа из России

Gemini 3.5 Transcribe описана как многоязычная модель. Перед отправкой русского аудио проверь поддержку русского языка и доступность нужного режима на официальной странице сервиса. Для использования из России отдельно сверь условия страны и оплаты, не подменяя их перечнем расположений модели.

Что обозначено в списке расположений

Для gemini-3.5-transcribe документация перечисляет расположения global, us и eu. Это перечень расположений, в которых доступна модель. Используй его при сверке конфигурации платформы; вопрос о доступе пользователя из конкретной страны проверяй в соответствующих условиях сервиса.

Для gemini-3.5-transcribe-live перечислены global, us и eu. Если переходишь от обработки готового файла к потоку, сверяй настройки с данными именно о потоковой модели, сохраняя отдельную проверку региональных условий использования.

Как различаются условия приложений

Эти формулировки относятся к конкретным приложениям и интеграциям. Перед выбором интерфейса для русской записи проверь его собственные языковые и региональные условия. Общее описание многоязычной модели нужно читать вместе с оговорками о выбранном способе доступа.

• Для Gemini на macOS в блоге указан английский язык.
• Для Rambler на Android указаны отдельные страны и языки.
• Интеграция с Chrome в блоге описана как будущая возможность.

Почему блог и документация дают разные ориентиры

В блоге обработка записанного аудио через gemini-3.5-transcribe описана как доступная через Interactions API. В документации платформы Interactions API отмечен как неподдерживаемый. Для реализации запроса сверь актуальную документацию выбранной платформы; приведённая выше последовательность опирается на описанный там generate_content.

Различается и описание стадии доступности. Блог объявляет публичную предварительную версию для разработчиков через Google AI Studio и Google Antigravity, а для предприятий — через Gemini Enterprise Agent Platform. Учитывай, к какому продукту относится объявление, прежде чем переносить его условия на выбранный интерфейс.

Что делать, если файл не загружается или анализ не получился

Справка Gemini Apps различает ошибку анализа файла, заполненное хранилище и ограничения загрузки за период. Действие зависит от причины сообщения. Повторная отправка описана для ошибки анализа, а для ограничения хранилища требуется освободить место.

Ошибка анализа содержимого

Если Gemini сообщает, что не смог корректно проанализировать файл, его можно загрузить повторно. Это конкретная рекомендация для такого сообщения об ошибке. Не считай повторную загрузку универсальным решением других причин отказа, для которых справка описывает отдельные условия.

Заполненное хранилище или временный предел

При исчерпании хранилища Gemini Apps загрузка блокируется до освобождения места. Для рабочего или учебного аккаунта есть дополнительное условие: удалять историю Gemini Apps может только администратор Workspace. Если вопрос связан с этой историей, учитывай полномочия администратора.

Лимиты загрузки и анализа действуют за скользящий период и через некоторое время сбрасываются. Если сообщение связано с этим пределом, ориентируйся на условия восстановления доступности в приложении. Не назначай себе точное время ожидания без проверки актуального сообщения сервиса.

• Повторно загрузи файл при сообщении о некорректном анализе.
• Освободи место при достижении предела хранилища.
• Дождись сброса ограничения за скользящий период, если причина связана с ним.

Результат требует дополнительной проверки

Для улучшения результатов Google рекомендует меньшие файлы с меньшим объёмом содержимого либо Google AI Pro или Google AI Ultra с более широким контекстом. Используй эту рекомендацию, когда оцениваешь качество анализа, но отдельно сверяй ограничения длительности, размера и выбранного режима.

Чем Transcribe отличается от других сценариев Gemini

В блоге Transcribe описана и как модель распознавания, и как основа голосовых возможностей в приложениях. При выборе решения сравнивай назначение конкретной интеграции: обработку записи, голосовое редактирование текста или создание приложения голосом.

Как читать показатели качества и скорости

В блоге приведены измерения Artificial Analysis: средняя WER, то есть доля ошибок распознавания слов, составляет 4.0% в потоковом режиме и 2.6% в непотоковом. Эти значения относятся к опубликованным измерениям. При оценке собственной записи проверяй результат, а не принимай средний показатель за заранее известное качество её расшифровки.

По сравнению с Chirp 3 время до окончательной расшифровки улучшилось на 70%, согласно приведённым измерениям Artificial Analysis. Показатель касается времени получения окончательной расшифровки. Его не следует читать как стоимость обработки или как обещание конкретного времени для твоего файла.

Где модель используется для других задач

• Rambler в Gboard на Android превращает речь в отформатированный текст, убирает слова-паразиты и позволяет голосом редактировать текст, исправлять опечатки и менять стиль.
• В Gemini на macOS модель может передавать сложные задачи другим моделям Gemini через вызовы функций, например для генерации изображений и анализа файлов.
• В Google Antigravity модель использует контекст экрана и историю чата с разрешения пользователя.
• В Google AI Studio модель доступна в режиме Build для создания приложений голосом.

Когда выбранный вариант не соответствует задаче

Для готового файла ориентиром служит сценарий gemini-3.5-transcribe. Возможности Rambler по голосовому редактированию и режима Build по созданию приложений описывают другие действия. Выбирай интерфейс по тому, что тебе нужно сделать с записью, а не по общему упоминанию Transcribe.

Для разговора с 3+ участниками учитывай экспериментальный статус их распознавания. Для русскоязычной работы через Gemini на macOS сначала сверь язык интерфейсной возможности: в приведённом объявлении указан английский. Эти ограничения важны до выбора способа обработки материала.

Ограничения Gemini Apps на 16 октября 2026 года

Что сверить на официальных страницах перед запуском

Перед практической работой проверь действующие названия моделей, условия оплаты и ограничения выбранного интерфейса. Приведённые условия относятся к проверке 16 октября 2026 года; документация платформы, репозиторий SDK и блог описывают разные стороны доступности и настройки.

Название модели и стадия выпуска

В документации предварительная gemini-3.5-transcribe-preview датирована августом 2026 года, а стабильная gemini-3.5-transcribe — октябрём 2026 года. При переносе примера сверяй полное название модели, включая наличие preview, чтобы понимать, к какому выпуску относится инструкция.

Для потока указана аналогичная последовательность: gemini-3.5-transcribe-live-preview датирована августом 2026 года, стабильная gemini-3.5-transcribe-live — октябрём 2026 года. Сопоставляй эти названия с текущей документацией платформы, особенно если используешь пример из объявления о предварительной версии.

Последняя сверка условий

Если цель остаётся именно бесплатной расшифровкой часа русского аудио из России, начни с проверки этих условий на официальных страницах. Указание PayGo для платформы и расширенного предела аудио для Google AI Pro или Google AI Ultra требует проверки оплаты до отправки записи.

• Для Agent Platform сверь действующие условия PayGo и страницу цен.
• Для Gemini Apps сверь общую длительность аудио на выбранном плане.
• Для готовой записи проверь актуальный способ запроса с учётом расхождения вокруг Interactions API.
• Для пользовательского приложения сверь языковые и региональные условия его интеграции.

Частые вопросы

Источники и проверка

• Gemini 3.5 Transcribe | Gemini Enterprise Agent Platform | Google Cloud Documentation, docs.cloud.google.com (первоисточник). Прочитано 16 октября 2026.
• GitHub - googleapis/python-genai: Google Gen AI Python SDK provides an interface for developers to integrate Google's generative models into their Python applications., github.com (первоисточник). Прочитано 16 октября 2026.
• Intelligent transcription with Gemini 3.5 Transcribe, blog.google (первоисточник). Прочитано 16 октября 2026.
• Upload and analyse files in Gemini Apps, support.google.com (первоисточник). Прочитано 16 октября 2026.

Подготовлено с помощью ИИ по первоисточникам и проверено автоматически: факты, числа и цитаты сверены с источниками. Человек статью перед выходом не читал. Если нашёл ошибку, напиши через контакты.