Google запускает модель распознавания речи Gemini 3.5 с определением эмоций

Google представил свою модель распознавания речи Gemini 3.5, что стало значительным шагом вперед в области искусственного интеллекта. Эта модель, подробно описанная в специальной карточке модели, поддерживает различные функции, помимо простой транскрипции, включая временные метки, идентификацию говорящих, перевод, суммирование и, что особенно важно, определение эмоций.

Модель Gemini 3.5 может обрабатывать длительные аудиосессии до 96 000 токенов, что делает её подходящей для записи длинных мероприятий, таких как деловые встречи и юридические допросы. Пользователи могут загружать распространенные аудиоформаты, такие как MP3, через API Gemini или приложение Gemini для macOS. Модель улучшает пользовательский опыт, устраняя заполнительные слова и создавая отшлифованный текст непосредственно из естественной речи.

Определение эмоций является ключевым отличием этой версии, позволяя более тонко понимать содержание речи. Например, резюме, в котором отмечается разочарование клиента во время звонка, предоставляет более глубокие инсайты, чем простая транскрипция. Эта функция особенно полезна для профессионалов, генерирующих значительные объемы устного контента, включая журналистов, юристов и ученых.

Стратегический шаг Google с Gemini 3.5 происходит на фоне жесткой конкуренции в области ИИ, особенно со стороны таких компаний, как OpenAI и Anthropic. Выпуск модели направлен на укрепление позиций Google в рейтингах ИИ-моделей, поскольку компания продолжает внедрять инновации и расширять свой портфель ИИ.

Пока рынок ожидает показателей производительности и обновлений от конкурентов, успех Gemini 3.5 будет внимательно отслеживаться, особенно в контексте её положения на таблице лидеров Chatbot Arena LLM.