Google выпустила Gemini 3.5 Transcribe и Transcribe Live Это две отдельные модели распознавания речи, уже в Gemini API. Обычная версия умеет в автоопределение среди 85+ языков, diarization спикеров, word-level timestamps и словарь до 1000 специальных терминов. Режим Smart сам вычищает «э-э», повторы и оговорки и превращает речь в нормально оформленный текст. Live работает потоково через WebSockets и рассчитан на голосовых агентов и субтитры в реальном времени. Google заявляет 5.04% WER на FLEURS для non-streaming и 5.50% для streaming, лучше Chirp 3. Цена очень гуманная: около $0.005 за минуту для обычной транскрибации и $0.009/мин для Live. Никаких весов, это вам не Виспер. https://blog.google/innovation-and-ai/models-and-research/gemini-models/gemini-3-5-transcribe/ https://ai.google.dev/gemini-api/docs/transcribe @cgevent