Gemini перестал обижаться на перебивания
Следите за новостями по этой теме!
Подписаться на «Рифы и пачки / Твоя культура»
Google обновила голосовой режим Gemini Live и представила модель Gemini 3.5 Live. По заявлению компании, она заметно превосходит прежнюю Gemini 3.1 Live в нескольких ключевых сценариях: лучше понимает перебивания посреди фразы, обрабатывает изображения и другие визуальные данные в реальном времени, может переключаться между несколькими языками во время разговора и запускать фоновые инструменты.
Последняя возможность особенно важна. Сейчас Gemini Live не умеет полноценно получать доступ к другим инструментам и использовать их, поэтому поддержка фоновых действий может существенно расширить практическую пользу голосового режима. Иными словами, ассистент должен не только разговаривать, но и выполнять связанные задачи — без необходимости каждый раз возвращать пользователя к экрану.
Gemini Live уже считается одной из наиболее удачных функций Gemini на смартфонах: диалог с системой напоминает обычный разговор. Однако без сбоев не обходится. Поведение может зависеть от особенностей голоса пользователя. Например, ассистент иногда ошибочно принимает речь за итальянскую и внезапно меняет язык. При перебивании он может запутаться и вернуть голосовые настройки по умолчанию вместо выбранного голоса Ursa.
Google рассчитывает, что Gemini 3.5 Live уменьшит число подобных ошибок. Практическая проверка новой модели станет возможна после получения доступа к ней.
Одновременно компания выпустила две модели для разработчиков: Gemini 3.5 Live Experimental и Gemini 3.5 Transcribe. Они доступны через Gemini API в Google AI Studio и на платформе Gemini Enterprise Agent Platform.
Отдельные функции распознавания речи уже появляются в пользовательских продуктах. На Android функция Rambler в клавиатуре Gboard использует Gemini 3.5 Transcribe: она превращает длинную и неструктурированную устную речь в аккуратно оформленный текст, автоматически удаляя слова-паразиты вроде «эм» и «ну». Затем голосом можно исправлять опечатки, редактировать текст и менять его стиль.
В приложении Gemini для macOS модель сочетает голосовой ввод с пониманием происходящего на экране. По устной команде она может обращаться к другим моделям Gemini в фоновом режиме, чтобы кратко пересказывать локальные файлы, переносить и перерабатывать текст между приложениями или создавать изображения в месте, где находится курсор.
Скоро похожая технология должна появиться и в Chrome. Пользователь сможет диктовать текст в любое текстовое поле на веб-странице: отвечать на письма, готовить публикации для социальных сетей или формулировать запросы для Gemini.
Gemini 3.5 Live, Gemini 3.5 Live Experimental и Gemini 3.5 Transcribe были представлены одновременно. Google пока не назвала точные сроки массового запуска, но ожидается, что распространение начнётся в течение ближайших нескольких дней.
PEREC.RU
Статья сообщает об обновлении голосового режима Google Gemini Live и запуске модели Gemini 3.5 Live. По заявлению Google, новая версия должна заметно лучше обрабатывать перебивания пользователя посреди фразы, работать с визуальной информацией в реальном времени, переключаться между несколькими языками и запускать фоновые инструменты. Последняя функция особенно значима, поскольку текущий Gemini Live ограничен в доступе к другим инструментам и пока не может полноценно использовать их во время разговора.
Gemini Live уже воспринимается как одна из наиболее удобных функций Gemini на смартфонах: она позволяет вести с ИИ диалог, похожий на разговор с человеком. При этом у режима есть ошибки. Ассистент может неверно определить язык речи, например принять её за итальянскую и самовольно переключиться. Также после перебивания он иногда теряет контекст и сбрасывает выбранный голос на стандартный. В качестве примера упоминается голос Ursa, который пользователь предпочитает, но который система способна заменить после сбоя. Ожидается, что Gemini 3.5 Live уменьшит количество таких проблем.
Одновременно Google представила две модели для разработчиков: Gemini 3.5 Live Experimental и Gemini 3.5 Transcribe. Они доступны через Gemini API в сервисе Google AI Studio и на платформе Gemini Enterprise Agent Platform.
Функции распознавания речи уже начинают появляться в потребительских продуктах Google. На Android функция Rambler в клавиатуре Gboard использует Gemini 3.5 Transcribe. Она превращает сбивчивую длинную диктовку в структурированный текст, автоматически убирает слова-паразиты, включая «эм» и «ну», а затем позволяет пользователю голосом исправлять опечатки, редактировать текст и менять его стиль.
В приложении Gemini для macOS новая технология объединяет голосовой ввод с пониманием содержимого экрана. По голосовой команде система способна использовать другие модели Gemini в фоновом режиме: пересказывать локальные файлы, перерабатывать текст при переносе между приложениями и создавать изображения в точке расположения курсора.
Google также готовит внедрение технологии в Chrome. Пользователь сможет диктовать текст в любое веб-поле: писать ответы на электронные письма, создавать публикации в социальных сетях и составлять запросы для Gemini.
Gemini 3.5 Live, Gemini 3.5 Live Experimental и Gemini 3.5 Transcribe были объявлены в один день. Точная дата доступности для всех пользователей неизвестна, однако ожидается, что распространение начнётся в течение нескольких ближайших дней.
