Google DeepMind uvedl Gemini 3.5 Transcribe pro rychlý přepis řeči s rozpoznáním mluvčích

Google DeepMind představil 26. srpna 2026 nový model pro přepis řeči Gemini 3.5 Transcribe, který má výrazně posunout kvalitu a rychlost automatického převodu mluveného slova do textu. Model je nyní dostupný ve veřejné beta verzi pro vývojáře a podniky, a to prostřednictvím Google AI Studio a Gemini Enterprise Agent Platform. Brzy se má objevit také v prohlížeči Chrome a v aplikaci Gemini pro macOS, částečně je již integrován do aplikace Rambler na Androidu.

Podle Diega Melenda Casada, senior ředitele pro inženýring v Google DeepMind, a Lukea Leonharda, který má na starosti chod týmu Gemini Audio, jde o model, který kombinuje vysokou přesnost s nízkou latencí. Přepis v reálném čase dosahuje latence pod jednu sekundu, což umožňuje nasazení v aplikacích, kde je klíčová okamžitá reakce – například při živých titulcích, hlasovém ovládání nebo asistenčních nástrojích pro jednání a konference.

Gemini 3.5 Transcribe zvládá kromě streamovaného přepisu i zpracování předem nahraných audio souborů. V tomto režimu model automaticky rozpozná a přiřadí jednotlivé mluvčí a doplní přesné časové značky, což usnadňuje například přepisy porad, rozhovorů nebo podcastů. Model dokáže identifikovat až tři různé mluvčí v jedné nahrávce a rozlišit, kdo co řekl.

Další novinkou je schopnost rozpoznávat vlastní slovník a specializovaný žargon, což má význam především pro firemní nasazení v odvětvích jako medicína, právo nebo technologie, kde se běžně používají odborné termíny, zkratky nebo firemní názvosloví, jimž si standardní přepisové systémy často nevědí rady. Model podporuje více než 85 jazyků, čímž pokrývá drtivou většinu komerčně významných trhů.

Z hlediska výkonu uvádí Google DeepMind, že model dosahuje průměrné míry chybovosti slov (WER) 4,0 procenta v režimu streamování a 2,6 procenta při zpracování nahraného audia bez streamování. Firma zároveň hlásí zlepšení doby finálního přepisu o 70 procent oproti předchozímu řešení, což znamená rychlejší dodání hotového textu uživateli po skončení nahrávky.

Na standardizovaném benchmarku FLEURS, který se používá k porovnávání systémů rozpoznávání řeči napříč jazyky, dosahuje Gemini 3.5 Transcribe hodnoty 5,50 procenta WER v režimu streaming a 5,04 procenta WER v režimu non-streaming. Tato čísla řadí model mezi konkurenceschopné řešení v oblasti automatického přepisu řeči, byť Google v oznámení nesrovnává výsledky přímo s konkurenčními produkty.

„Naši spotřebitelé již těží z tohoto přepisového modelu s novými hlasovými schopnostmi, uvedli zástupci Google DeepMind k tomu, že technologie částečně stojí za funkcemi, které uživatelé mohli zaznamenat již v existujících produktech, než byl model oficiálně představen jako samostatná nabídka pro vývojáře.

Nasazení modelu do Gemini Enterprise Agent Platform naznačuje, že Google cílí především na firemní zákazníky, kteří potřebují spolehlivý přepis pro automatizaci procesů, tvorbu záznamů z jednání nebo integraci hlasového vstupu do vlastních aplikací a agentů. Dostupnost přes Google AI Studio zároveň umožňuje vývojářům model testovat a integrovat do vlastních produktů ještě před plným komerčním spuštěním.

Rozšíření do Chrome a aplikace Gemini pro macOS má podle oznámení proběhnout v následujícím období, přesné datum ale Google nezveřejnil. Postupná integrace do Rambleru na Androidu naznačuje, že firma plánuje model nasazovat napříč celým svým ekosystémem produktů, od mobilních aplikací po desktopové nástroje a podnikové platformy.

Vzhledem k tomu, že model je zatím v beta verzi, lze očekávat, že Google bude v následujících měsících sbírat zpětnou vazbu od vývojářů a podniků a na jejím základě přepisovací nástroj dále ladit. Otevřenou otázkou zůstává, kdy dojde k plnému komerčnímu spuštění a jaké přesně budou podmínky a ceny pro firemní zákazníky, kteří by chtěli Gemini 3.5 Transcribe využívat ve velkém měřítku.