Почему Google разделила медиазадачи
Вместо одной универсальной модели Google развивает специализированные контуры. Gemini 3.5 Transcribe отвечает за распознавание речи, а Gemini Omni 1.1 Flash за генерацию короткого видео. Такая архитектура понятнее для продукта: у каждого этапа есть свой вход, выход и набор критериев качества.
Что умеет Gemini 3.5 Transcribe
По официальной документации Transcribe поддерживает более 85 языков и локалей, диаризацию спикеров, временные метки на уровне слов, пользовательский словарь и очистку речевых оговорок. Для потоковой расшифровки предусмотрена отдельная Live-модель.
Русский язык входит в многоязычный сценарий, но это не отменяет проверки. На точность влияют шум, акцент, перекрывающаяся речь, имена и профессиональная терминология. Для юридически значимой или публичной стенограммы нужна редакторская вычитка.
Что умеет Gemini Omni 1.1 Flash
Omni 1.1 Flash принимает текст, изображение или видео и возвращает видеоклип. В документации указана длительность от 3 до 10 секунд, частота 24 кадра в секунду и варианты разрешения от 360p до 4K. Это инструмент для программного видеопайплайна, а не полноценная замена режиссуры и монтажа.
Модель полезна для коротких продуктовых сцен, анимации исходного изображения и вариаций уже подготовленного ролика. Перед масштабированием нужно проверить сохранение объекта, движение, надписи, безопасность контента и стоимость одного принятого клипа, а не одной попытки.
Как встроить модели в рабочий процесс
- Разделите метрики: для аудио измеряйте точность текста и спикеров, для видео качество принятого кадра и стоимость результата.
- Соберите русскоязычный набор аудио с реальным шумом и отраслевой лексикой.
- Для видео заранее зафиксируйте длительность, формат, допустимые искажения и правила повторной генерации.
- Храните исходник, параметры запроса и версию модели, чтобы результат можно было воспроизвести.
Связка может быть полезна в едином медиапроцессе: Transcribe создает текстовую основу из записи, редактор проверяет ее, а Omni генерирует короткий визуальный фрагмент. Однако этапы должны оставаться самостоятельными и наблюдаемыми.
Официальные источники
Вопросы и ответы
Поддерживает ли Gemini 3.5 Transcribe русский язык?
Модель заявлена для более чем 85 языков и локалей. Русскоязычную точность, имена и терминологию нужно проверять на собственных записях.
Какое видео создает Gemini Omni 1.1 Flash?
Документация указывает короткие клипы длительностью 3-10 секунд с разрешением до 4K при 24 кадрах в секунду.
Можно ли сравнивать эти модели одной оценкой?
Нет. Одна модель решает speech-to-text задачу, другая генерирует видео, поэтому у них разные метрики качества.
