Gemini 3.5 Transcribe: реч в текст и на български [2026]

Gemini 3.5 Transcribe е новият модел на Google, който превръща записана или изговорена реч в готов текст. Компанията го обяви на 26 август 2026 г. в публична предварителна версия. Българският език е сред поддържаните — с код bg-BG в официалната документация.

Накратко: Gemini 3.5 Transcribe разпознава реч на над 85 езика и връща текст с пунктуация, главни букви и без запъванията. Google отчита средно 2,6% сгрешени думи при готови записи и 4,0% при поток на живо. Цената започва от около $0,005 за минута аудио, а безплатното ниво в Google AI Studio позволява да го пробвате без карта.

Ключови факти: Обявен на 26 август 2026 г. · Два модела — gemini-3.5-transcribe за записи и gemini-3.5-transcribe-live за поток · Над 85 езика с автоматично разпознаване, включително български · Средно 2,6% сгрешени думи при записи и 4,0% при поток · При теста FLEURS — 5,04% и 5,50% · Време до финален текст с 70% по-кратко от Chirp 3 · Около $0,005 на минута за записи и $0,009 за поток · Пето място в независимата класация AA-WER на Artificial Analysis

Какво се случи с Gemini 3.5 Transcribe на 26 август 2026?

Gemini 3.5 Transcribe е отделен модел, посветен само на една задача — да чуе и да запише. Google не го предлага като функция вътре в големите модели, а като самостоятелен адрес в Gemini API, който приема аудио и връща текст.

Обявлението дойде от екипа Gemini Audio на 26 август 2026 г. и моделът тръгна веднага в публична предварителна версия.

„Днес представяме Gemini 3.5 Transcribe, най-прецизния ни досега модел за реч в текст, създаден за интелигентни гласови взаимодействия.“ — Diego Melendo Casado, старши директор „Инженеринг, Gemini Audio“ в Google, 26 август 2026 г.

Моделите всъщност са два. gemini-3.5-transcribe обработва готови файлове през Interactions API и може да разпознае кой кога говори. gemini-3.5-transcribe-live работи през Live API с непрекъснат поток и закъснение под секунда — за гласови асистенти и надписи в реално време.

Технологията вече не е само за разработчици. Според репортажа на 9to5Google моделът стои зад функцията Rambler в клавиатурата Gboard на Android и зад приложението Gemini за macOS, а поддръжката в Chrome предстои.

Какво ново може Gemini 3.5 Transcribe конкретно?

Реч в текст (на английски speech-to-text) е превръщането на звукозапис в писмен текст. Досегашните системи връщаха суров поток от думи; новото тук е, че моделът предава текста вече подреден.

Google описва два режима на работа. Дословният запазва всичко — запъвания, повторения, недовършени начала. „Умният“ ги изчиства, разрешава самопоправките и добавя пунктуация, главни букви и правилен изглед на числата и датите.

Двата режима обаче не се съчетават с всичко. Документацията на Gemini API уточнява, че „умният“ режим не може да върви заедно с времеви отпечатъци по думи или с разпознаване на говорещите — за тях трябва дословният.

Ограниченията се знаят предварително. Ето ги:

• Дължина на записа: до един час на заявка, но до 30 минути, ако включите разпознаване на говорещите или времеви отпечатъци по думи.
• Поток на живо: до десет минути непрекъсната сесия.
• Говорещи: поддържат се до осем, като разпознаването на трима и повече е обозначено като експериментално.
• Собствен речник: до 1 000 термина, но Google препоръчва до 100 за най-добър резултат.

Последното е по-важно, отколкото изглежда. Собственият речник е мястото, където подавате имена на хора, фирми, продукти и професионален жаргон — точно думите, при които всяка система за разпознаване се проваля най-често.

Колко точен е Gemini 3.5 Transcribe на български?

Gemini 3.5 Transcribe поддържа българския език — официалната карта на модела го изброява с код bg-BG сред над 85 поддържани езика, заедно с автоматично разпознаване кой език звучи.

Тук обаче идва уговорката. Числата 2,6% и 4,0% са средни стойности за всички езици, а не резултат за български. Google не публикува разбивка по езици.

При теста FLEURS, който покрива 102 езика и включва българския, отчетените стойности са по-високи — 5,04% при записи и 5,50% при поток. При многоезичен материал грешките са около два пъти повече, отколкото в общата цифра от заглавието.

Единствените публични числа конкретно за български идват от конкурент. ElevenLabs посочва за своя модел Scribe v1 4,7% сгрешени думи на български при FLEURS, срещу 5,5% за Gemini Flash 2 и 15,2% за Whisper Large v3. Това е сравнение, публикувано от продавача, и то срещу старо поколение модели на Google — новият Transcribe не участва в него.

За български език още няма независимо измерване на новия модел. Никой не може да ви каже колко ще сгреши при вашия запис — освен самият запис. Пуснете го през безплатното ниво и вижте.

Какво казват независимите класации за Gemini 3.5 Transcribe?

Gemini 3.5 Transcribe заема пето място в класацията AA-WER на Artificial Analysis — независим индекс, който мери сгрешените думи върху записи с различни акценти, професионален език и трудна акустика.

Пред него стоят Fun-Realtime-ASR с 1,7%, Scribe v2 на ElevenLabs с 2,2%, MAI-Transcribe-1.5 на Microsoft с 2,4% и Pulse Pro на Smallest.ai с 2,4%.

Това не отменя постижението, но смекчава определението „най-прецизен“. То важи спрямо предишните модели на Google, не спрямо целия пазар.

Втората независима мярка е скоростта. Artificial Analysis отчита за Gemini 3.5 Transcribe коефициент 82,5 пъти по-бързо от реалното време, докато Nova-3 на Deepgram стига до 545 пъти — с цената на 5,2% грешки.

Данните в таблицата са към 28 август 2026 г. и идват изцяло от индекса на Artificial Analysis, за да са сравними помежду си.

Колко струва Gemini 3.5 Transcribe и какво спестява?

Gemini 3.5 Transcribe се плаща на брой обработени tokens, но страницата с цените на Gemini API дава и пряката сметка на минута: $0,003 за входящото аудио и $0,002 за изходящия текст, тоест около $0,005 на минута. Един час запис излиза около $0,30.

Моделът за поток на живо струва повече — около $0,009 на минута, или към $0,54 на час. И при двата има безплатно ниво в Google AI Studio.

Собствена сметка за български потребител. Час аудио през модела струва около $0,30, което по референтния курс на ЕЦБ от 28 август 2026 г. — 1,1643 долара за евро — прави около €0,26. Човешката транскрипция при GoTranscript тръгва от €0,88 на минута, тоест €52,80 за същия час. Разликата е около 200 пъти.

Числата са илюстрация при посочените допускания, не оферта. Малка агенция, която обработва 20 часа записи месечно, плаща около €5 на модела срещу над €1 000 на човек. Само че човекът връща готов документ, а моделът връща суровина, която някой трябва да прегледа.

Затова истинската сметка зависи от това какво следва после. За вътрешен протокол от среща разликата е чиста печалба. За съдебен или медицински запис проверката от човек остава задължителна и спестеното е само времето за първата чернова.

Защо Gemini 3.5 Transcribe е важен за България?

Gemini 3.5 Transcribe пристига в България по същия път като останалите модели на Google — през Gemini API и Google AI Studio, без отделна местна процедура и без списък на чакащи.

Значението за българския потребител е в цената на входа. Досега прилична транскрипция на български означаваше или платена услуга на минута, или собствен сървър с локален модел и достатъчно силна видеокарта.

Приложенията са всекидневни: протоколи от заседания на общински съвети, интервюта за медии, лекции, подкасти, обаждания в кол център. Всяко от тях днес се преписва на ръка или изобщо не се преписва.

Има и втора страна. Българският език вече не е изключение в големите системи за реч — Gemini 3.5 Live Translate го включва при превода на глас, а BgGPT 3.0 добави собствен български глас. Transcribe затваря обратната посока — от звук към текст.

Остава обаче въпросът за данните. Записът от заседание или от разговор с клиент съдържа лични данни, а изпращането му към чужд облак попада под GDPR. Преди първия истински запис този въпрос се решава, не се отлага.

Какво следва за Gemini 3.5 Transcribe?

Gemini 3.5 Transcribe е в публична предварителна версия, което означава, че поведението и цените може да се променят преди окончателното пускане. Google не е обявила дата за него.

Обявените следващи стъпки са две: поддръжка в Chrome за диктовка направо в полетата на уеб страници и достъп през Gemini Enterprise Agent Platform за корпоративни клиенти.

Средата Google Antigravity вече дава достъп до модела на разработчиците, които строят гласови приложения.

Често задавани въпроси

Заключение

Gemini 3.5 Transcribe не е първият добър модел за реч в текст, но е първият от Google, който излиза като отделен продукт с ясна цена и с български в списъка. За около €0,26 на час аудио прагът за започване практически изчезва.

Двете уговорки остават. Точността за български е непроверена публично, а независимата класация подрежда модела пети, не първи.

За български екип с редовни записи това е по-скоро добра новина: пробата не струва нищо, а сравнението с досегашния начин на работа се прави за един следобед.

Допълнителни ресурси

• Обявлението на Google за Gemini 3.5 Transcribe
• Карта на модела в документацията на Gemini API
• Ръководство за транскрипция в Gemini API
• Цени на Gemini API
• Класация на моделите за реч в текст на Artificial Analysis