Скажи «убери второе предложение» — и письмо правится само, без мыши

Знакомо? Надиктовал письмо в телефон. Вышло почти хорошо. Но во втором предложении лишнее слово, а время встречи ты перепутал.
И вот ты тыкаешь пальцем в крошечный текст. Ставишь курсор. Промахиваешься. Стираешь не то.
А если сказать вслух «замени три часа на половину четвёртого»? Обычный голосовой ввод честно напечатает: «замени три часа на половину четвёртого». Прямо в письмо.
Смотри, что поменялось. 17 ноября Google научила модель Gemini 3.5 Transcribe не только записывать речь, но и слушаться её. Говоришь команду — получаешь исправленный текст целиком.
Идея в одну строку: блокнот с одной большой кнопкой. Нажал — надиктовал. Нажал ещё раз — сказал, что поправить. Текст на экране меняется.
Где тут хитрость
Модель сама понимает, где диктовка, а где команда. В документации пример: ты говоришь «позовём Алису, ой, нет — Боба и Кэрол». На выходе: «позовём Боба и Кэрол». Оговорку она выбросила сама.
А ещё ей можно отдать уже готовый текст — поле source_text, до 64 КБ. И голосом сказать, что с ним сделать. Пять видов правок прямо из документации:
- Заменить: «перенеси на 15:30 и добавь, что будет видеосвязь».
- Поменять тон: «сделай официальнее».
- Переформатировать: «оформи задачи нумерованным списком».
- Дописать: «добавь вопрос, можем ли созвониться завтра утром».
- Удалить: «убери второе предложение».
Год назад так не вышло бы одной моделью. Нужно было склеивать два шага: распознать речь, потом отдать текст чату и надеяться, что он не перепишет лишнее.
Чему научишься
- Записывать звук в браузере. Кнопка, микрофон, файл — это основа любого голосового приложения.
- Хранить состояние между запросами. Модель не помнит прошлую правку. Ты сам передаёшь ей свежий текст каждый раз.
- Делать «отмену». Каждая версия текста — в списке. Не понравилась правка — шаг назад.
- Читать документацию API. Названия полей сверяешь с ней, а не угадываешь.
Готовый стартовый промпт
Ключ Gemini API бесплатно берётся в Google AI Studio. Открой агента в пустой папке и дай задание:
Сделай голосовой блокнот на Gemini.Сделай одностраничный сайт «Правлю голосом» на HTML и JS. Ключ Gemini API бери из поля ввода и держи только в памяти страницы. В центре — большое поле с текстом и одна круглая кнопка микрофона. Нажал — запись, нажал ещё раз — стоп. Запись отправляй в модель gemini-3.5-transcribe через Interactions API, transcription_config.mode = smart. Если поле пустое — это диктовка, вставь результат. Если в поле уже есть текст — передай его как source_text, а запись — как команду, и замени текст ответом. Храни все версии: кнопка «Отменить» возвращает прошлую. Под полем покажи серым, что модель услышала. Сначала прочитай документацию Gemini о transcription и voice editing и сверь названия полей. Ошибку API покажи человеческими словами, текст не теряй.Слабый промпт получит распознавание, которое просто допечатывает слова в конец. Сильный задаёт главное: текст на экране — это source_text, а голос — инструкция к нему. Плюс отмена, потому что модель иногда правит смелее, чем ты просил.
Что в итоге
Открываешь страницу. Жмёшь кнопку и говоришь: «Привет, Маша, встреча завтра в три, в переговорке на втором этаже».
Текст появился. Жмёшь снова: «Перенеси на полчетвёртого». Три часа превратились в половину четвёртого. Остальное не тронуто.
«Сделай чуть теплее». Появилось «Рада буду увидеться». «Добавь, что я принесу макеты». Добавилось.
Пять фраз вслух — и письмо готово. Мышь ты так и не тронул.
Честно о рамках
- Проверь русский. Модель распознаёт 85+ языков, русский в списке есть. Но все примеры команд в документации — на английском. Начни с простых правок и посмотри, как она тебя слушается.
- Это не живой режим. Обычный запрос: записал — отправил — подождал секунду-другую. Есть и живая версия,
gemini-3.5-transcribe-live, но её оставь на потом. - Модель не помнит прошлое. Каждый раз отдаёшь ей текущий текст сам. Это и есть твоя «память».
- Цена. На бесплатном тарифе — бесплатно, но Google может учиться на твоих данных. На платном — около полцента за минуту речи.
- Нужен доступ к Gemini API. Проверь, что AI Studio открывается в твоей стране.
Голосовой ввод печатал за тобой. Теперь он тебя слушается.
Курс «Профессия 2027: ИИ-архитектор»: шаг за шагом от основ компьютера до своего приложения и первых клиентов. 543 коротких урока на телефоне.
Источник: Gemini API — changelog: voice editing в Gemini 3.5 Transcribe, 17 ноября 2026 · документация: Voice editing





