Порепетируй доклад вслух — и узнай, где ты сказал не то, что на слайде

Завтра защита. Или доклад на работе. Ты репетируешь в пустой комнате, и вроде гладко.
А на сцене выясняется: на слайде 6 график показывает 40%. А ты сказал «почти половина». Кто-то из зала это заметил. Ты — нет.
Друга попросить послушать — неловко. Да и он не будет сверять каждую цифру.
Смотри, что поменялось. 18 ноября Gemini API научился брать файлы Word, PowerPoint и Excel напрямую. Модель Gemini 4 видит каждый слайд картинкой — с графиками и схемами, а не только текст. И ей можно дать запись твоего голоса в том же запросе.
Идея в одну строку: кидаешь свой .pptx и запись репетиции. Получаешь разбор по слайдам: что ты пропустил, где ошибся в цифрах, где завис.
Где тут хитрость
Вторая новинка того же дня — нарезка. Можно отдать модели не весь файл, а кусок:
- Слайды с 3 по 7 — поля
start_pageиend_page. - Звук с 60-й по 150-ю секунду — поля
start_offsetиend_offset.
И платишь только за отданный кусок. Слайд стоит около 560 токенов.
Отсюда трюк. Первый проход — весь доклад целиком: модель расставляет, на какой секунде ты перешёл к какому слайду. А дальше ты перерепетировал только слайд 6. И проверяешь только его: один слайд плюс 40 секунд звука. Быстро и почти бесплатно.
Раньше презентацию сначала приходилось сохранять в PDF или резать на картинки. Теперь — тот же файл, в котором ты её делал.
Чему научишься
- Отдавать модели разные файлы разом. Документ и звук в одном запросе.
- Просить ответ в формате JSON. Чтобы разбор ложился в таблицу, а не в простыню текста.
- Нарезать вход. Отдавать модели ровно ту часть, которая нужна, — это и дешевле, и точнее.
- Записывать звук в браузере. Пригодится в любом голосовом проекте.
Готовый стартовый промпт
Ключ Gemini API бесплатно берётся в Google AI Studio. Открой агента в пустой папке и дай задание:
Сделай приложение, которое оценивает мою презентацию.Сделай одностраничный сайт «Репетиция» на HTML и JS. Ключ Gemini API бери из поля ввода и держи только в памяти страницы. Шаг 1: загрузи мой .pptx через Files API. Шаг 2: кнопка записи — я репетирую доклад вслух, запись сохраняется. Шаг 3: кнопка «Разобрать» шлёт в gemini-4-hydrogen через Interactions API оба файла: презентацию как document, запись как audio. Попроси ответ строго в JSON: для каждого слайда — номер, секунда начала и конца в записи, что на слайде главное, что я сказал, что пропустил, где мои слова расходятся с цифрами или графиком. Покажи это таблицей по слайдам, расхождения выдели. У каждой строки кнопка «Перепроверить»: перезаписываю только этот слайд и шлю один слайд (page_options start_page = end_page) и только новую запись. Сначала прочитай документацию Gemini о document processing и audio и сверь названия полей.Слабый промпт получит общее «хорошая презентация, говорите увереннее». Сильный заставляет сверять конкретное: слайд против твоих слов, по секундам. И сразу закладывает перепроверку одного слайда — ради неё нарезка и нужна.
Что в итоге
Загружаешь защита.pptx, двенадцать слайдов. Жмёшь запись и рассказываешь доклад, как завтра.
Через полминуты — таблица. Слайд 2: две минуты сорок, остальные по минуте — тут ты завис. Слайд 6: «на графике 40%, вы сказали "почти половина"». Слайд 9: «третий пункт списка не прозвучал».
Перезаписываешь только слайд 6. Жмёшь «Перепроверить». Строка позеленела.
Двенадцать слайдов, ноль неловких просьб к друзьям.
Честно о рамках
- Проверь русский. Модель понимает русскую речь. Но расставлять секунды и тайминги она может с ошибками — сверь пару строк сам.
- Это не оценка харизмы. Модель сверяет содержание и время. Жесты и взгляд она не видит — тут нужно видео, это другой проект.
- Не забивай слайды текстом ради неё. Модель видит график картинкой. Делай слайды для людей.
- Лимиты. Файл до 50 МБ и до 2000 слайдов. На бесплатном тарифе — бесплатно, но Google может учиться на твоих данных. Рабочий доклад с тайной — только на платном.
- Нужен доступ к Gemini API. Проверь, что AI Studio открывается в твоей стране.
Репетиция в пустой комнате кажется гладкой. Теперь в комнате есть кто-то, кто сверяет цифры.
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: Office-файлы и нарезка документов, видео и аудио, 18 ноября 2026 · документация: Document understanding





