Голосовое управление в Gmail, Docs и Keep: как работают новые функции Gemini

Функции Gmail Live, Docs Live и Keep Live позволяют вести диалог с ассистентом на естественном языке: задавать вопросы по содержимому почты и документов, диктовать текст и поручать Gemini подготовку черновиков. Анонс состоялся после майского превью на Google I/O. Для аудитории Voice-AI это показательный пример упаковки стека ASR + LLM + TTS в массовый продуктовый слой.

Архитектура голосового слоя

В основе связки — streaming ASR и LLM. Пользователь говорит в микрофон, аудио транскрибируется в реальном времени, текст уходит в Gemini. Модель обращается к почтовому ящику, Drive, чату и веб-поиску, формирует ответ или черновик. В Gmail Live пользователь видит live transcript по ходу диалога. В Docs Live Gemini собирает первый драфт на основе голосового описания задачи. Keep Live работает как быстрый scratchpad: голосовая фиксация заметок, сборка списков и рецептов по команде.

Схема соответствует стандартному voice-agent pipeline: ASR → intent parsing → LLM reasoning → TTS. Сведений о zero-shot клонировании или кастомных голосах в релизе нет — синтез ответа опирается на стандартные голоса Gemini. С технической точки зрения это консервативная реализация: готовая ASR-модель плюс текстовая LLM, без модальных голосовых моделей уровня end-to-end.

Тарифы, платформы, язык

Gmail Live доступен подписчикам Google AI Plus, Pro и Ultra. Docs Live и Keep Live требуют уровня Pro или Ultra. Все три функции работают только на английском и только на iOS и Android. Развёртывание для Workspace Business анонсировано на ближайшие недели. Десктопные клиенты в анонсе не упомянуты.

Контекст экосистемы

Релиз продолжает последовательную раскатку голосовых компонентов Google. В апреле в Mac-приложениях появилась кросс-приложная диктовка. В августе Pixel 11 получил инструмент Rambler на Gemini для диктовки с удалением слов-паразитов. Тогда же вышла модель Gemini 3.5 Transcribe для задач speech-to-text. Gmail/Docs/Keep Live — упаковка тех же компонентов в мультимодальный потребительский интерфейс.

Параллельно рынок голосовых агентов уплотнился: Phonely представила модель Alma, обученную на 10+ млн реальных телефонных разговоров и совместимую со сторонними ASR и TTS-провайдерами, а Fireflies запустила Voice Agents для рекрутинга, продаж и поддержки с обработкой более 40 000 звонков в 2 100 организациях из 97 стран. Конкуренция за голосовой UX-слой в enterprise и consumer-сегменте усиливается с разных флангов.

Для русскоязычной аудитории практическая применимость пока нулевая: локализация не заявлена. На практике проверить стоит сроки развёртывания Workspace Business, добавление новых языков и появление голосовых функций в десктопных клиентах — именно эти параметры определят, станет ли голосовой слой Google реальным инструментом для неанглоязычных команд.