Гугл је представио Gemini 3.5 Transcribe, свој нови модел вештачке интелигенције специјализован за претварање говора у текст. Компанија га описује као свој најтачнији систем до сада, дизајниран за интелигентне гласовне интеракције. За разлику од традиционалних система, овај модел не само да транскрибује оно што је речено, већ и тумачи намеру говорника, исправља грешке у ходу и производи чист, форматиран текст.
Модел је дизајниран за употребу у реалном времену и за снимање, и обећава да ће добро функционисати у бучним окружењима, са јаким акцентима или са техничким жаргоном. Штавише, аутоматски детектује преко 85 језика, препознаје до три говорника и додаје временске ознаке реч по реч. Све ово се постиже уз изузетно ниску стопу грешака, према независном тестирању.
Интелигентна транскрипција: више од пуког диктирања
Једна од кључних карактеристика Gemini 3.5 Transcribe-а је његова способност да разуме самоисправке. На пример, ако говорник каже: „Хајде да се нађемо у уторак... не, у среду“, модел ће користити другу опцију. Такође елиминише речи за попуњавање попут „ух“ или „хм“ и аутоматски примењује интерпункцију и форматирање. Штавише, омогућава вам да додате прилагођени речник за препознавање властитих именица, техничких термина или неуобичајених речи. Према подацима које је објавио Google, стопа грешака по речи је 4% за стримовани аудио и 2,6% за унапред снимљени аудио, мерено вештачком анализом.
Још једна карактеристика која се истиче је брзина. У поређењу са својим претходником, Chirp 3, Google тврди да је време за добијање коначног текста смањено за 70%. Код преноса уживо, латенција је мања од једне секунде, што омогућава његову употребу за титловање у реалном времену или гласовне асистенте.
Интеграција у Гугл екосистем
Функција Gemini 3.5 Transcribe је већ интегрисана у неколико Google производа. На Android-у, Gboard-ова функција Rambler користи овај модел за претварање гласа у текст. Такође је доступна у апликацији Gemini за macOS, омогућавајући корисницима да користе гласовне команде са контекстом екрана за сумирање датотека, генерисање слика или поновну употребу текста. Поред тога, Google Antigravity је укључује како би комбиновао контекст екрана и историју ћаскања.
Компанија је такође најавила да ће ова функција ускоро бити доступна у Chrome-у. Ово ће омогућити корисницима да диктирају текст у било ком веб пољу, као што су имејлови, обрасци или објаве, без куцања. Иако нема прецизног датума, очекује се да ће ова функција проширити употребу гласовне транскрипције у прегледачу.
Доступност за програмере
За програмере, Gemini 3.5 Transcribe је доступан у јавном прегледу путем Gemini API-ја, у Google AI Studio-у и на Gemini Enterprise Agent Platform-у. Нуде се две верзије: Live API за двосмерно стримовање у реалном времену са латенцијом мањом од једне секунде и Interactions API за обраду унапред снимљеног звука са атрибуцијом говорника и временским ознакама. Прва је дизајнирана за гласовне агенте и титлове уживо, док је друга корисна за састанке, интервјуе или аналитику позива.
Модел такође може делегирати сложене задатке другим Gemini моделима, као што су генерисање слика или анализа датотека, путем позива функција. Ова могућност је тренутно доступна у Gemini апликацији за macOS.
Гуглова посвећеност гласу као примарном интерфејсу је појачана са Gemini 3.5 Transcribe. Његова комбинација тачности, брзине и интелигентних функција чини га кључним алатом и за кориснике и за програмере. Са његовим скорим доласком у Chrome, гласовно диктирање би могло постати уобичајено на вебу. Остаје да се види како ће се прилагодити захтевнијим случајевима употребе, али почетни подаци су обећавајући.