Google представи Gemini 3.5 Transcribe, своя нов модел с изкуствен интелект, специализиран в преобразуването на реч в текст. Компанията го описва като най-точната си система до момента, проектирана за интелигентни гласови взаимодействия. За разлика от традиционните системи, този модел не само транскрибира казаното, но и интерпретира намерението на говорещия, коригира грешки в движение и генерира чист, форматиран текст.
Моделът е проектиран както за употреба в реално време, така и на запис, и обещава да се представя добре в шумна среда, със силен акцент или с технически жаргон. Освен това, той автоматично разпознава над 85 езика, разпознава до трима говорещи и добавя времеви отпечатъци дума по дума. Всичко това се постига със забележително нисък процент на грешки, според независими тестове.
Интелигентна транскрипция: повече от просто диктовка
Една от ключовите характеристики на Gemini 3.5 Transcribe е способността му да разбира самокорекции. Например, ако говорещият каже „Хайде да се срещнем във вторник... не, в сряда“, моделът ще използва втората опция. Той също така елиминира думи-пълнежи като „ъъъ“ или „ъм“ и автоматично прилага пунктуация и форматиране. Освен това ви позволява да добавяте персонализиран речник, за да разпознавате собствени имена, технически термини или необичайни думи. Според данни, публикувани от Google, процентът на грешки на дума е 4% за стрийминг аудио и 2,6% за предварително записано аудио, измерено чрез изкуствен анализ.
Друга забележителна характеристика е скоростта. В сравнение с предшественика си, Chirp 3, Google твърди, че времето за получаване на крайния текст е намалено със 70%. При стрийминг на живо латентността е по-малка от една секунда, което позволява използването му за субтитри в реално време или гласови асистенти.
Интеграция в екосистемата на Google
Gemini 3.5 Transcribe вече е интегрирана в няколко продукта на Google. В Android, функцията Rambler на Gboard използва този модел за въвеждане на глас в текст. Тя е достъпна и в приложението Gemini за macOS, което позволява на потребителите да използват гласови команди с контекста на екрана, за да обобщават файлове, да генерират изображения или да използват повторно текст. Освен това, Google Antigravity я включва, за да комбинира контекста на екрана и историята на чата.
Компанията също така обяви, че функцията скоро ще бъде достъпна в Chrome. Това ще позволи на потребителите да диктуват текст във всяко уеб поле, като имейли, формуляри или публикации, без да пишат. Въпреки че няма конкретна дата, се очаква тази функция да разшири използването на гласова транскрипция в браузъра.
Наличност за разработчици
За разработчиците, Gemini 3.5 Transcribe е достъпен в публичен предварителен преглед чрез Gemini API, в Google AI Studio и в платформата Gemini Enterprise Agent. Предлагат се две версии: Live API за двупосочно стрийминг в реално време с латентност под една секунда и Interactions API за обработка на предварително записано аудио с атрибуция на говорещия и времеви отметки. Първата е предназначена за гласови агенти и субтитри на живо, докато втората е полезна за срещи, интервюта или анализ на обаждания.
Моделът може също така да делегира сложни задачи на други модели Gemini, като например генериране на изображения или анализ на файлове, чрез извикване на функции. Тази възможност в момента е налична в приложението Gemini за macOS.
Ангажиментът на Google към гласовото диктуване като основен интерфейс е подсилен с Gemini 3.5 Transcribe. Комбинацията от точност, скорост и интелигентни функции го прави ключов инструмент както за потребителите, така и за разработчиците. С предстоящото му пристигане в Chrome, гласовото диктуване може да стане нещо обичайно в мрежата. Предстои да видим как ще се адаптира към по-взискателни случаи на употреба, но първоначалните данни са обещаващи.