قامت Google بهدوء بشحن تحديثين مهمين لنموذج Gemini في غضون 48 ساعة هذا الأسبوع، وكلاهما يستهدف بشكل مباشر المطورين الذين يقومون ببناء تطبيقات الإنتاج. يعد Gemini 3.5 Transcribe، الذي تم تقديمه في 26 أغسطس، هو نموذج الشركة الأكثر دقة لتحويل الكلام إلى نص حتى الآن، وفقًا لمدونة Google الرسمية. يوفر برنامج Gemini Omni 1.1 Flash، الذي تم الإعلان عنه في 27 أغسطس، عناصر تحكم احترافية للفيديو التوليدي، بما في ذلك تمديد المشهد حتى 40 ثانية ورفع مستوى 4K. يتوفر كلا الطرازين من خلال Gemini API في Google AI Studio وGemini Enterprise Agent Platform.
Gemini 3.5 Transcribe: تحويل الكلام إلى نص والذي ينظف نفسه بعده لمزيد من السياق حول هذه القصة، راجع أخبار الذكاء الاصطناعي.
ما يميز Gemini 3.5 Transcribe عن التعرف على الكلام التقليدي، كما تقول Google، هو أنه يحول الصوت الخام مباشرة إلى نص منسق ومصقول بدلاً من نص خام. يتعامل النموذج مع ضوضاء الخلفية، والمصطلحات المعقدة، وتنظيف عدم الطلاقة بشكل أصلي - فهو يزيل كلمات الحشو مثل "ums" و"ahs"، ويحل التصحيحات الذاتية مثل "دعونا نلتقي يوم الثلاثاء - لا، الأربعاء"، ويقوم بتنسيق الإخراج تلقائيًا.
الأرقام القياسية التي ذكرها جوجل جديرة بالملاحظة. وفقًا لقياسات التحليل الاصطناعي، يحقق النموذج متوسط معدل خطأ في الكلمات (WER) يبلغ 4.0 بالمائة لحالات استخدام البث و2.6 بالمائة للصوت غير المتدفق. في معيار FLEURS متعدد اللغات عبر أفضل اللغات، فإنه يسجل نسبة WER بنسبة 5.50 بالمائة في وضع البث و5.04 بالمائة في وضع عدم البث، مما يحسن نموذج النسخ السابق من Google، Chirp 3. ويتحسن وقت النسخ النهائي بنسبة 70 بالمائة مقارنة بـ Chirp 3، مرة أخرى كما تم قياسه بواسطة التحليل الاصطناعي.
يأتي النموذج في نوعين مختلفين لسير العمل. بالنسبة للتطبيقات المباشرة، يوفر `gemini-3.5-transcribe-live` تدفقًا مستمرًا ثنائي الاتجاه مع زمن وصول أقل من ثانية من خلال Live API، ويستهدف وكلاء الصوت والتسميات التوضيحية في الوقت الفعلي. بالنسبة للصوت المسجل - الاجتماعات وسجلات المكالمات والأرشيفات - يوفر `gemini-3.5-transcribe` إسناد المتحدث لما يصل إلى ثلاثة مكبرات صوت (مع دعم للمزيد في الوضع التجريبي) وطوابع زمنية على مستوى الكلمات عبر Interactions API.
تشمل الإمكانات الأخرى الكشف التلقائي والنسخ عبر أكثر من 85 لغة مع التعامل مع اللهجات واللهجات، ودعم المفردات المخصصة بحيث يتكيف النموذج مع المصطلحات المتخصصة والتهجئة الفريدة. أعطت Google أيضًا عيونًا للنموذج من نوع ما: من خلال استدعاء الوظائف، يمكنها تفويض مهام مثل إنشاء الصور أو تحليل الملفات إلى نماذج Gemini الأخرى - وهي ميزة متوفرة حاليًا في تطبيق Gemini على نظام التشغيل macOS.
Gemini Omni 1.1 Flash: إنشاء الفيديو ينمو بجدول زمني
يعالج الإطلاق الثاني الشكوى الأكثر شيوعًا حول فيديو الذكاء الاصطناعي: التحكم. Gemini Omni 1.1 Flash هو تحديث يركز على الإنتاج ويجعل الفيديو التوليدي قابلاً للتوجيه بطرق لم تكن سابقاتها، حيث وصف مديرا منتجات Google DeepMind Anish Nangia وAlisa Fortin الإصدار بأنه يجعل Omni 1.1 "جاهزًا للإنتاج للاستخدام الاحترافي".
امتداد المشهد هو الميزة الرئيسية. يمكن للمطورين الآن الاستمرار في إنشاء لقطات بسلاسة من مقطع موجود، حيث يقوم النموذج بتحليل ما يصل إلى 10 ثوانٍ من السياق السابق - وهي قفزة من النماذج السابقة التي تشير إلى الثانية الأخيرة فقط. يمكن تمديد مقاطع الفيديو بزيادات مدتها 10 ثوانٍ حتى يصل طولها التراكمي إلى 40 ثانية، مما يؤدي إلى تحسين الاتساق البصري والالتزام السردي للقصص الأطول.
يضيف التحديث أيضًا استيفاء الإطار الأول والأخير، مما يسمح للمطورين بتحديد إطارات البداية والنهاية لإنشاء حركات وانتقالات سلسة ومتعمدة للكاميرا بين اللقطات. بالنسبة للتسليم، يمكن ترقية المشاريع النهائية إلى دقة 4K، بينما يتيح وضع المعاينة بدقة 360 بكسل للمبدعين تكرار المطالبات بسرعة وبتكلفة زهيدة قبل الالتزام بالعروض النهائية.
من واجهة برمجة التطبيقات (API) إلى الأسطح اليومية
وتقوم جوجل أيضًا بتوصيل كلا النموذجين إلى منتجاتها الاستهلاكية، وهو ما تظهر فيه ميزة التوزيع الخاصة بها. على Android، تستخدم ميزة "Rambler" الجديدة في Gboard 3.5 Transcribe لتحويل الأفكار المنطوقة إلى نص منسق جيدًا أثناء تصفية كلمات الحشو - ويمكن للمستخدمين أيضًا إجراء تعديلات عن طريق الصوت. يعمل النموذج أيضًا على تشغيل الإملاء في تطبيق Gemini على نظام التشغيل macOS، ويعمل جنبًا إلى جنب مع سياق الشاشة في Google Antigravity، ويتم دمجه في Chrome.
بالنسبة للمطورين، يعتبر الإطلاقان بمثابة استراتيجية واحدة: تعمل Google على دفع Gemini من روبوت الدردشة الذي تتحدث إليه إلى البنية التحتية التي ترى وتسمع وتنتج الوسائط. مع تنافس OpenAI وElevenLabs ومجموعة من شركات الفيديو الناشئة في نفس المنطقة، فإن معدل خطأ الكلمات الذي يبلغ 2.6 بالمائة والمشاهد المتماسكة التي تبلغ مدتها 40 ثانية هي عرض Google الافتتاحي لأعباء عمل الإنتاج التي تدر إيرادات بالفعل - وكلاء الصوت، وخطوط التسميات التوضيحية، والأدوات الإبداعية. يمكن للمطورين البدء في البناء باستخدام كلا النموذجين في Google AI Studio اليوم.
لماذا لا يزال معدل الخطأ في الكلمات مهمًا
يبدو معدل الخطأ في الكلمات بمثابة إحصائية أكاديمية، لكنه في الإنتاج يمثل الفرق بين منتج صوتي ناجح ومنتج محبط. يؤدي كل قول يساء فهمه من وكيل الصوت إلى تعطيل المهمة: يؤدي معرف الطلب غير المرغوب فيه إلى عملية بحث فاشلة، ويرسل العنوان المشوه طردًا إلى المدينة الخطأ. وهذا هو السبب في أن الفجوة بين نسبة WER البالغة 2.6 بالمائة على الصوت غير المتدفق والمعدلات العالية المكونة من رقم واحد والتي كانت شائعة في جيل من النماذج السابقة تتضاعف إلى اختلاف كبير في سهولة الاستخدام.
إن التمييز بين الوضعين اللذين ذكرتهما Google مهم أيضًا للمهندسين المعماريين. يتبادل النسخ المتدفق - نسبة WER البالغة 4.0 بالمائة - بعض الدقة مع زمن الوصول أقل من الثانية، وهو ما تتطلبه حالات الاستخدام التفاعلية مثل وكلاء الصوت المباشر. يتم تشغيل النسخ المجمع للصوت المسجل بشكل أبطأ ولكنه يصل إلى 2.6 بالمائة، ولهذا السبب يمكن أن تكون تحليلات ما بعد المكالمة ومعالجة الأرشيف أكثر تطلبًا. إن قرار Google بالكشف عن كليهما كنقاط نهاية نموذجية منفصلة بدلاً من إعداد واحد قابل للتعديل يعترف بأن المطورين يقومون ببناء منتجات مختلفة على جانبي تلك المقايضة.
سير عمل متدرج لإنتاج الفيديو
يعد تحديث Omni 1.1 Flash عمليًا بنفس القدر فيما يتعلق بكيفية حدوث العمل الإبداعي فعليًا. لقد كان تكرار الفيديو التوليدي مكلفًا: فكل تجربة فورية كانت تعني عرضًا كاملاً. يفصل وضع المعاينة 360 بكسل الجديد بين الاستكشاف والتسليم، مما يسمح لمنشئي المحتوى بالتنقل بين الاختلافات السريعة بتكلفة زهيدة والدفع فقط مقابل ترقية 4K على اللقطات التي نجت من المراجعة.
تعالج آليات تمديد المشهد مشكلة التماسك التي أبقت فيديو الذكاء الاصطناعي في الحي اليهودي بحجم المقطع. من خلال تحليل 10 ثوانٍ من السياق السابق بدلاً من الإطار النهائي فقط، يمكن للنموذج تمديد المشهد بزيادات قدرها 10 ثوانٍ حتى 40 ثانية مع الحفاظ على اتساق الشخصيات والإضاءة والأسلوب المرئي. إلى جانب الاستيفاء للإطار الأول والأخير - والذي يمنح المحررين نقاط تحكم حتمية، وطريقة عمل علامات الدخول والخروج في التحرير التقليدي - تبدأ اللقطات التي تم إنشاؤها بواسطة الذكاء الاصطناعي في التوافق مع خطوط الأنابيب الحقيقية لمرحلة ما بعد الإنتاج بدلاً من استبدالها بالجملة.
الصورة التنافسية
كلا الإطلاقين يضعان Google كبنية أساسية وليس وجهة. في مجال الكلام، تتنافس Google مع بائعي النسخ المتخصصين والمجموعات الصوتية لمنافسيها السحابيين من خلال تجميع الدقة المتطورة في Gemini API التي يستخدمها مطوروها بالفعل. وفي الفيديو، تتنافس في سوق مزدحم بالشركات الناشئة ذات التمويل الجيد من خلال التركيز على التحكم وتكامل سير العمل على المشهد الخام.
قد تكون ميزة التوزيع هي العامل الحاسم. نفس نموذج النسخ الذي يمكن للمطورين استدعاؤه من واجهة برمجة تطبيقات Gemini يعمل بالفعل على تشغيل إملاء Gboard's Rambler على Android، وتطبيق Gemini على macOS، وGoogle Antigravity، وChrome - مما يعني أن Google يمكنها استهلاك تطوير النموذج عبر مليارات من تفاعلات المستخدم مع جمع الصوت المتنوع في العالم الحقيقي الذي يستمر في تحسينه. بالنسبة للمطورين الذين يختارون مجموعة من الكلام أو الفيديو في عام 2026، أصبحت دولاب الموازنة هذه الآن جزءًا من العرض التقديمي.
---
ابق على اطلاع بأخبار الذكاء الاصطناعيآخر أخبار وتحليلات وإنجازات الذكاء الاصطناعي — في مكان واحد.
اقرأ المزيد من أخبار الذكاء الاصطناعي →
