Google লঞ্চ করেছে জেমিনি 3.5 ট্রান্সক্রাইব, রিয়েল-টাইম ট্রান্সক্রিপশনের জন্য তৈরি একটি নতুন স্পিচ-টু-টেক্সট মডেল যা স্বয়ংক্রিয়ভাবে 85টি ভাষা চিনতে পারে — এবং পথের সাথে আউটপুটকে পালিশ করে, ফিলার শব্দগুলি খুলে দেয় এবং জিজ্ঞাসা না করেই মৌখিক হোঁচট সংশোধন করে।
লঞ্চটি Google-এর স্পিচ স্ট্যাককে দ্রুত-বর্ধমান ট্রান্সক্রিপশন বাজারে সরাসরি চ্যালেঞ্জার হিসাবে অবস্থান করে, যেখানে নির্ভুলতা এবং বিলম্বিতা ক্রমবর্ধমানভাবে সিদ্ধান্ত নেয় যে ডেভেলপাররা কল, মিটিং, ক্যাপশন এবং ভয়েস ইন্টারফেসের জন্য কোন পরিষেবাগুলি গ্রহণ করবে৷ For more context on this story, see our ongoing artificial intelligence updates.
মডেল কি করতে পারে
গুগলের ঘোষণা অনুসারে, যেটির কভারেজ দ্য ডিকোডার দ্বারা প্রকাশিত হয়েছিল, জেমিনি 3.5 ট্রান্সক্রাইব কথ্য শব্দকে পাঠ্যে রূপান্তরিত করার বাইরেও যায়:
- স্বয়ংক্রিয় ভাষা সনাক্তকরণ ৮৫-এর বেশি ভাষা জুড়ে, কোনো কনফিগারেশনের প্রয়োজন নেই
- ফিলার শব্দ অপসারণ, "উম," "উহ," এবং অনুরূপ অসঙ্গতিগুলি পরিষ্কার করা
- জিভের স্লিপ সংশোধন, শব্দার্থের শব্দের পরিবর্তে পাঠযোগ্য গদ্য তৈরি করা
- স্বয়ংক্রিয় পাঠ্য বিন্যাস, বিরাম চিহ্ন এবং গঠন সহ
কোম্পানী অডিও স্ট্রিমিং এর জন্য 4.0 শতাংশ এবং রেকর্ড করা অডিওর জন্য 2.6 শতাংশের শব্দ ত্রুটির হারের প্রতিবেদন করেছে, পাশাপাশি তার পূর্বসূরি, Chirp 3-এর তুলনায় প্রায় 70 শতাংশের লেটেন্সি কমানো হয়েছে — লাইভ ক্যাপশনিং পরিস্থিতিতে যেখানে দেরি কথোপকথন ভেঙে দেয়।
দুটি কাজের জন্য দুটি ইন্টারফেস
বিকাশকারীরা দুটি স্বতন্ত্র অ্যাপ্লিকেশন প্রোগ্রামিং ইন্টারফেসের মাধ্যমে অ্যাক্সেস পান:
লাইভ API — `gemini-3.5-ট্রান্সক্রাইব-লাইভ`
খুব কম লেটেন্সি সহ রিয়েল-টাইম স্ট্রিমিং পরিচালনা করে, লাইভ ক্যাপশন, ভয়েস এজেন্ট এবং ইন্টারেক্টিভ সহকারীকে লক্ষ্য করে যেখানে প্রতিক্রিয়া সময় সবচেয়ে গুরুত্বপূর্ণ।ইন্টারঅ্যাকশন API — `gemini-3.5-ট্রান্সক্রাইব`
রেকর্ড করা অডিও প্রসেস করে এবং স্পীকার অ্যাট্রিবিউশন এবং টাইমস্ট্যাম্প সহ ট্রান্সক্রিপ্ট ফেরত দেয় — মিটিং, ইন্টারভিউ, পডকাস্ট এবং মিডিয়া পোস্ট-প্রোডাকশনের জন্য সাধারণ ওয়ার্কফ্লো।ট্রান্সক্রিপশনের বাইরে, মডেলটি ফাংশন কলিং সমর্থন করে, যার অর্থ এটি জেমিনি পরিবারের অন্যান্য মডেলের কাছে ফলো-আপ কাজগুলি অর্পণ করতে পারে — যেমন একটি সেশনের সময় বলা কিছুর উপর ভিত্তি করে একটি চিত্র তৈরির অনুরোধ বা একটি ওয়েব অনুসন্ধান ট্রিগার করা৷ এটি একটি ট্রান্সক্রিপ্ট ইঞ্জিনকে ভয়েস-চালিত অ্যাপ্লিকেশনগুলির জন্য একটি নিয়ন্ত্রণযোগ্য ইন্টারফেস স্তরে পরিণত করে।
ইতিমধ্যেই Google পণ্য জুড়ে শিপিং
মডেলটি আজ ডেভেলপারদের জন্য Google AI স্টুডিও এবং জেমিনি এন্টারপ্রাইজ এজেন্ট প্ল্যাটফর্ম-এ লাইভ রয়েছে। Google এটিকে ভোক্তা সারফেসগুলিতেও সংযুক্ত করেছে: Android-এ Gboard এটিকে র্যাম্বলার নামক একটি অভ্যন্তরীণ উপাদানের মাধ্যমে ডিক্টেশনের জন্য ব্যবহার করে, macOS-এ জেমিনি অ্যাপ এটি ভয়েস ইনপুটে প্রয়োগ করে এবং Chrome ইন্টিগ্রেশন অনুসরণ করা হয়।
যে বন্টন গুরুত্বপূর্ণ. বক্তৃতা শনাক্তকরণ তার স্কেল বজায় রাখে, এবং কীবোর্ড, ডেস্কটপ অ্যাপস এবং ব্রাউজারে মডেলটি এম্বেড করা এটিকে প্রতিদিন কোটি কোটি ইনপুট ইন্টারঅ্যাকশনের সামনে রাখে — উচ্চারণ, উপভাষা এবং কোলাহলপূর্ণ পরিবেশে ত্রুটির হার কমতে রাখার জন্য প্রয়োজনীয় মূল্যায়ন লুপগুলি খাওয়ানোর সময়৷
স্পিচ এআই প্রতিযোগিতামূলক স্টেক
ট্রান্সক্রিপশন নিঃশব্দে ফ্রন্টিয়ার ল্যাব এবং বিশেষজ্ঞ বিক্রেতাদের মধ্যে একটি প্রতিযোগিতামূলক যুদ্ধক্ষেত্র হয়ে উঠেছে। নির্ভুল, কম লেটেন্সি স্পিচ বোঝার হল এজেন্টিক পণ্যগুলির প্রবেশ টিকিট যা কথ্য আদেশ, এন্টারপ্রাইজ মিটিং বুদ্ধিমত্তা, অ্যাক্সেসিবিলিটি বৈশিষ্ট্য এবং বহুভাষিক গ্রাহক পরিষেবা অটোমেশনের উপর কাজ করে।
স্ব-সংশোধনী আউটপুটের সাথে আক্রমনাত্মক লেটেন্সি উন্নতিগুলিকে যুক্ত করে, Google বাজি ধরছে যে বিকাশকারীরা ট্রান্সক্রিপ্টগুলি পছন্দ করে যা কাঁচা ফোনেটিক ক্যাপচারের পরিবর্তে সম্পাদিত পাঠ্যের মতো পড়তে পারে — ব্যবহারযোগ্যতার জন্য কঠোর মৌখিক বিশ্বস্ততার ব্যবসা করে৷ যে দলগুলির সঠিক রেকর্ডের প্রয়োজন, যেমন আইনি বা মেডিকেল ট্রান্সক্রাইবার, তারা এখনও শব্দার্থ মোড চাইতে পারে; অন্য সবার জন্য, কাউকে শোনা এবং তাদের বোঝার মধ্যে ব্যবহারিক পার্থক্য ক্রমাগত সংকুচিত হচ্ছে।
জেমিনি 3.5 ট্রান্সক্রাইব এখন সাধারণত AI স্টুডিও এবং এন্টারপ্রাইজ টুলিং-এ পাওয়া যায়, প্রথম অর্থপূর্ণ পরীক্ষা হবে ভয়েস-এজেন্ট ডেভেলপারদের কাছ থেকে গ্রহণের মেট্রিক্স - একটি বাজারের অংশটি যথেষ্ট দ্রুত বৃদ্ধি পাচ্ছে যে এমনকি ক্রমবর্ধমান নির্ভুলতা লাভও বড় পরিবর্তনের সিদ্ধান্তে রূপান্তরিত হয়।
কেন বিলম্বই আসল যুদ্ধক্ষেত্র
ত্রুটির হারগুলি শিরোনামগুলি পায়, কিন্তু বিলম্বতা শান্তভাবে নির্ধারণ করে যে কোন পণ্যগুলি কার্যকর। একটি ট্রান্সক্রিপশন ইঞ্জিন একটি লাইভ ক্যাপশন ওভারলে ফিড করে কথোপকথনের সাথে তাল মিলিয়ে চলতে হবে, অথবা দর্শকদের বিচ্ছিন্ন হতে হবে। একটি ভয়েস এজেন্ট একটি গ্রাহক সহায়তা কল নিয়ে আলোচনা করে তার স্পিচ লেয়ারটি ধরা পড়ার সময় বিশ্রীভাবে বিরতি দিতে পারে না। Google-এর রিপোর্ট করা বিলম্বে 70 শতাংশ হ্রাসের সাথে সম্পর্কিত Chirp 3 লক্ষ্যমাত্রা অবিকল সেই ব্যবধান — একটি বাক্য শেষ করা স্পিকার এবং এটির উপর কাজ করা ডাউনস্ট্রিম সিস্টেমের মধ্যে দূরত্বকে ছোট করে।
এজেন্টিক অ্যাপ্লিকেশনের জন্য এই যৌগ: একটি কথ্য সংলাপের প্রতিটি মোড় স্বীকৃতি, যুক্তি এবং প্রতিক্রিয়া জড়িত। স্বীকৃতি পর্যায় থেকে মিলিসেকেন্ড শেভ করা কথোপকথনমূলক সময় বাজেট লঙ্ঘন ছাড়াই নির্মাতাদের আরও সক্ষম — এবং ধীর — যুক্তিযুক্ত মডেলগুলিতে ব্যয় করার জন্য হেডরুম দেয়৷
দ্য ভারবাটিম ট্রেড-অফ
একটি নকশা পছন্দ যাচাই-বাছাই প্রাপ্য। ডিফল্টরূপে, Gemini 3.5 ট্রান্সক্রাইব কিউরেট আউটপুট: ফিলার শব্দগুলি অদৃশ্য হয়ে যায়, হোঁচট খায় সংশোধন হয়, এবং ফর্ম্যাটিং স্বয়ংক্রিয়ভাবে প্রয়োগ করা হয়। বেশিরভাগ ব্যবসায়িক ব্যবহারের জন্য — মিনিট, ক্যাপশন, অনুসন্ধানযোগ্য সংরক্ষণাগার — ব্যবহারকারীরা ঠিক এটাই চান৷
কিন্তু নির্দিষ্ট ওয়ার্কফ্লোগুলি মৌখিক রেকর্ডের উপর নির্ভর করে। আইনি জবানবন্দি, কমপ্লায়েন্স রিভিউ, এবং সাংবাদিকতার ফ্যাক্ট-চেকিং-এর জন্য কখনও কখনও যা বলা হয়েছে তা সঠিকভাবে জানা প্রয়োজন, দ্বিধা অন্তর্ভুক্ত। সংবেদনশীল পাইপলাইনগুলিকে নতুন মডেলে স্থানান্তরিত করার আগে নিয়ন্ত্রিত শিল্পগুলির সংস্থাগুলি কতটা মসৃণকরণ ঐচ্ছিক এবং কনফিগারযোগ্য তা স্পষ্টতা চাইবে৷ Google-এর ডকুমেন্টেশন এবং API প্যারামিটারগুলি কার্যকরভাবে সেট করবে যেখানে শিল্পের জন্য শব্দচয়-বনাম-পালিশ লাইন বসবে।
পরিখা হিসাবে একটি বহুভাষিক পদচিহ্ন
স্বয়ংক্রিয় সনাক্তকরণ সহ 85-প্লাস ভাষার কভারেজ শুধুমাত্র একটি বৈশিষ্ট্য চেকলিস্ট আইটেম নয়। বহুভাষিক নাগাল বাজারের মূল্যকে কেন্দ্রীভূত করে যেখানে প্রতিযোগীরা ঐতিহাসিকভাবে পিছিয়ে থাকে: আঞ্চলিক উচ্চারণ, ভাষার মধ্য-বাক্যের মধ্যে কোড-স্যুইচিং, এবং নিম্ন-সম্পদ ভাষা সমস্ত শাস্তি মডেলগুলিকে ইংরেজি-ভারী কর্পোরাতে সংকীর্ণভাবে প্রশিক্ষিত করে।
কয়েক ডজন দেশ জুড়ে সমর্থন কেন্দ্রগুলি পরিচালনাকারী বিশ্বব্যাপী উদ্যোগগুলির জন্য, একটি একক মডেল পরিচালনা ভাষা সনাক্তকরণ স্বচ্ছভাবে ইন্টিগ্রেশন জটিলতা হ্রাস করে — অনেকগুলি প্রতি-বাজার কনফিগারেশনের পরিবর্তে একটি পাইপলাইন৷ Gboard এর বিলিয়ন অ্যান্ড্রয়েড ইনস্টলেশনের মাধ্যমে বিতরণের সাথে একত্রিত হয়ে, Google একটি প্রিমিয়াম ক্ষমতার পরিবর্তে পরিকাঠামো হিসাবে প্রতিলিপি-মানের বহুভাষিকতাকে অবস্থান করছে।
কি দেখতে হবে
তিনটি সংকেত দেখাবে যে জেমিনি 3.5 ট্রান্সক্রাইব বাজারের শেয়ার পরিবর্তন করে নাকি কেবলমাত্র প্রত্যাশা বাড়ায়: আগামী মাসগুলিতে তৃতীয় পক্ষের বেঞ্চমার্কে বিকাশকারীর স্থানান্তর; প্রতিদ্বন্দ্বীরা কত দ্রুত সঠিকতা দাবির পরিবর্তে বিলম্বিত সংখ্যার সাথে মেলে; এবং ফাংশন-কলিং হুকগুলি মিথুনের উপর স্থানীয়ভাবে নির্মিত ভয়েস-ফার্স্ট এজেন্টের একটি তরঙ্গ তৈরি করে কিনা। লঞ্চটি এখন লাইভ, এবং এআই স্টুডিওর মাধ্যমে মূল্যের স্তরগুলি পরীক্ষা-নিরীক্ষাকে যথেষ্ট সস্তা করে তুলতে হবে যাতে স্যুইচিং খরচ প্রায় কিছুই না হয়।
---
Stay Ahead of AIGet the latest AI news, analysis, and breakthroughs — all in one place.
Read more AI news →
