Η Google κυκλοφόρησε το Gemini 3.5 Transcribe, ένα νέο μοντέλο ομιλίας σε κείμενο που έχει δημιουργηθεί για μεταγραφή σε πραγματικό χρόνο που αναγνωρίζει περισσότερες από 85 γλώσσες αυτόματα — και γυαλίζει την έξοδο στην πορεία, αφαιρώντας λέξεις συμπλήρωσης και διορθώνοντας λεκτικά σκοντάφτισμα χωρίς ερώτηση.

Η κυκλοφορία τοποθετεί τη στοίβα ομιλίας της Google ως άμεσο αμφισβητία στην ταχέως αναπτυσσόμενη αγορά μεταγραφής, όπου η ακρίβεια και ο λανθάνοντας χρόνος αποφασίζουν όλο και περισσότερο ποιες υπηρεσίες υιοθετούν οι προγραμματιστές για κλήσεις, συσκέψεις, υπότιτλους και φωνητικές διεπαφές. For more context on this story, see our ongoing latest AI developments.

Τι μπορεί να κάνει το μοντέλο

Σύμφωνα με την ανακοίνωση της Google, η κάλυψη της οποίας δημοσιεύτηκε από το The Decoder, το Gemini 3.5 Transcribe υπερβαίνει κατά πολύ τη μετατροπή προφορικών λέξεων σε κείμενο:

  • Αυτόματος εντοπισμός γλώσσας σε περισσότερες από 85 γλώσσες, χωρίς να απαιτείται διαμόρφωση
  • Αφαίρεση λέξεων πλήρωσης, καθαρισμός "χμ", "εεε" και παρόμοιες δυσλειτουργίες
  • Διόρθωση ολισθήσεων της γλώσσας, που παράγει ευανάγνωστη πρόζα και όχι κατά λέξη θόρυβο
  • Αυτόνομη μορφοποίηση κειμένου, συμπεριλαμβανομένων των σημείων στίξης και της δομής

Η εταιρεία αναφέρει ποσοστό σφάλματος λέξης 4,0 τοις εκατό για ήχο ροής και 2,6 τοις εκατό για ηχογραφημένο ήχο, παράλληλα με μειώσεις λανθάνοντος χρόνου κατά περίπου 70 τοις εκατό σε σύγκριση με τον προκάτοχό της, το Chirp 3 — ένα σημαντικό περιθώριο σε σενάρια ζωντανών υποτίτλων όπου η καθυστέρηση διακόπτει τις συνομιλίες.

Δύο διεπαφές για δύο εργασίες

Οι προγραμματιστές έχουν πρόσβαση μέσω δύο διακριτών διεπαφών προγραμματισμού εφαρμογών:

Live API — `gemini-3.5-transscribe-live`

Χειρίζεται τη ροή σε πραγματικό χρόνο με πολύ χαμηλό λανθάνοντα χρόνο, στοχεύοντας ζωντανούς υπότιτλους, φωνητικούς παράγοντες και διαδραστικούς βοηθούς όπου ο χρόνος απόκρισης έχει μεγαλύτερη σημασία.

Interactions API — «gemini-3.5-transscribe».

Επεξεργάζεται τον εγγεγραμμένο ήχο και επιστρέφει μεταγραφές με απόδοση ομιλητή και χρονικές σημάνσεις — η τυπική ροή εργασίας για συσκέψεις, συνεντεύξεις, podcast και μετα-παραγωγή μέσων.

Πέρα από τη μεταγραφή, το μοντέλο υποστηρίζει κλήση λειτουργιών, που σημαίνει ότι μπορεί να αναθέσει εργασίες παρακολούθησης σε άλλα μοντέλα της οικογένειας Gemini — για παράδειγμα ενεργοποιώντας ένα αίτημα δημιουργίας εικόνας ή μια αναζήτηση στον ιστό με βάση κάτι που λέγεται κατά τη διάρκεια μιας περιόδου σύνδεσης. Αυτό μετατρέπει μια μηχανή μεταγραφής σε ένα ελεγχόμενο επίπεδο διεπαφής για εφαρμογές που βασίζονται στη φωνή.

Αποστολή ήδη σε όλα τα προϊόντα Google

Το μοντέλο είναι ζωντανό στο Google AI Studio και στην Πλατφόρμα Gemini Enterprise Agent για προγραμματιστές σήμερα. Η Google το έχει συνδέσει επίσης σε επιφάνειες καταναλωτών: Το Gboard σε Android το χρησιμοποιεί μέσω ενός εσωτερικού στοιχείου που ονομάζεται Rambler για υπαγόρευση, η εφαρμογή Gemini στο macOS** το εφαρμόζει στη φωνητική είσοδο και η ενσωμάτωση του Chrome αναμένεται να ακολουθήσει.

Αυτή η διανομή έχει σημασία. Η αναγνώριση ομιλίας κερδίζει τη σταθερότητά του σε κλίμακα και η ενσωμάτωση του μοντέλου σε πληκτρολόγια, εφαρμογές επιτραπέζιου υπολογιστή και προγράμματα περιήγησης το θέτει μπροστά σε δισεκατομμύρια αλληλεπιδράσεις εισόδου καθημερινά — ενώ τροφοδοτεί τους βρόχους αξιολόγησης που απαιτούνται για τη διατήρηση των ποσοστών σφαλμάτων σε τόνους, διαλέκτους και θορυβώδη περιβάλλοντα.

Ανταγωνιστικά στοιχήματα στο Speech AI

Η μεταγραφή έχει γίνει αθόρυβα ένα ανταγωνιστικό πεδίο μάχης μεταξύ των συνοριακών εργαστηρίων και των ειδικών πωλητών. Η ακριβής, χαμηλής καθυστέρησης κατανόηση ομιλίας είναι το εισιτήριο εισόδου για προϊόντα αντιπροσώπων που ενεργούν σε προφορικές εντολές, ευφυΐα εταιρικών συναντήσεων, λειτουργίες προσβασιμότητας και πολυγλωσσική αυτοματοποίηση εξυπηρέτησης πελατών.

Συνδυάζοντας επιθετικές βελτιώσεις λανθάνοντος χρόνου με εξόδους που διορθώνονται μόνοι τους, η Google στοιχηματίζει ότι οι προγραμματιστές προτιμούν τις μεταγραφές που διαβάζονται ως επεξεργασμένο κείμενο αντί για ακατέργαστη φωνητική σύλληψη — ανταλλάσσοντας αυστηρή κατά λέξη πιστότητα για χρηστικότητα. Οι ομάδες που χρειάζονται ακριβή αρχεία, όπως νομικοί ή ιατρικοί μεταγραφείς, μπορεί να εξακολουθούν να θέλουν κατά λέξη λειτουργίες. για όλους τους άλλους, η πρακτική διαφορά ανάμεσα στο να ακούς κάποιον και να τον κατανοείς συνεχίζει να μειώνεται.

Με το Gemini 3.5 Transcribe να είναι πλέον γενικά διαθέσιμο στο AI Studio και στο εταιρικό εργαλείο, η πρώτη ουσιαστική δοκιμή θα είναι οι μετρήσεις υιοθέτησης από προγραμματιστές φωνητικών πρακτόρων — ένα τμήμα της αγοράς που αναπτύσσεται αρκετά γρήγορα που ακόμη και τα αυξητικά κέρδη ακρίβειας μεταφράζονται σε σημαντικές αποφάσεις αλλαγής.

Γιατί η καθυστέρηση είναι το πραγματικό πεδίο μάχης

Τα ποσοστά σφαλμάτων είναι οι τίτλοι των εφημερίδων, αλλά η καθυστέρηση καθορίζει αθόρυβα ποια προϊόντα είναι βιώσιμα. Μια μηχανή μεταγραφής που τροφοδοτεί μια ζωντανή επικάλυψη υπότιτλων πρέπει να συμβαδίζει με τη συνομιλία, διαφορετικά οι θεατές αποδεσμεύονται. Ένας φωνητικός πράκτορας που διαπραγματεύεται μια κλήση υποστήριξης πελατών δεν μπορεί να σταματήσει άβολα ενώ το επίπεδο ομιλίας του πλησιάζει. Η αναφερόμενη μείωση της καθυστέρησης κατά 70 τοις εκατό της Google σε σχέση με το Chirp 3 στοχεύει ακριβώς αυτό το κενό — συντομεύοντας την απόσταση μεταξύ ενός ομιλητή που τελειώνει μια πρόταση και των συστημάτων κατάντη που ενεργούν σε αυτό.

Για αντιπροσωπευτικές εφαρμογές αυτό συνδυάζεται: κάθε στροφή ενός προφορικού διαλόγου περιλαμβάνει αναγνώριση, συλλογισμό και απάντηση. Το ξύρισμα χιλιοστών του δευτερολέπτου από το στάδιο αναγνώρισης δίνει στους κατασκευαστές περιθώριο να ξοδέψουν σε πιο ικανά — και πιο αργά — μοντέλα λογικής χωρίς να παραβιάζουν τους προϋπολογισμούς χρονισμού συνομιλίας.

The Verbatim Trade-off

Μια σχεδιαστική επιλογή αξίζει τον έλεγχο. Από προεπιλογή, το Gemini 3.5 Transcribe επιμελείται την έξοδο: οι λέξεις πλήρωσης εξαφανίζονται, τα σκοντάφτ διορθώνονται και η μορφοποίηση εφαρμόζεται αυτόματα. Για τις περισσότερες επαγγελματικές χρήσεις — λεπτά, λεζάντες, αρχεία με δυνατότητα αναζήτησης — αυτό ακριβώς θέλουν οι χρήστες.

Ωστόσο, ορισμένες ροές εργασίας εξαρτώνται από αυτολεξεί εγγραφές. Οι νομικές καταθέσεις, οι κριτικές συμμόρφωσης και ο δημοσιογραφικός έλεγχος γεγονότων απαιτούν μερικές φορές να γνωρίζουμε ακριβώς τι ειπώθηκε, συμπεριλαμβανομένων των δισταγμών. Οι οργανισμοί σε ρυθμιζόμενες βιομηχανίες θα θέλουν σαφήνεια σχετικά με το πόσο η εξομάλυνση είναι προαιρετική και διαμορφώσιμη πριν μεταφέρουν ευαίσθητους αγωγούς στο νέο μοντέλο. Η τεκμηρίωση και οι παράμετροι API της Google θα ορίσουν αποτελεσματικά το σημείο που θα βρίσκεται η γραμμή κατά λέξη-έναντι-γυαλισμένο για τον κλάδο.

Ένα πολύγλωσσο ίχνος ως τάφρος

Η κάλυψη 85 και πλέον γλωσσών με αυτόματη ανίχνευση δεν είναι απλώς ένα στοιχείο λίστας ελέγχου χαρακτηριστικών. Η πολύγλωσση προσέγγιση συγκεντρώνει την αξία σε αγορές όπου οι ανταγωνιστές υστερούν ιστορικά: τοπικές προφορές, εναλλαγή κωδικών μεταξύ γλωσσών στη μέση πρόταση και γλώσσες χαμηλών πόρων, όλα τιμωρούν μοντέλα που έχουν εκπαιδευτεί στενά σε βαριά αγγλικά σώματα.

Για παγκόσμιες επιχειρήσεις που διαθέτουν κέντρα υποστήριξης σε δεκάδες χώρες, ένα μόνο μοντέλο που χειρίζεται την ανίχνευση γλώσσας μειώνει με διαφάνεια την πολυπλοκότητα της ενοποίησης — μία γραμμή αντί για πολλές διαμορφώσεις ανά αγορά. Σε συνδυασμό με τη διανομή μέσω των δισεκατομμυρίων εγκαταστάσεων Android του Gboard, η Google τοποθετεί την πολυγλωσσία ποιότητας μεταγραφής ως υποδομή και όχι ως δυνατότητα premium.

Τι να παρακολουθήσετε

Τρεις ενδείξεις θα δείξουν εάν το Gemini 3.5 Transcribe αλλάζει το μερίδιο αγοράς ή απλώς αυξάνει τις προσδοκίες: μετεγκατάσταση προγραμματιστών σε σημεία αναφοράς τρίτων κατά τους επόμενους μήνες. πόσο γρήγορα οι αντίπαλοι ταιριάζουν με τους αριθμούς λανθάνοντος χρόνου παρά με τους ισχυρισμούς ακρίβειας. και αν τα άγκιστρα κλήσης συναρτήσεων γεννούν ένα κύμα πρακτόρων πρώτης φωνής που χτίστηκαν εγγενώς στους Διδύμους. Η κυκλοφορία είναι ζωντανή τώρα και οι βαθμίδες τιμολόγησης μέσω του AI Studio θα πρέπει να κάνουν τους πειραματισμούς αρκετά φθηνούς ώστε το κόστος αλλαγής να πέσει σχεδόν σε τίποτα.

---

Stay Ahead of AI

Get the latest AI news, analysis, and breakthroughs — all in one place.

Read more AI news →