גוגל השיקה את Gemini 3.5 Transcribe, מודל דיבור לטקסט חדש שנבנה לתמלול בזמן אמת שמזהה יותר מ-85 שפות באופן אוטומטי - ומצחצח את הפלט לאורך הדרך, מסיר מילות מילוי ומתקן מעידות מילוליות מבלי להתבקש.

ההשקה ממצבת את ערימת הדיבור של גוגל כאתגר ישיר בשוק התמלול הצומח במהירות, שבו הדיוק והשהייה מחליטים יותר ויותר אילו שירותים מפתחים מאמצים לשיחות, פגישות, כתוביות וממשקי קול. For more context on this story, see our ongoing AI news.

מה הדוגמנית יכולה לעשות

על פי ההודעה של גוגל, שסיקורה פורסם על ידי The Decoder, Gemini 3.5 Transcribe חורג הרבה מעבר להמרת מילים מדוברות לטקסט:

  • זיהוי שפה אוטומטי על פני 85 שפות פלוס, ללא צורך בתצורה
  • הסרת מילות מילוי, ניקוי "אממ", "אה" ודומות דומות
  • תיקון של החלקות לשון, הפקת פרוזה קריא ולא רעש מילה במילה
  • עיצוב טקסט אוטונומי, כולל סימני פיסוק ומבנה

החברה מדווחת על שיעור שגיאות מילים של 4.0 אחוזים עבור סטרימינג של אודיו ו-2.6 אחוזים עבור שמע מוקלט, לצד הפחתת זמן השהייה של כ-70 אחוז בהשוואה לקודמו, Chirp 3 - מרווח משמעותי בתרחישי כתוביות חיים שבהם עיכוב מפסיק שיחות.

שני ממשקים לשתי משרות

מפתחים מקבלים גישה באמצעות שני ממשקי תכנות יישומים שונים:

ממשק API - `gemini-3.5-transcribe-live`

מטפל בסטרימינג בזמן אמת עם זמן אחזור נמוך מאוד, מכוון לכיתובים חיים, לסוכנים קוליים ולעוזרים אינטראקטיביים שבהם זמן התגובה חשוב ביותר.

Interactions API — `gemini-3.5-transcribe`

מעבד אודיו מוקלט ומחזיר תמלילים עם ייחוס דוברים וחותמות זמן - זרימת העבודה האופיינית לפגישות, ראיונות, פודקאסטים ופוסט-פרודקשן במדיה.

מעבר לתמלול, המודל תומך בקריאת פונקציות, כלומר הוא יכול להאציל משימות מעקב לדגמים אחרים במשפחת ה-Gemini - למשל הפעלת בקשת יצירת תמונה או חיפוש באינטרנט על סמך משהו שנאמר במהלך הפגישה. זה הופך מנוע תמלול לשכבת ממשק הניתנת לשליטה עבור יישומים מונעי קול.

כבר נשלח על פני מוצרי Google

הדגם זמין ב-Google AI Studio וב-Gemini Enterprise Agent Platform למפתחים כיום. גוגל גם חיברה אותו למשטחי צרכנים: Gboard באנדרואיד משתמשת בו באמצעות רכיב פנימי בשם Rambler להכתבה, אפליקציית Gemini ב-macOS מיישמת אותו על קלט קולי, ושילוב Chrome מתוכנן להופיע.

ההפצה הזו חשובה. זיהוי דיבור מרוויח את הגודל שלו, והטמעת המודל במקלדות, אפליקציות שולחן עבודה ודפדפנים מעמידה אותו מול מיליארדי אינטראקציות קלט מדי יום - תוך הזנת לולאות ההערכה הדרושות כדי לשמור על שיעורי השגיאות על פני מבטאים, ניבים וסביבות רועשות.

הימורים תחרותיים ב-Spech AI

תמלול הפך בשקט לשדה קרב תחרותי בין מעבדות חזית וספקים מומחים כאחד. הבנת דיבור מדויקת עם זמן אחזור נמוך היא כרטיס הכניסה למוצרים סוכנים הפועלים לפי פקודות מדוברות, אינטליגנציה של פגישות ארגוניות, תכונות נגישות ואוטומציה של שירות לקוחות רב לשוני.

על ידי שילוב שיפורים אגרסיביים של חביון עם פלט מתקן עצמי, גוגל מהמרת שהמפתחים מעדיפים תמלילים הנקראים כמו טקסט ערוך במקום לכידה פונטית גולמית - סוחרים בנאמנות מילה במילה עבור שימושיות. צוותים הזקוקים לרישומים מדויקים, כגון מתמללים משפטיים או רפואיים, עשויים עדיין לרצות מצבים מילה במילה; עבור כל השאר, ההבדל המעשי בין לשמוע מישהו לבין הבנתו ממשיך להצטמצם.

עם Gemini 3.5 Transcribe זמין כעת באופן כללי ב-AI Studio וכלי עבודה ארגוניים, המבחן המשמעותי הראשון יהיה מדדי אימוץ ממפתחי סוכני קול - פלח שוק שצומח מהר מספיק שאפילו הישגים מצטברים בדיוק מתורגמים להחלטות מיתוג ניכרות.

מדוע חביון הוא שדה הקרב האמיתי

שיעורי שגיאות מקבלים את הכותרות, אבל זמן ההשהיה קובע בשקט אילו מוצרים כדאיים. מנוע תמלול שמזין שכבת כותרת חיה צריך לעמוד בקצב השיחה, אחרת הצופים יתנתקו. סוכן קולי המנהל משא ומתן לשיחת תמיכת לקוחות לא יכול להשהות בצורה מביכה בזמן שכבת הדיבור שלו תופסת את הקצב. גוגל דיווחה על הפחתה של 70 אחוז בעיכוב ביחס למטרות Chirp 3 בדיוק הפער הזה - קיצור המרחק בין דובר שמסיים משפט לבין מערכות מטה הפועלות עליו.

עבור יישומים סוכנים זה מרכיב: כל סיבוב של דיאלוג מדובר כרוך בהכרה, הנמקה ותגובה. גילוח של אלפיות שניות משלב הזיהוי נותן לבנאים מרווח ראש להשקיע במודלים של חשיבה מסוגלים יותר - ואיטיים יותר, מבלי להפר את תקציבי תזמון השיחה.

ההחלפה המילולית

בחירת עיצוב אחת ראויה לבדיקה. כברירת מחדל, Gemini 3.5 תמלול אוצר פלט: מילות מילוי נעלמות, מעידות מתוקנות והעיצוב מוחל באופן אוטומטי. עבור רוב השימושים העסקיים - דקות, כיתובים, ארכיונים הניתנים לחיפוש - זה בדיוק מה שהמשתמשים רוצים.

אבל זרימות עבודה מסוימות תלויות ברשומות מילה במילה. הצהרות משפטיות, סקירות ציות ובדיקת עובדות עיתונאיות מחייבות לפעמים לדעת בדיוק מה נאמר, כולל היסוסים. ארגונים בתעשיות מוסדרות ירצו בבירור כמה מההחלקה היא אופציונלית וניתנת להגדרה לפני העברת צינורות רגישים למודל החדש. התיעוד והפרמטרים של ה-API של גוגל יקבעו למעשה היכן יושב הקו מילה במילה לעומת המלוטש עבור התעשייה.

טביעת רגל רב-לשונית כ-Moat

כיסוי של יותר מ-85 שפות עם זיהוי אוטומטי אינו רק פריט רשימת תכונות. טווח הגעה רב-לשוני מרכז את הערך בשווקים שבהם מתחרים בפיגור היסטורי: מבטאים אזוריים, החלפת קוד בין שפות באמצע המשפט ושפות עם משאבים נמוכים, כל אלה מענישים מודלים שהוכשרו בצורה צרה על גופים כבדים באנגלית.

עבור ארגונים גלובליים המנהלים מרכזי תמיכה בעשרות מדינות, מודל יחיד המטפל בזיהוי שפות מפחית באופן שקוף את מורכבות האינטגרציה - צינור אחד במקום תצורות רבות לכל שוק. בשילוב עם הפצה באמצעות מיליארדי התקנות אנדרואיד של Gboard, גוגל ממקמת רב ​​לשוניות באיכות תמלול כתשתית ולא כיכולת פרימיום.

במה לצפות

שלושה אותות יראו אם Gemini 3.5 Transcribe משנה נתח שוק או רק מעלה ציפיות: הגירת מפתחים במדדים של צד שלישי במהלך החודשים הקרובים; באיזו מהירות יריבים תואמים את מספרי ההשהיה ולא את טענות הדיוק; והאם הוקס המתקשרים לפונקציות מולידים גל של סוכני קול-ראשון שנבנו באופן מקורי על תאומים. ההשקה חיה כעת, ושכבות התמחור דרך AI Studio אמורות להפוך את הניסויים לזולים מספיק כדי שעלויות ההחלפה ירדו כמעט לכלום.

---

Stay Ahead of AI

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

Read more AI news →