Google diam-diam mengirimkan dua pembaruan model Gemini yang signifikan dalam waktu 48 jam minggu ini, dan keduanya ditujukan tepat untuk pengembang yang membangun aplikasi produksi. Gemini 3.5 Transcribe, yang diperkenalkan pada 26 Agustus, adalah model ucapan-ke-teks paling tepat dari perusahaan hingga saat ini, menurut blog resmi Google. Gemini Omni 1.1 Flash, diumumkan pada 27 Agustus, menghadirkan kontrol tingkat profesional ke video generatif, termasuk ekstensi adegan hingga 40 detik dan peningkatan 4K. Kedua model tersedia melalui Gemini API di Google AI Studio dan Gemini Enterprise Agent Platform.
Gemini 3.5 Transkripsikan: ucapan-ke-teks yang membersihkan dirinya sendiri For more context on this story, see our ongoing breaking AI news.
Apa yang membedakan Gemini 3.5 Transcribe dari pengenalan suara konvensional, kata Google, adalah ia mengubah audio mentah langsung menjadi teks yang diformat dan dipoles, bukan transkrip mentah. Model ini menangani kebisingan latar belakang, jargon yang rumit, dan pembersihan ketidakfasihan secara asli — model ini menghilangkan kata-kata pengisi seperti "ums" dan "ahs", menyelesaikan koreksi mandiri seperti "mari kita bertemu hari Selasa—tidak, Rabu", dan memformat keluaran secara otomatis.
Angka-angka benchmark yang dikutip Google sangatlah penting. Sebagaimana diukur dengan Analisis Buatan, model ini mencapai tingkat kesalahan kata (WER) rata-rata sebesar 4,0 persen untuk kasus penggunaan streaming dan 2,6 persen untuk audio non-streaming. Pada tolok ukur multibahasa FLEURS di berbagai bahasa teratas, ia memposting 5,50 persen WER dalam mode streaming dan 5,04 persen non-streaming, yang merupakan peningkatan dari model transkripsi Google sebelumnya, Chirp 3. Waktu untuk transkripsi akhir meningkat sebesar 70 persen dibandingkan dengan Chirp 3, sekali lagi diukur dengan Analisis Buatan.
Model ini dikirimkan dalam dua varian untuk dua alur kerja. Untuk aplikasi langsung, `gemini-3.5-transcribe-live` menghadirkan streaming dua arah berkelanjutan dengan latensi subdetik melalui Live API, menargetkan agen suara dan teks waktu nyata. Untuk rekaman audio — rapat, log panggilan, arsip — `gemini-3.5-transcribe` menawarkan atribusi pembicara hingga tiga pembicara (dengan dukungan lebih banyak lagi dalam mode eksperimental) dan stempel waktu tingkat kata melalui API Interaksi.
Kemampuan lainnya mencakup deteksi dan transkripsi otomatis di lebih dari 85 bahasa dengan penanganan aksen dan dialek, serta dukungan kosakata khusus sehingga model beradaptasi dengan jargon khusus dan ejaan unik. Google juga memberikan semacam model mata: melalui pemanggilan fungsi, Google dapat mendelegasikan tugas seperti pembuatan gambar atau analisis file ke model Gemini lainnya — fitur yang saat ini tersedia di aplikasi Gemini di macOS.
Gemini Omni 1.1 Flash: pembuatan video menambah garis waktu
Peluncuran kedua ini menjawab keluhan paling umum mengenai video AI: kontrol. Gemini Omni 1.1 Flash adalah pembaruan yang berfokus pada produksi yang membuat video generatif dapat dikontrol dengan cara yang tidak dilakukan pendahulunya, dengan manajer produk Google DeepMind Anish Nangia dan Alisa Fortin menggambarkan rilis tersebut sebagai menjadikan Omni 1.1 "siap produksi untuk penggunaan profesional."
Ekstensi pemandangan adalah fitur utama. Pengembang kini dapat terus menghasilkan rekaman dengan lancar dari klip yang sudah ada, dengan model menganalisis konteks sebelumnya hingga 10 detik — sebuah lompatan dari model sebelumnya yang hanya merujuk pada detik terakhir. Video dapat diperpanjang dalam kelipatan 10 detik hingga durasi kumulatif 40 detik, sehingga meningkatkan konsistensi visual dan kepatuhan narasi untuk cerita yang lebih panjang.
Pembaruan ini juga menambahkan interpolasi bingkai pertama dan terakhir, sehingga memungkinkan pengembang menentukan bingkai awal dan akhir untuk menciptakan pergerakan kamera yang mulus dan disengaja serta transisi antar pengambilan gambar. Untuk pengiriman, proyek yang sudah selesai dapat ditingkatkan ke resolusi 4K, sementara mode pratinjau 360p memungkinkan pembuat konten mengulangi perintah dengan cepat dan murah sebelum melakukan rendering akhir.
Dari API hingga permukaan sehari-hari
Google juga memasukkan kedua model tersebut ke dalam produk konsumennya, yang menunjukkan keunggulan distribusinya. Di Android, fitur "Rambler" baru di Gboard menggunakan Transkrip 3.5 untuk mengubah pemikiran lisan menjadi teks berformat baik sambil memfilter kata pengisi — pengguna bahkan dapat mengedit dengan suara. Model ini juga mendukung dikte di aplikasi Gemini di macOS, bekerja berdampingan dengan konteks layar di Google Antigravity, dan diintegrasikan ke dalam Chrome.
Bagi pengembang, kedua peluncuran ini dianggap sebagai satu strategi: Google mendorong Gemini dari chatbot yang Anda ajak bicara ke dalam infrastruktur yang melihat, mendengar, dan memproduksi media. Dengan OpenAI, ElevenLabs, dan sekelompok startup video yang bersaing di wilayah yang sama, tingkat kesalahan kata sebesar 2,6 persen dan adegan koheren berdurasi 40 detik merupakan tawaran pembuka Google untuk beban kerja produksi yang benar-benar menghasilkan pendapatan — agen suara, saluran teks, dan alat kreatif. Pengembang dapat mulai membangun kedua model tersebut di Google AI Studio sekarang juga.
Mengapa tingkat kesalahan kata masih penting
Tingkat kesalahan kata terdengar seperti statistik akademis, namun dalam produksi, ini adalah perbedaan antara produk suara yang berhasil dan yang membuat frustrasi. Setiap ucapan yang disalahpahami dalam agen suara merusak tugas: ID pesanan yang salah dengar memicu pencarian yang gagal, alamat yang kacau mengirim paket ke kota yang salah. Itulah sebabnya kesenjangan antara 2,6 persen WER pada audio non-streaming dan tingkat satu digit tinggi yang umum pada generasi model lalu menjadi perbedaan besar dalam kegunaan.
Perbedaan antara dua mode yang dilaporkan Google juga penting bagi para arsitek. Transkripsi streaming — angka WER sebesar 4,0 persen — memperdagangkan akurasi untuk latensi subdetik, yang diperlukan dalam kasus penggunaan interaktif seperti agen suara langsung. Transkripsi batch dari rekaman audio berjalan lebih lambat namun mencapai 2,6 persen, itulah sebabnya analisis pasca-panggilan dan pemrosesan arsip bisa menjadi lebih menuntut. Keputusan Google untuk mengekspos keduanya sebagai titik akhir model yang terpisah dan bukan sebagai satu pengaturan yang dapat disesuaikan, mengakui bahwa pengembang membuat produk yang berbeda di kedua sisi dari trade-off tersebut.
Alur kerja berjenjang untuk produksi video
Pembaruan Omni 1.1 Flash juga sama pragmatisnya mengenai bagaimana karya kreatif sebenarnya terjadi. Video generatif membutuhkan biaya yang mahal untuk diulang: setiap eksperimen yang cepat berarti rendering penuh. Mode pratinjau 360p baru memisahkan eksplorasi dari penayangan, memungkinkan pembuat konten menelusuri variasi cepat dengan harga murah dan hanya membayar untuk peningkatan 4K pada gambar yang bertahan dalam peninjauan.
Mekanisme perluasan adegan mengatasi masalah koherensi yang membuat video AI tetap berada di ghetto berukuran klip. Dengan menganalisis 10 detik konteks sebelumnya, bukan hanya bingkai akhir, model dapat memperluas adegan dalam peningkatan 10 detik hingga 40 detik sambil menjaga karakter, pencahayaan, dan gaya visual tetap konsisten. Dikombinasikan dengan interpolasi bingkai pertama dan terakhir — yang memberi editor titik kontrol deterministik, penanda jalan masuk dan keluar berfungsi dalam pengeditan konvensional — rekaman yang dihasilkan AI mulai masuk ke dalam alur pascaproduksi yang sebenarnya alih-alih menggantikannya secara grosir.
Gambaran kompetitif
Kedua peluncuran tersebut memposisikan Google sebagai infrastruktur dan bukan tujuan. Dalam pidatonya, Google mengambil alih vendor transkripsi khusus dan voice stack dari pesaing cloud-nya dengan menggabungkan akurasi canggih ke dalam API Gemini yang sudah digunakan oleh pengembangnya. Dalam video, mereka bersaing di pasar yang penuh dengan startup yang memiliki pendanaan besar dengan menekankan kontrol dan integrasi alur kerja dibandingkan tontonan mentah.
Keuntungan distribusi mungkin menjadi faktor penentu. Model transkripsi yang sama yang dapat digunakan oleh pengembang dari API Gemini telah mendukung dikte Rambler Gboard di Android, aplikasi Gemini di macOS, Google Antigravity, dan Chrome — yang berarti Google dapat mengamortisasi pengembangan model di miliaran interaksi pengguna sambil mengumpulkan beragam audio dunia nyata yang terus menyempurnakannya. Bagi pengembang yang memilih tumpukan pidato atau video pada tahun 2026, roda gila tersebut kini menjadi bagian dari promosi.
---
Stay Ahead of AIGet the latest AI news, analysis, and breakthroughs — all in one place.
Read more AI news →
