Google wis ngluncurake Gemini 3.5 Transcribe, model wicara-kanggo-teks anyar sing dibangun kanggo transkripsi wektu nyata sing ngenali luwih saka 85 basa kanthi otomatis — lan polesan output ing sadawane dalan, ngilangi tembung pangisi lan mbenerake kesandhung lisan tanpa dijaluk.

Peluncuran kasebut ndadekake tumpukan wicara Google minangka penantang langsung ing pasar transkripsi sing berkembang kanthi cepet, ing ngendi akurasi lan latensi tambah akeh mutusake pangembang layanan sing digunakake kanggo telpon, rapat, caption, lan antarmuka swara. For more context on this story, see our ongoing latest AI developments.

Apa Model Bisa Nggawe

Miturut woro-woro Google, jangkoan sing diterbitake dening The Decoder, Gemini 3.5 Transcribe ngluwihi ngowahi tembung sing diucapake dadi teks:

  • Deteksi basa otomatis ing luwih saka 85 basa, tanpa konfigurasi sing dibutuhake
  • Mbusak tembung pangisi, ngresiki "um," "uh," lan disfluencies padha
  • Koreksi lesaning lathi, ngasilake prosa sing bisa diwaca tinimbang swara verbatim
  • Format teks otonom, kalebu tanda baca lan struktur

Perusahaan kasebut nglaporake tingkat kesalahan tembung 4.0 persen kanggo streaming audio lan 2.6 persen kanggo audio sing direkam , bebarengan karo pangurangan latensi kira-kira 70 persen dibandhingake karo sing sadurunge, Chirp 3 - wates gedhe ing skenario captioning langsung ing ngendi wektu tundha ngilangi obrolan.

Loro Antarmuka kanggo Loro Proyek

Pangembang entuk akses liwat rong antarmuka pemrograman aplikasi sing béda:

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

Nangani streaming wektu nyata kanthi latensi sing sithik, nargetake katrangan langsung, agen swara, lan asisten interaktif ing ngendi wektu nanggepi paling penting.

Interaksi API — `gemini-3.5-transcribe`

Proses rekaman audio lan ngasilake transkrip kanthi atribusi speaker lan cap wektu - alur kerja sing khas kanggo rapat, wawancara, podcast, lan pasca produksi media.

Ngluwihi transkripsi, model ndhukung panggilan fungsi , tegese bisa utusan tugas tindakake-munggah menyang model liyane ing kulawarga Gemini - contone micu panjalukan generasi gambar utawa panelusuran web adhedhasar soko ngandika sak sesi. Sing ngowahi mesin transkrip dadi lapisan antarmuka sing bisa dikontrol kanggo aplikasi sing didorong swara.

Wis Kirim ing Produk Google

Model kasebut urip ing Google AI Studio lan ing Gemini Enterprise Agent Platform kanggo pangembang saiki. Google uga wis nyambungake menyang permukaan konsumen: Gboard ing Android nggunakake liwat komponen internal sing diarani Rambler kanggo dikte, aplikasi Gemini ing macOS ditrapake kanggo input swara, lan integrasi Chrome bakal diterusake.

Sing penting distribusi. Pangenalan wicara entuk tetep ing skala, lan nampilake model ing keyboard, aplikasi desktop, lan browser nempatake ing ngarep milyaran interaksi input saben dina - nalika menehi puteran evaluasi sing dibutuhake kanggo njaga tingkat kesalahan ing aksen, dialek, lan lingkungan sing rame.

Stake Kompetitif ing Speech AI

Transkripsi kanthi tenang dadi medan perang sing kompetitif ing antarane laboratorium perbatasan lan vendor spesialis. Pemahaman wicara sing akurat lan kurang laten yaiku tiket mlebu kanggo produk agen sing tumindak miturut prentah sing diucapake, intelijen rapat perusahaan, fitur aksesibilitas, lan otomatisasi layanan pelanggan multibahasa.

Kanthi masangake dandan latensi sing agresif karo output sing mbenerake dhewe, Google nganggep manawa pangembang luwih milih transkrip sing diwaca kaya teks sing diowahi tinimbang panangkepan fonetik mentah - dagang kesetiaan verbatim sing ketat kanggo kegunaan. Tim sing mbutuhake cathetan sing tepat, kayata transcriber legal utawa medis, bisa uga pengin mode verbatim; kanggo wong liya, prabédan praktis antarane krungu wong lan pangerten wong terus sempit.

Kanthi Gemini 3.5 Transcribe saiki umume kasedhiya ing AI Studio lan piranti perusahaan, tes sing penting pisanan yaiku metrik adopsi saka pangembang agen swara - segmen pasar sing tuwuh kanthi cepet, sanajan asil akurasi tambahan diterjemahake dadi keputusan ganti sing cukup gedhe.

Napa Latency minangka Medan Pertempuran Nyata

Tingkat kesalahan entuk berita utama, nanging latensi kanthi tenang nemtokake produk endi sing layak. Mesin transkripsi sing nyedhiyakake overlay caption langsung kudu tetep karo pacelathon, utawa pamirso dipisahake. A agen swara rembugan telpon dhukungan pelanggan ora bisa ngaso awkwardly nalika lapisan wicara sawijining nyekel munggah. Google nglaporake pengurangan 70 persen ing wektu tundha relatif marang target Chirp 3 sabenere jurang kasebut - nyepetake jarak antarane penutur sing ngrampungake ukara lan sistem hilir sing tumindak.

Kanggo aplikasi agen iki senyawa iki: saben giliran dialog sing diucapake kalebu pangenalan, penalaran, lan respon. Milliseconds cukur saka tataran pangenalan menehi tukang bangunan headroom kanggo nglampahi ing liyane saged - lan luwih alon - model pertimbangan tanpa nerak budgeting wektu conversational.

The Verbatim Trade-Off

Siji pilihan desain pantes diteliti. Kanthi gawan, Gemini 3.5 Transcribe ngatur output: tembung pangisi ilang, kesandhung didandani, lan format ditrapake kanthi otomatis. Kanggo umume panggunaan bisnis - menit, katrangan, arsip sing bisa digoleki - pancen kaya sing dikarepake pangguna.

Nanging alur kerja tartamtu gumantung marang cathetan verbatim. Deposisi hukum, ulasan kepatuhan, lan pamriksa fakta jurnalistik kadhangkala mbutuhake ngerti persis apa sing diomongake, kalebu ragu-ragu. Organisasi ing industri sing diatur bakal pengin kajelasan babagan jumlah smoothing sing opsional lan bisa dikonfigurasi sadurunge migrasi pipa sensitif menyang model anyar. Dokumentasi Google lan paramèter API bakal nyetel kanthi efektif ing ngendi baris verbatim-versus-polesan kanggo industri kasebut.

Jejak Multilingual minangka Moat

Cakupan luwih saka 85 basa kanthi deteksi otomatis ora mung minangka item dhaptar fitur. Jangkauan multibasa konsentrasi nilai ing pasar sing pesaing historis ketinggalan: aksen regional, alih kode ing antarane basa ing tengah-tengah kalimat, lan basa sing kurang sumber kabeh ngukum model sing dilatih kanthi sempit babagan korpora sing abot ing Inggris.

Kanggo perusahaan global sing mbukak pusat dhukungan ing puluhan negara, model siji sing nangani deteksi basa kanthi transparan nyuda kerumitan integrasi - siji pipa tinimbang akeh konfigurasi saben pasar. Digabungake karo distribusi liwat milyaran instalasi Android Gboard, Google nempatake multibahasa kualitas transkripsi minangka infrastruktur tinimbang kemampuan premium.

Apa kanggo Watch

Telung sinyal bakal nuduhake apa Gemini 3.5 Transcribe ngganti pangsa pasar utawa mung mundhakaken pangarepan: migrasi pangembang ing benchmarks pihak katelu liwat sasi teka; sepira cepet saingan cocog karo nomer latensi tinimbang klaim akurasi; lan apa pancingan fungsi-nelpon ngasilake gelombang agen swara-pisanan dibangun native ing Gemini. Peluncuran saiki langsung, lan tingkat rega liwat AI Studio kudu nggawe eksperimen cukup murah supaya biaya ngoper meh ora ana.

---

Stay Ahead of AI

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

Read more AI news →