Google បានដាក់ឱ្យដំណើរការ Gemini 3.5 Transcribe ដែលជាគំរូការនិយាយទៅអត្ថបទថ្មីមួយដែលបង្កើតឡើងសម្រាប់ការចម្លងតាមពេលវេលាជាក់ស្តែងដែលទទួលស្គាល់ច្រើនជាង 85 ភាសា ដោយស្វ័យប្រវត្តិ — និងធ្វើឱ្យលទ្ធផលចេញមកតាមវិធី ដកពាក្យបំពេញ និងកែតម្រូវពាក្យសំដីដោយមិនចាំបាច់សួរ។

ការបើកដំណើរការនេះដាក់ទីតាំងការនិយាយរបស់ Google ជាអ្នកប្រកួតប្រជែងដោយផ្ទាល់នៅក្នុងទីផ្សារប្រតិចារិកដែលកំពុងរីកចម្រើនយ៉ាងឆាប់រហ័ស ដែលភាពត្រឹមត្រូវនិងភាពយឺតយ៉ាវកាន់តែខ្លាំងឡើងក្នុងការសម្រេចចិត្តថាតើអ្នកអភិវឌ្ឍន៍សេវាកម្មណាដែលទទួលយកសម្រាប់ការហៅទូរសព្ទ ការប្រជុំ ចំណងជើង និងចំណុចប្រទាក់សំឡេង។ For more context on this story, see our ongoing AI news.

អ្វីដែលគំរូអាចធ្វើបាន

យោងតាមការប្រកាសរបស់ Google ការគ្របដណ្តប់ដែលត្រូវបានបោះពុម្ពដោយ The Decoder, Gemini 3.5 Transcribe ល្អលើសពីការបំប្លែងពាក្យនិយាយទៅជាអត្ថបទ៖

  • ការរកឃើញភាសាដោយស្វ័យប្រវត្តិ នៅទូទាំង 85 ភាសាបូក ដោយមិនតម្រូវឱ្យមានការកំណត់រចនាសម្ព័ន្ធ
  • ការដកពាក្យបំពេញ ការសម្អាត "um" "uh" និងភាពមិនច្បាស់លាស់ស្រដៀងគ្នា
  • ការកែអណ្តាតអណ្តាត បង្កើតសុភាសិតដែលអាចអានបានជាជាងសំលេងរំខានពាក្យសំដី
  • ការធ្វើទ្រង់ទ្រាយអត្ថបទដោយស្វ័យភាព រួមទាំងវណ្ណយុត្តិ និងរចនាសម្ព័ន្ធ

ក្រុមហ៊ុនរាយការណ៍អំពីអត្រាកំហុសពាក្យ 4.0 ភាគរយសម្រាប់ការផ្សាយអូឌីយ៉ូ និង 2.6 ភាគរយសម្រាប់ការថតសំឡេង រួមជាមួយ ការកាត់បន្ថយភាពយឺតយ៉ាវប្រហែល 70 ភាគរយធៀបនឹងអ្នកកាន់តំណែងមុន Chirp 3 — រឹមដ៏ច្រើននៅក្នុងសេណារីយ៉ូដាក់ចំណងជើងបន្តផ្ទាល់ ដែលការពន្យារពេលបំបែកការសន្ទនា។

ចំណុចប្រទាក់ពីរសម្រាប់ការងារពីរ

អ្នកអភិវឌ្ឍន៍ទទួលបានការចូលប្រើតាមរយៈចំណុចប្រទាក់កម្មវិធីកម្មវិធីផ្សេងគ្នាពីរ៖

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

គ្រប់គ្រងការផ្សាយតាមពេលវេលាជាក់ស្តែងជាមួយនឹងភាពយឺតយ៉ាវទាប កំណត់គោលដៅចំណងជើងបន្តផ្ទាល់ ភ្នាក់ងារសំឡេង និងជំនួយការអន្តរកម្ម ដែលពេលវេលាឆ្លើយតបមានសារៈសំខាន់បំផុត។

Interactions API — `gemini-3.5-transcribe`

ដំណើរការដែលបានកត់ត្រាជាសំឡេង និងត្រឡប់ប្រតិចារិកជាមួយនឹងគុណលក្ខណៈរបស់វាគ្មិន និងត្រាពេលវេលា — ដំណើរការធម្មតាសម្រាប់កិច្ចប្រជុំ ការសម្ភាសន៍ ផតខាស និងប្រព័ន្ធផ្សព្វផ្សាយក្រោយការផលិត។

លើសពីការចម្លង ម៉ូដែលនេះគាំទ្រ ការហៅមុខងារ មានន័យថាវាអាចផ្ទេរភារកិច្ចតាមដានទៅឱ្យម៉ូដែលផ្សេងទៀតនៅក្នុងគ្រួសារ Gemini — ឧទាហរណ៍ បង្កើតសំណើបង្កើតរូបភាព ឬការស្វែងរកតាមអ៊ីនធឺណិតដោយផ្អែកលើអ្វីមួយដែលបាននិយាយក្នុងអំឡុងពេលវគ្គមួយ។ វាប្រែក្លាយម៉ាស៊ីនប្រតិចារិកទៅជាស្រទាប់ចំណុចប្រទាក់ដែលអាចគ្រប់គ្រងបានសម្រាប់កម្មវិធីដែលដំណើរការដោយសំឡេង។

ការដឹកជញ្ជូនតាមផលិតផល Google រួចហើយ

គំរូនេះគឺស្ថិតនៅក្នុង Google AI Studio និងនៅលើ Gemini Enterprise Agent Platform សម្រាប់អ្នកអភិវឌ្ឍន៍ថ្ងៃនេះ។ Google ក៏បានភ្ជាប់វាទៅក្នុងផ្ទៃអ្នកប្រើប្រាស់ផងដែរ៖ Gboard នៅលើប្រព័ន្ធប្រតិបត្តិការ Android ប្រើវាតាមរយៈសមាសភាគខាងក្នុងដែលហៅថា Rambler សម្រាប់ការសរសេរតាមអាន កម្មវិធី Gemini នៅលើ macOS អនុវត្តវាចំពោះការបញ្ចូលសំឡេង ហើយការរួមបញ្ចូល Chrome ត្រូវបានគេគ្រោងនឹងធ្វើតាម។

ការចែកចាយនោះសំខាន់។ ការទទួលស្គាល់ការនិយាយធ្វើឱ្យមានកម្រិតរបស់វា ហើយការបង្កប់គំរូនៅក្នុងក្តារចុច កម្មវិធីកុំព្យូទ័រ និងកម្មវិធីរុករក ដាក់វានៅពីមុខអន្តរកម្មបញ្ចូលរាប់ពាន់លានជារៀងរាល់ថ្ងៃ — ខណៈពេលដែលផ្តល់ព័ត៌មានដល់រង្វិលជុំវាយតម្លៃដែលត្រូវការដើម្បីរក្សាអត្រាកំហុសដែលធ្លាក់លើការសង្កត់សំឡេង គ្រាមភាសា និងបរិយាកាសរំខាន។

ភាគហ៊ុនប្រកួតប្រជែងនៅក្នុង Speech AI

ប្រតិចារិកបានក្លាយជាសមរភូមិដ៏ប្រកួតប្រជែងមួយយ៉ាងស្ងប់ស្ងាត់ក្នុងចំណោមមន្ទីរពិសោធន៍ព្រំដែន និងអ្នកលក់ឯកទេសដូចគ្នា។ ការយល់ដឹងអំពីសុន្ទរកថាដែលមានភាពយឺតយ៉ាវត្រឹមត្រូវ និងត្រឹមត្រូវគឺជាសំបុត្រចូលប្រើប្រាស់សម្រាប់ផលិតផលភ្នាក់ងារដែលធ្វើសកម្មភាពលើពាក្យបញ្ជានិយាយ ភាពវៃឆ្លាតនៃកិច្ចប្រជុំសហគ្រាស លក្ខណៈពិសេសភាពងាយស្រួល និងស្វ័យប្រវត្តិកម្មសេវាកម្មអតិថិជនពហុភាសា។

តាមរយៈការផ្គូផ្គងការកែលម្អភាពយឺតយ៉ាវយ៉ាងខ្លាំងក្លាជាមួយនឹងលទ្ធផលកែតម្រូវដោយខ្លួនឯង Google កំពុងភ្នាល់ថាអ្នកអភិវឌ្ឍន៍ចូលចិត្តប្រតិចារិកដែលអានដូចជាអត្ថបទដែលបានកែសម្រួលជាជាងការចាប់យកតាមសូរសព្ទឆៅ — ជួញដូរពាក្យសំដីដ៏តឹងរឹងសម្រាប់ការប្រើប្រាស់។ ក្រុមដែលត្រូវការកំណត់ត្រាពិតប្រាកដ ដូចជាអ្នកចម្លងផ្នែកច្បាប់ ឬផ្នែកវេជ្ជសាស្ត្រ អាចនៅតែចង់បានទម្រង់ពាក្យសំដី។ សម្រាប់មនុស្សគ្រប់គ្នា ភាពខុសគ្នាជាក់ស្តែងរវាងការស្តាប់នរណាម្នាក់ និងការយល់ដឹងពួកគេបន្តរួមតូច។

ជាមួយនឹង Gemini 3.5 ប្រតិចារឹកឥឡូវនេះជាទូទៅមាននៅក្នុង AI Studio និងឧបករណ៍សហគ្រាស ការសាកល្បងដ៏មានអត្ថន័យដំបូងនឹងជាមាត្រដ្ឋាននៃការទទួលយកពីអ្នកបង្កើតភ្នាក់ងារសំឡេង ដែលជាផ្នែកទីផ្សារដែលរីកចម្រើនយ៉ាងឆាប់រហ័សដែលសូម្បីតែភាពត្រឹមត្រូវបន្ថែមក៏ប្រែក្លាយទៅជាការសម្រេចចិត្តប្តូរដ៏ធំ។

ហេតុអ្វីបានជា Latency គឺជាសមរភូមិពិត

អត្រាកំហុសទទួលបានចំណងជើង ប៉ុន្តែភាពយឺតយ៉ាវកំណត់ដោយស្ងាត់ស្ងៀមនូវផលិតផលណាដែលអាចដំណើរការបាន។ ម៉ាស៊ីនប្រតិចារឹកដែលផ្តល់ការត្រួតលើចំណងជើងបន្តផ្ទាល់ ត្រូវការដើម្បីរក្សាល្បឿនជាមួយនឹងការសន្ទនា ឬអ្នកមើលមិនចូលរួម។ ភ្នាក់ងារសំឡេងដែលចរចាការហៅទូរស័ព្ទជំនួយអតិថិជនមិនអាចផ្អាកដោយព្រងើយកន្តើយទេ ខណៈពេលដែលស្រទាប់និយាយរបស់វាចាប់ឡើង។ របស់ Google បានរាយការណ៍ពីការកាត់បន្ថយ 70 ភាគរយក្នុងការពន្យាពេលទាក់ទងទៅនឹង Chirp 3 គោលដៅយ៉ាងច្បាស់ថាគម្លាតនោះ - កាត់បន្ថយចម្ងាយរវាងវាគ្មិនដែលបញ្ចប់ប្រយោគ និងប្រព័ន្ធខាងក្រោមដែលធ្វើសកម្មភាពលើវា។

សម្រាប់កម្មវិធីភ្នាក់ងារ សមាសធាតុនេះ៖ រាល់វេននៃការសន្ទនាដែលនិយាយពាក់ព័ន្ធនឹងការទទួលស្គាល់ ហេតុផល និងការឆ្លើយតប។ ការកោរសក់រាប់មិល្លីវិនាទីពីដំណាក់កាលនៃការទទួលស្គាល់ផ្តល់ឱ្យអ្នកសាងសង់ក្នុងការចំណាយលើគំរូហេតុផលដែលមានសមត្ថភាពកាន់តែច្រើន - និងយឺតជាងមុនដោយមិនបំពានលើថវិកាពេលវេលានៃការសន្ទនា។

ការដោះដូរពាក្យសំដី

ជម្រើសរចនាមួយសមនឹងទទួលបានការត្រួតពិនិត្យ។ តាមលំនាំដើម Gemini 3.5 ប្រតិចារឹករក្សាលទ្ធផល៖ ពាក្យបំពេញបាត់ ការជំពប់ដួលត្រូវបានកែតម្រូវ ហើយការធ្វើទ្រង់ទ្រាយត្រូវបានអនុវត្តដោយស្វ័យប្រវត្តិ។ សម្រាប់ការប្រើប្រាស់អាជីវកម្មភាគច្រើន — នាទី ចំណងជើង បណ្ណសារដែលអាចស្វែងរកបាន — នោះជាអ្វីដែលអ្នកប្រើចង់បាន។

ប៉ុន្តែលំហូរការងារជាក់លាក់អាស្រ័យលើកំណត់ត្រាពាក្យសំដី។ ការទុកដាក់ផ្នែកច្បាប់ ការត្រួតពិនិត្យការអនុលោមភាព និងការត្រួតពិនិត្យការពិតតាមសារព័ត៌មាន ជួនកាលទាមទារឱ្យដឹងច្បាស់នូវអ្វីដែលបាននិយាយ រួមទាំងការស្ទាក់ស្ទើរផងដែរ។ អង្គការនៅក្នុងឧស្សាហកម្មដែលមាននិយតកម្មនឹងចង់បានភាពច្បាស់លាស់អំពីចំនួននៃការរលោងគឺស្រេចចិត្ត និងអាចកំណត់រចនាសម្ព័ន្ធបាន មុនពេលផ្ទេរបំពង់ដែលងាយរងគ្រោះទៅម៉ូដែលថ្មី។ ឯកសារ និងប៉ារ៉ាម៉ែត្រ API របស់ Google នឹងកំណត់យ៉ាងមានប្រសិទ្ធភាពនូវកន្លែងដែលបន្ទាត់ពាក្យសំដី ទល់នឹង ប៉ូលា ស្ថិតនៅសម្រាប់ឧស្សាហកម្មនេះ។

ស្នាមជើងពហុភាសាជាគូ

ការគ្របដណ្តប់នៃ 85 ភាសាបូកជាមួយនឹងការរកឃើញដោយស្វ័យប្រវត្តិគឺមិនមែនគ្រាន់តែជាធាតុត្រួតពិនិត្យលក្ខណៈពិសេសប៉ុណ្ណោះទេ។ ការឈានដល់ពហុភាសាផ្តោតសំខាន់លើតម្លៃនៅក្នុងទីផ្សារដែលគូប្រជែងជាប្រវត្តិសាស្ត្រមានភាពយឺតយ៉ាវ៖ ការសង្កត់សំឡេងតាមតំបន់ ការប្តូរកូដរវាងភាសាពាក់កណ្តាលប្រយោគ និងភាសាដែលមានធនធានទាប សុទ្ធតែដាក់ទោសគំរូដែលបានបណ្តុះបណ្តាលយ៉ាងតូចចង្អៀតលើសាជីវកម្មភាសាអង់គ្លេស។

សម្រាប់សហគ្រាសសកលដែលដំណើរការមជ្ឈមណ្ឌលគាំទ្រនៅទូទាំងប្រទេសរាប់សិបប្រទេស ការរកឃើញភាសាដែលគ្រប់គ្រងគំរូតែមួយកាត់បន្ថយភាពស្មុគស្មាញនៃការរួមបញ្ចូល — បំពង់មួយជំនួសឱ្យការកំណត់រចនាសម្ព័ន្ធទីផ្សារជាច្រើន។ គួបផ្សំជាមួយនឹងការចែកចាយតាមរយៈការដំឡើង Android រាប់ពាន់លានរបស់ Gboard Google កំពុងកំណត់គុណភាពនៃការចម្លងពហុភាសាជាហេដ្ឋារចនាសម្ព័ន្ធជាជាងសមត្ថភាពពិសេស។

អ្វីដែលត្រូវមើល

សញ្ញាចំនួនបីនឹងបង្ហាញថាតើ Gemini 3.5 ប្រតិចារឹកផ្លាស់ប្តូរចំណែកទីផ្សារ ឬគ្រាន់តែបង្កើនការរំពឹងទុក៖ ការធ្វើចំណាកស្រុករបស់អ្នកអភិវឌ្ឍន៍នៅក្នុងតារាងពិន្ទុភាគីទីបីក្នុងរយៈពេលប៉ុន្មានខែខាងមុខនេះ។ របៀបដែលគូប្រជែងត្រូវគ្នានឹងលេខ latency ជាជាងការអះអាងអំពីភាពត្រឹមត្រូវ។ ហើយថាតើទំពក់ហៅមុខងារបង្កើតរលកនៃភ្នាក់ងារសំឡេងដំបូងដែលបង្កើតឡើងនៅលើ Gemini ដែរឬទេ។ ការបើកដំណើរការឥឡូវនេះកំពុងផ្សាយបន្តផ្ទាល់ ហើយកម្រិតតម្លៃតាមរយៈ AI Studio គួរតែធ្វើឱ្យការពិសោធន៍មានតម្លៃថោកគ្រប់គ្រាន់ ដែលការចំណាយលើការផ្លាស់ប្តូរធ្លាក់ចុះស្ទើរតែគ្មានអ្វីសោះ។

---

Stay Ahead of AI

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

Read more AI news →