Google ने जेमिनी ३.५ ट्रान्स्क्राइब लाँच केले आहे, जे रीअल-टाइम ट्रान्सक्रिप्शनसाठी तयार केलेले नवीन स्पीच-टू-टेक्स्ट मॉडेल जे 85 पेक्षा जास्त भाषा स्वयंचलितपणे ओळखते — आणि आउटपुटला पॉलिश करते, फिलर शब्द काढून टाकते आणि न विचारता तोंडी अडखळते दुरुस्त करते.
लाँचने Google च्या स्पीच स्टॅकला वेगाने वाढणाऱ्या ट्रान्सक्रिप्शन मार्केटमध्ये थेट आव्हानकर्ता म्हणून स्थान दिले आहे, जेथे अचूकता आणि लेटन्सी विकासक कॉल, मीटिंग, मथळे आणि व्हॉइस इंटरफेससाठी कोणत्या सेवांचा अवलंब करतात हे ठरवते. For more context on this story, see our ongoing AI trends.
मॉडेल काय करू शकते
Google च्या घोषणेनुसार, ज्याचे कव्हरेज द डीकोडरने प्रकाशित केले होते, जेमिनी 3.5 ट्रान्स्क्राइब हे बोललेल्या शब्दांना मजकूरात रूपांतरित करण्यापलीकडे आहे:
- 85-पेक्षा जास्त भाषांमध्ये स्वयंचलित भाषा ओळख**, कोणत्याही कॉन्फिगरेशनची आवश्यकता नाही
- फिलर शब्द काढणे, "उम," "उह," आणि तत्सम विसंगती साफ करणे
- जीभेच्या स्लिप्सची दुरुस्ती, शब्दशः आवाजापेक्षा वाचनीय गद्य तयार करणे
- स्वायत्त मजकूर स्वरूपन, विरामचिन्हे आणि संरचनेसह
कंपनीने स्ट्रीमिंग ऑडिओसाठी 4.0 टक्के आणि रेकॉर्ड केलेल्या ऑडिओसाठी 2.6 टक्के शब्द त्रुटी दर नोंदवला आहे, सोबतच तिच्या पूर्ववर्ती, Chirp 3** च्या तुलनेत अंदाजे 70 टक्के लेटन्सी कपात केली आहे — लाइव्ह कॅप्शनिंग परिस्थितींमध्ये लक्षणीय फरक जेथे विलंबाने संभाषणे खंडित होतात.
दोन कामांसाठी दोन इंटरफेस
विकसकांना दोन वेगळ्या ऍप्लिकेशन प्रोग्रामिंग इंटरफेसद्वारे प्रवेश मिळतो:
Live API — `gemini-3.5-transscribe-live`
रिअल-टाइम स्ट्रीमिंग अत्यंत कमी विलंबतेसह हाताळते, थेट मथळे, व्हॉइस एजंट आणि परस्पर सहाय्यकांना लक्ष्य करते जेथे प्रतिसाद वेळ सर्वात महत्त्वाचा असतो.परस्परसंवाद API — `gemini-3.5-transscribe`
रेकॉर्ड केलेला ऑडिओ प्रक्रिया करते आणि स्पीकर ॲट्रिब्युशन आणि टाइमस्टॅम्पसह प्रतिलेख परत करते — मीटिंग, मुलाखती, पॉडकास्ट आणि मीडिया पोस्ट-प्रॉडक्शनसाठी वैशिष्ट्यपूर्ण कार्यप्रवाह.ट्रान्सक्रिप्शनच्या पलीकडे, मॉडेल फंक्शन कॉलिंग ला समर्थन देते, याचा अर्थ ते जेमिनी कुटुंबातील इतर मॉडेल्सना फॉलो-अप कार्ये सोपवू शकते — उदाहरणार्थ प्रतिमा निर्मिती विनंती ट्रिगर करणे किंवा सत्रादरम्यान सांगितलेल्या गोष्टीवर आधारित वेब शोध. ते व्हॉइस-चालित ऍप्लिकेशन्ससाठी ट्रान्सक्रिप्ट इंजिनला कंट्रोल करण्यायोग्य इंटरफेस लेयरमध्ये बदलते.
आधीपासून Google उत्पादनांवर शिपिंग सुरू आहे
मॉडेल आज Google AI स्टुडिओ आणि जेमिनी एंटरप्राइझ एजंट प्लॅटफॉर्म वर डेव्हलपरसाठी लाइव्ह आहे. Google ने ते ग्राहकांच्या पृष्ठभागावर देखील वायर्ड केले आहे: Android वर Gboard हे रॅम्बलर नावाच्या अंतर्गत घटकाद्वारे श्रुतलेखनासाठी वापरते, macOS वर जेमिनी ॲप ते व्हॉइस इनपुटवर लागू करते आणि Chrome इंटिग्रेशन फॉलो करायचे आहे.
ते वितरण महत्त्वाचे आहे. उच्चार, बोलीभाषा आणि गोंगाटाच्या वातावरणात त्रुटी दर कमी ठेवण्यासाठी आवश्यक मूल्यमापन लूप पुरवताना उच्चार ओळखणे हे त्याचे प्रमाण वाढवते आणि कीबोर्ड, डेस्कटॉप ॲप्स आणि ब्राउझरमध्ये मॉडेल एम्बेड केल्याने ते दररोज कोट्यवधी इनपुट परस्परसंवादांसमोर येते.
स्पीच AI मध्ये स्पर्धात्मक स्टेक्स
ट्रान्सक्रिप्शन शांतपणे फ्रंटियर लॅब आणि विशेषज्ञ विक्रेत्यांमध्ये एक स्पर्धात्मक रणांगण बनले आहे. अचूक, कमी लेटन्सी स्पीच समजून घेणे हे एजंटिक उत्पादनांचे प्रवेश तिकीट आहे जे बोललेल्या आज्ञा, एंटरप्राइझ मीटिंग इंटेलिजन्स, प्रवेशयोग्यता वैशिष्ट्ये आणि बहुभाषिक ग्राहक सेवा ऑटोमेशनवर कार्य करतात.
स्वयं-सुधारित आउटपुटसह आक्रमक लेटन्सी सुधारणेची जोडणी करून, Google हे पैज लावत आहे की डेव्हलपर कच्च्या ध्वन्यात्मक कॅप्चर ऐवजी संपादित केलेल्या मजकुराप्रमाणे वाचणाऱ्या प्रतिलेखांना प्राधान्य देतात — वापरण्यायोग्यतेसाठी कठोर शब्दशः निष्ठा व्यापार. कायदेशीर किंवा वैद्यकीय लिप्यंतरक यांसारख्या अचूक नोंदी आवश्यक असलेल्या संघांना अजूनही शब्दशः मोड हवे असतील; इतर प्रत्येकासाठी, एखाद्याचे ऐकणे आणि त्यांना समजून घेणे यामधील व्यावहारिक फरक कमी होत जातो.
जेमिनी 3.5 ट्रान्स्क्राइब सह आता सामान्यत: AI स्टुडिओ आणि एंटरप्राइझ टूलिंगमध्ये उपलब्ध आहे, पहिली अर्थपूर्ण चाचणी व्हॉईस-एजंट डेव्हलपर्सकडून दत्तक मेट्रिक्स असेल - एक बाजार विभाग इतका वेगाने वाढत आहे की वाढीव अचूकता लाभ देखील मोठ्या स्विचिंग निर्णयांमध्ये अनुवादित करते.
विलंब हेच खरे रणांगण का आहे
त्रुटी दरांना मथळे मिळतात, परंतु विलंबता शांतपणे कोणती उत्पादने व्यवहार्य आहेत हे निर्धारित करते. लाइव्ह कॅप्शन ओव्हरले फीड करणाऱ्या ट्रान्सक्रिप्शन इंजिनला संभाषणात गती ठेवणे आवश्यक आहे किंवा दर्शक विभक्त होणे आवश्यक आहे. ग्राहक समर्थन कॉलची वाटाघाटी करणारा व्हॉईस एजंट त्याचा स्पीच लेयर पकडत असताना अस्ताव्यस्तपणे थांबू शकत नाही. Google ने Chirp 3 लक्ष्यांच्या तुलनेत विलंबात 70 टक्के घट नोंदवली आहे - वाक्य पूर्ण करणारा स्पीकर आणि त्यावर कार्य करणाऱ्या डाउनस्ट्रीम सिस्टममधील अंतर कमी करणे.
एजंटिक अनुप्रयोगांसाठी हे संयुगे: बोललेल्या संवादाच्या प्रत्येक वळणात ओळख, तर्क आणि प्रतिसाद यांचा समावेश होतो. ओळखीच्या टप्प्यापासून मिलिसेकंद शेव्हिंग केल्याने बांधकाम व्यावसायिकांना संभाषणात्मक वेळेच्या बजेटचे उल्लंघन न करता अधिक सक्षम — आणि हळू — तर्कसंगत मॉडेल्सवर खर्च करण्यास मदत होते.
शब्दशः व्यापार-बंद
एक डिझाइन निवड छाननीस पात्र आहे. डीफॉल्टनुसार, जेमिनी ३.५ ट्रान्स्क्राइब क्युरेट्स आउटपुट: फिलर शब्द गायब होतात, अडखळतात दुरुस्त होतात आणि फॉरमॅटिंग आपोआप लागू होते. बऱ्याच व्यावसायिक वापरांसाठी — मिनिटे, मथळे, शोधण्यायोग्य संग्रह — वापरकर्त्यांना तेच हवे आहे.
परंतु काही कार्यप्रवाह शब्दशः रेकॉर्डवर अवलंबून असतात. कायदेशीर साक्षी, अनुपालन पुनरावलोकने आणि पत्रकारितेतील तथ्य-तपासणीसाठी काहीवेळा नेमके काय बोलले गेले हे जाणून घेणे आवश्यक आहे, यात संकोच समाविष्ट आहे. नवीन मॉडेलवर संवेदनशील पाइपलाइन स्थलांतरित करण्यापूर्वी नियमन केलेल्या उद्योगांमधील संस्थांना किती स्मूथिंग पर्यायी आणि कॉन्फिगर करण्यायोग्य आहे याबद्दल स्पष्टता हवी आहे. Google चे दस्तऐवजीकरण आणि API पॅरामीटर्स उद्योगासाठी शब्दशः-विरुद्ध-पॉलिश लाइन कुठे बसते हे प्रभावीपणे सेट करेल.
खंदक म्हणून बहुभाषिक पाऊलखुणा
स्वयंचलित डिटेक्शनसह 85-अधिक भाषांचे कव्हरेज केवळ एक वैशिष्ट्य चेकलिस्ट आयटम नाही. बहुभाषिक पोहोच बाजारांमध्ये मूल्य केंद्रित करते जेथे प्रतिस्पर्धी ऐतिहासिकदृष्ट्या मागे पडतात: प्रादेशिक उच्चार, भाषेच्या मध्य-वाक्यांमधील कोड-स्विचिंग, आणि कमी-संसाधन भाषा सर्व इंग्रजी-हेवी कॉर्पोरामध्ये लहानपणे प्रशिक्षित केलेल्या मॉडेलला शिक्षा देतात.
डझनभर देशांमध्ये समर्थन केंद्रे चालवणाऱ्या जागतिक उपक्रमांसाठी, भाषा ओळख हाताळणारे एकल मॉडेल एकात्मतेची जटिलता पारदर्शकपणे कमी करते — अनेक प्रति-मार्केट कॉन्फिगरेशनऐवजी एक पाइपलाइन. Gboard च्या अब्जावधी अँड्रॉइड इंस्टॉलेशन्सद्वारे वितरणासह, Google प्रीमियम क्षमतेऐवजी ट्रान्स्क्राइब-गुणवत्तेच्या बहुभाषिकतेला पायाभूत सुविधा म्हणून स्थान देत आहे.
काय पहावे
जेमिनी 3.5 ट्रान्स्क्राइब मार्केट शेअर बदलते की केवळ अपेक्षा वाढवते हे तीन सिग्नल दर्शवेल: येत्या काही महिन्यांत तृतीय-पक्ष बेंचमार्कमध्ये विकसक स्थलांतर; अचूकतेच्या दाव्यांऐवजी प्रतिस्पर्धी किती लवकर विलंब संख्यांशी जुळतात; आणि फंक्शन-कॉलिंग हुक जेमिनीवर मूळपणे तयार केलेल्या व्हॉईस-फर्स्ट एजंटची लाट निर्माण करतात का. लाँच आता थेट आहे, आणि एआय स्टुडिओद्वारे किंमतींच्या श्रेणींनी प्रयोग इतके स्वस्त केले पाहिजेत की स्विचिंग खर्च जवळजवळ काहीही होणार नाही.
---
Stay Ahead of AIGet the latest AI news, analysis, and breakthroughs — all in one place.
Read more AI news →
