Google ਨੇ Gemini 3.5 Transcribe ਲਾਂਚ ਕੀਤਾ ਹੈ, ਇੱਕ ਨਵਾਂ ਸਪੀਚ-ਟੂ-ਟੈਕਸਟ ਮਾਡਲ ਰੀਅਲ-ਟਾਈਮ ਟ੍ਰਾਂਸਕ੍ਰਿਪਸ਼ਨ ਲਈ ਬਣਾਇਆ ਗਿਆ ਹੈ ਜੋ 85 ਤੋਂ ਵੱਧ ਭਾਸ਼ਾਵਾਂ ਨੂੰ ਸਵੈਚਲਿਤ ਤੌਰ 'ਤੇ ਪਛਾਣਦਾ ਹੈ — ਅਤੇ ਰਸਤੇ ਵਿੱਚ ਆਉਟਪੁੱਟ ਨੂੰ ਪਾਲਿਸ਼ ਕਰਦਾ ਹੈ, ਫਿਲਰ ਸ਼ਬਦਾਂ ਨੂੰ ਉਤਾਰਦਾ ਹੈ ਅਤੇ ਬਿਨਾਂ ਪੁੱਛੇ ਮੌਖਿਕ ਠੋਕਰਾਂ ਨੂੰ ਠੀਕ ਕਰਦਾ ਹੈ।
ਲਾਂਚ Google ਦੇ ਸਪੀਚ ਸਟੈਕ ਨੂੰ ਤੇਜ਼ੀ ਨਾਲ ਵਧ ਰਹੇ ਟ੍ਰਾਂਸਕ੍ਰਿਪਸ਼ਨ ਮਾਰਕੀਟ ਵਿੱਚ ਇੱਕ ਸਿੱਧੇ ਚੈਲੰਜਰ ਦੇ ਰੂਪ ਵਿੱਚ ਸਥਿਤੀ ਪ੍ਰਦਾਨ ਕਰਦਾ ਹੈ, ਜਿੱਥੇ ਸ਼ੁੱਧਤਾ ਅਤੇ ਲੇਟੈਂਸੀ ਵਧਦੀ ਇਹ ਫੈਸਲਾ ਕਰਦੀ ਹੈ ਕਿ ਡਿਵੈਲਪਰ ਕਾਲਾਂ, ਮੀਟਿੰਗਾਂ, ਸੁਰਖੀਆਂ ਅਤੇ ਵੌਇਸ ਇੰਟਰਫੇਸ ਲਈ ਕਿਹੜੀਆਂ ਸੇਵਾਵਾਂ ਨੂੰ ਅਪਣਾਉਂਦੇ ਹਨ। For more context on this story, see our ongoing breaking AI news.
ਮਾਡਲ ਕੀ ਕਰ ਸਕਦਾ ਹੈ
ਗੂਗਲ ਦੀ ਘੋਸ਼ਣਾ ਦੇ ਅਨੁਸਾਰ, ਜਿਸਦੀ ਕਵਰੇਜ ਦ ਡੀਕੋਡਰ ਦੁਆਰਾ ਪ੍ਰਕਾਸ਼ਿਤ ਕੀਤੀ ਗਈ ਸੀ, ਜੇਮਿਨੀ 3.5 ਟ੍ਰਾਂਸਕ੍ਰਾਈਬ ਬੋਲੇ ਜਾਣ ਵਾਲੇ ਸ਼ਬਦਾਂ ਨੂੰ ਟੈਕਸਟ ਵਿੱਚ ਬਦਲਣ ਤੋਂ ਪਰੇ ਹੈ:
- 85 ਤੋਂ ਵੱਧ ਭਾਸ਼ਾਵਾਂ ਵਿੱਚ ਆਟੋਮੈਟਿਕ ਭਾਸ਼ਾ ਖੋਜ, ਬਿਨਾਂ ਕਿਸੇ ਸੰਰਚਨਾ ਦੀ ਲੋੜ ਹੈ
- ਫਿਲਰ ਸ਼ਬਦ ਹਟਾਉਣਾ, "um," "uh," ਅਤੇ ਸਮਾਨ ਵਿਗਾੜਾਂ ਨੂੰ ਸਾਫ਼ ਕਰਨਾ
- ਜੀਭ ਦੇ ਤਿਲਕਣ ਦਾ ਸੁਧਾਰ, ਸ਼ਬਦਾਵਲੀ ਸ਼ੋਰ ਦੀ ਬਜਾਏ ਪੜ੍ਹਨਯੋਗ ਗੱਦ ਪੈਦਾ ਕਰਨਾ
- ਆਟੋਨੋਮਸ ਟੈਕਸਟ ਫਾਰਮੈਟਿੰਗ, ਵਿਰਾਮ ਚਿੰਨ੍ਹ ਅਤੇ ਬਣਤਰ ਸਮੇਤ
ਕੰਪਨੀ ਇਸਦੇ ਪੂਰਵਵਰਤੀ, Chirp 3 ਦੇ ਮੁਕਾਬਲੇ ਲਗਭਗ 70 ਪ੍ਰਤੀਸ਼ਤ ਦੀ ਲੇਟੈਂਸੀ ਕਟੌਤੀ ਦੇ ਨਾਲ, ਸਟ੍ਰੀਮਿੰਗ ਆਡੀਓ ਲਈ 4.0 ਪ੍ਰਤੀਸ਼ਤ ਅਤੇ ਰਿਕਾਰਡ ਕੀਤੇ ਆਡੀਓ ਲਈ 2.6 ਪ੍ਰਤੀਸ਼ਤ ਦੀ ਇੱਕ **ਸ਼ਬਦ ਦੀ ਗਲਤੀ ਦਰ ਦੀ ਰਿਪੋਰਟ ਕਰਦੀ ਹੈ - ਲਾਈਵ ਕੈਪਸ਼ਨਿੰਗ ਦ੍ਰਿਸ਼ਾਂ ਵਿੱਚ ਇੱਕ ਮਹੱਤਵਪੂਰਨ ਮਾਰਜਿਨ ਜਿੱਥੇ ਦੇਰੀ ਗੱਲਬਾਤ ਨੂੰ ਤੋੜ ਦਿੰਦੀ ਹੈ।
ਦੋ ਨੌਕਰੀਆਂ ਲਈ ਦੋ ਇੰਟਰਫੇਸ
ਡਿਵੈਲਪਰ ਦੋ ਵੱਖ-ਵੱਖ ਐਪਲੀਕੇਸ਼ਨ ਪ੍ਰੋਗਰਾਮਿੰਗ ਇੰਟਰਫੇਸਾਂ ਰਾਹੀਂ ਪਹੁੰਚ ਪ੍ਰਾਪਤ ਕਰਦੇ ਹਨ:
ਲਾਈਵ API — `gemini-3.5-transcribe-live`
ਬਹੁਤ ਘੱਟ ਲੇਟੈਂਸੀ ਦੇ ਨਾਲ ਰੀਅਲ-ਟਾਈਮ ਸਟ੍ਰੀਮਿੰਗ ਨੂੰ ਹੈਂਡਲ ਕਰਦਾ ਹੈ, ਲਾਈਵ ਸੁਰਖੀਆਂ, ਵੌਇਸ ਏਜੰਟਾਂ, ਅਤੇ ਇੰਟਰਐਕਟਿਵ ਸਹਾਇਕਾਂ ਨੂੰ ਨਿਸ਼ਾਨਾ ਬਣਾਉਂਦਾ ਹੈ ਜਿੱਥੇ ਜਵਾਬ ਸਮਾਂ ਸਭ ਤੋਂ ਮਹੱਤਵਪੂਰਨ ਹੁੰਦਾ ਹੈ।ਇੰਟਰਐਕਸ਼ਨ API — `gemini-3.5-ਟ੍ਰਾਂਸਕ੍ਰਾਈਬ`
ਰਿਕਾਰਡ ਕੀਤੇ ਆਡੀਓ ਦੀ ਪ੍ਰਕਿਰਿਆ ਕਰਦਾ ਹੈ ਅਤੇ ਸਪੀਕਰ ਵਿਸ਼ੇਸ਼ਤਾ ਅਤੇ ਟਾਈਮਸਟੈਂਪਾਂ ਨਾਲ ਟ੍ਰਾਂਸਕ੍ਰਿਪਟਾਂ ਨੂੰ ਵਾਪਸ ਕਰਦਾ ਹੈ - ਮੀਟਿੰਗਾਂ, ਇੰਟਰਵਿਊਆਂ, ਪੋਡਕਾਸਟਾਂ ਅਤੇ ਮੀਡੀਆ ਪੋਸਟ-ਪ੍ਰੋਡਕਸ਼ਨ ਲਈ ਖਾਸ ਵਰਕਫਲੋ।ਟ੍ਰਾਂਸਕ੍ਰਿਪਸ਼ਨ ਤੋਂ ਪਰੇ, ਮਾਡਲ ਫੰਕਸ਼ਨ ਕਾਲਿੰਗ ਦਾ ਸਮਰਥਨ ਕਰਦਾ ਹੈ, ਮਤਲਬ ਕਿ ਇਹ ਜੈਮਿਨੀ ਪਰਿਵਾਰ ਵਿੱਚ ਹੋਰ ਮਾਡਲਾਂ ਨੂੰ ਫਾਲੋ-ਅਪ ਕਾਰਜ ਸੌਂਪ ਸਕਦਾ ਹੈ — ਉਦਾਹਰਨ ਲਈ ਇੱਕ ਚਿੱਤਰ ਬਣਾਉਣ ਦੀ ਬੇਨਤੀ ਨੂੰ ਚਾਲੂ ਕਰਨਾ ਜਾਂ ਸੈਸ਼ਨ ਦੌਰਾਨ ਕਹੀ ਗਈ ਕਿਸੇ ਚੀਜ਼ ਦੇ ਆਧਾਰ 'ਤੇ ਵੈੱਬ ਖੋਜ। ਇਹ ਵੌਇਸ-ਸੰਚਾਲਿਤ ਐਪਲੀਕੇਸ਼ਨਾਂ ਲਈ ਇੱਕ ਟ੍ਰਾਂਸਕ੍ਰਿਪਟ ਇੰਜਣ ਨੂੰ ਇੱਕ ਨਿਯੰਤਰਣਯੋਗ ਇੰਟਰਫੇਸ ਲੇਅਰ ਵਿੱਚ ਬਦਲਦਾ ਹੈ।
ਪਹਿਲਾਂ ਹੀ ਸਾਰੇ Google ਉਤਪਾਦਾਂ ਵਿੱਚ ਸ਼ਿਪਿੰਗ ਕੀਤੀ ਜਾ ਰਹੀ ਹੈ
ਮਾਡਲ ਅੱਜ Google AI ਸਟੂਡੀਓ ਵਿੱਚ ਅਤੇ ਜੇਮਿਨੀ ਐਂਟਰਪ੍ਰਾਈਜ਼ ਏਜੰਟ ਪਲੇਟਫਾਰਮ 'ਤੇ ਡਿਵੈਲਪਰਾਂ ਲਈ ਲਾਈਵ ਹੈ। Google ਨੇ ਇਸਨੂੰ ਖਪਤਕਾਰਾਂ ਦੀਆਂ ਸਤਹਾਂ ਵਿੱਚ ਵੀ ਵਾਇਰ ਕੀਤਾ ਹੈ: Android 'ਤੇ Gboard ਇਸਨੂੰ ਰੈਂਬਲਰ ਨਾਮਕ ਇੱਕ ਅੰਦਰੂਨੀ ਹਿੱਸੇ ਰਾਹੀਂ ਡਿਕਸ਼ਨ ਲਈ ਵਰਤਦਾ ਹੈ, **macOS 'ਤੇ Gemini ਐਪ ਇਸ ਨੂੰ ਵੌਇਸ ਇਨਪੁੱਟ 'ਤੇ ਲਾਗੂ ਕਰਦਾ ਹੈ, ਅਤੇ Chrome ਏਕੀਕਰਣ ਦੀ ਪਾਲਣਾ ਕੀਤੀ ਜਾਣੀ ਹੈ।
ਇਹ ਵੰਡ ਮਾਇਨੇ ਰੱਖਦੀ ਹੈ। ਸਪੀਚ ਮਾਨਤਾ ਆਪਣੇ ਪੈਮਾਨੇ 'ਤੇ ਕਾਇਮ ਰੱਖਦੀ ਹੈ, ਅਤੇ ਕੀਬੋਰਡ, ਡੈਸਕਟੌਪ ਐਪਸ ਅਤੇ ਬ੍ਰਾਊਜ਼ਰਾਂ ਵਿੱਚ ਮਾਡਲ ਨੂੰ ਏਮਬੈਡ ਕਰਨਾ ਇਸ ਨੂੰ ਰੋਜ਼ਾਨਾ ਅਰਬਾਂ ਇਨਪੁਟ ਇੰਟਰਐਕਸ਼ਨ ਦੇ ਸਾਹਮਣੇ ਰੱਖਦਾ ਹੈ - ਜਦੋਂ ਕਿ ਲਹਿਜ਼ੇ, ਉਪਭਾਸ਼ਾਵਾਂ ਅਤੇ ਰੌਲੇ-ਰੱਪੇ ਵਾਲੇ ਵਾਤਾਵਰਨ ਵਿੱਚ ਗਲਤੀ ਦਰਾਂ ਨੂੰ ਘੱਟ ਰੱਖਣ ਲਈ ਲੋੜੀਂਦੇ ਮੁਲਾਂਕਣ ਲੂਪਸ ਨੂੰ ਫੀਡ ਕਰਦੇ ਹੋਏ।
ਭਾਸ਼ਣ AI ਵਿੱਚ ਪ੍ਰਤੀਯੋਗੀ ਸਟੇਕਸ
ਟਰਾਂਸਕ੍ਰਿਪਸ਼ਨ ਚੁੱਪਚਾਪ ਫਰੰਟੀਅਰ ਲੈਬਾਂ ਅਤੇ ਮਾਹਰ ਵਿਕਰੇਤਾਵਾਂ ਵਿਚਕਾਰ ਇੱਕ ਮੁਕਾਬਲੇਬਾਜ਼ੀ ਦਾ ਮੈਦਾਨ ਬਣ ਗਿਆ ਹੈ। ਸਟੀਕ, ਘੱਟ ਲੇਟੈਂਸੀ ਸਪੀਚ ਸਮਝ ਏਜੰਟ ਉਤਪਾਦਾਂ ਲਈ ਐਂਟਰੀ ਟਿਕਟ ਹੈ ਜੋ ਬੋਲੇ ਗਏ ਆਦੇਸ਼ਾਂ, ਐਂਟਰਪ੍ਰਾਈਜ਼ ਮੀਟਿੰਗ ਇੰਟੈਲੀਜੈਂਸ, ਪਹੁੰਚਯੋਗਤਾ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ, ਅਤੇ ਬਹੁ-ਭਾਸ਼ਾਈ ਗਾਹਕ ਸੇਵਾ ਆਟੋਮੇਸ਼ਨ 'ਤੇ ਕੰਮ ਕਰਦੇ ਹਨ।
ਸਵੈ-ਸੁਧਾਰਨ ਵਾਲੇ ਆਉਟਪੁੱਟ ਦੇ ਨਾਲ ਹਮਲਾਵਰ ਲੇਟੈਂਸੀ ਸੁਧਾਰਾਂ ਨੂੰ ਜੋੜ ਕੇ, Google ਸੱਟੇਬਾਜ਼ੀ ਕਰ ਰਿਹਾ ਹੈ ਕਿ ਡਿਵੈਲਪਰ ਉਹਨਾਂ ਪ੍ਰਤੀਲਿਪੀਆਂ ਨੂੰ ਤਰਜੀਹ ਦਿੰਦੇ ਹਨ ਜੋ ਕੱਚੇ ਧੁਨੀਆਤਮਕ ਕੈਪਚਰ ਦੀ ਬਜਾਏ ਸੰਪਾਦਿਤ ਟੈਕਸਟ ਵਾਂਗ ਪੜ੍ਹਦੇ ਹਨ — ਵਰਤੋਂਯੋਗਤਾ ਲਈ ਸਖਤ ਸ਼ਬਦਾਵਲੀ ਵਫ਼ਾਦਾਰੀ ਦਾ ਵਪਾਰ ਕਰਨਾ। ਟੀਮਾਂ ਨੂੰ ਸਹੀ ਰਿਕਾਰਡਾਂ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ, ਜਿਵੇਂ ਕਿ ਕਾਨੂੰਨੀ ਜਾਂ ਮੈਡੀਕਲ ਟ੍ਰਾਂਸਕ੍ਰਾਈਬਰ, ਅਜੇ ਵੀ ਵਰਬੈਟਿਮ ਮੋਡ ਚਾਹੁੰਦੇ ਹਨ; ਹਰ ਕਿਸੇ ਲਈ, ਕਿਸੇ ਨੂੰ ਸੁਣਨ ਅਤੇ ਉਹਨਾਂ ਨੂੰ ਸਮਝਣ ਵਿੱਚ ਵਿਹਾਰਕ ਅੰਤਰ ਲਗਾਤਾਰ ਘਟਦਾ ਜਾ ਰਿਹਾ ਹੈ।
Gemini 3.5 ਟਰਾਂਸਕ੍ਰਾਈਬ ਦੇ ਨਾਲ ਹੁਣ ਆਮ ਤੌਰ 'ਤੇ AI ਸਟੂਡੀਓ ਅਤੇ ਐਂਟਰਪ੍ਰਾਈਜ਼ ਟੂਲਿੰਗ ਵਿੱਚ ਉਪਲਬਧ ਹੈ, ਪਹਿਲਾ ਅਰਥਪੂਰਨ ਟੈਸਟ ਵੌਇਸ-ਏਜੰਟ ਡਿਵੈਲਪਰਾਂ ਤੋਂ ਗੋਦ ਲੈਣ ਦੇ ਮੈਟ੍ਰਿਕਸ ਹੋਵੇਗਾ - ਇੱਕ ਮਾਰਕੀਟ ਖੰਡ ਇੰਨਾ ਤੇਜ਼ੀ ਨਾਲ ਵਧ ਰਿਹਾ ਹੈ ਕਿ ਵਾਧੇ ਵਾਲੇ ਸ਼ੁੱਧਤਾ ਲਾਭ ਵੀ ਵੱਡੇ ਸਵਿਚਿੰਗ ਫੈਸਲਿਆਂ ਵਿੱਚ ਅਨੁਵਾਦ ਕਰਦੇ ਹਨ।
ਲੇਟੈਂਸੀ ਅਸਲ ਲੜਾਈ ਦਾ ਮੈਦਾਨ ਕਿਉਂ ਹੈ
ਗਲਤੀ ਦਰਾਂ ਸੁਰਖੀਆਂ ਪ੍ਰਾਪਤ ਕਰਦੀਆਂ ਹਨ, ਪਰ ਲੇਟੈਂਸੀ ਚੁੱਪਚਾਪ ਇਹ ਨਿਰਧਾਰਤ ਕਰਦੀ ਹੈ ਕਿ ਕਿਹੜੇ ਉਤਪਾਦ ਵਿਹਾਰਕ ਹਨ। ਇੱਕ ਲਾਈਵ ਕੈਪਸ਼ਨ ਓਵਰਲੇ ਨੂੰ ਫੀਡ ਕਰਨ ਵਾਲੇ ਟ੍ਰਾਂਸਕ੍ਰਿਪਸ਼ਨ ਇੰਜਣ ਨੂੰ ਗੱਲਬਾਤ ਦੇ ਨਾਲ ਤਾਲਮੇਲ ਰੱਖਣ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ, ਜਾਂ ਦਰਸ਼ਕ ਬੰਦ ਹੋ ਜਾਂਦੇ ਹਨ। ਗਾਹਕ ਸਹਾਇਤਾ ਕਾਲ ਦੀ ਗੱਲਬਾਤ ਕਰਨ ਵਾਲਾ ਵੌਇਸ ਏਜੰਟ ਅਜੀਬ ਢੰਗ ਨਾਲ ਨਹੀਂ ਰੁਕ ਸਕਦਾ ਜਦੋਂ ਕਿ ਇਸਦੀ ਸਪੀਚ ਪਰਤ ਆ ਜਾਂਦੀ ਹੈ। ਗੂਗਲ ਨੇ ਚਿਰਪ 3 ਟੀਚਿਆਂ ਦੇ ਸਬੰਧ ਵਿੱਚ ਦੇਰੀ ਵਿੱਚ 70 ਪ੍ਰਤੀਸ਼ਤ ਦੀ ਕਮੀ ਦੀ ਰਿਪੋਰਟ ਕੀਤੀ ਹੈ ਜੋ ਕਿ ਉਹ ਅੰਤਰ ਹੈ - ਇੱਕ ਵਾਕ ਨੂੰ ਪੂਰਾ ਕਰਨ ਵਾਲੇ ਸਪੀਕਰ ਅਤੇ ਇਸ 'ਤੇ ਕੰਮ ਕਰਨ ਵਾਲੇ ਡਾਊਨਸਟ੍ਰੀਮ ਸਿਸਟਮ ਵਿਚਕਾਰ ਦੂਰੀ ਨੂੰ ਛੋਟਾ ਕਰਨਾ।
ਏਜੰਟਿਕ ਐਪਲੀਕੇਸ਼ਨਾਂ ਲਈ ਇਹ ਮਿਸ਼ਰਣ: ਬੋਲੇ ਗਏ ਸੰਵਾਦ ਦੇ ਹਰ ਮੋੜ ਵਿੱਚ ਮਾਨਤਾ, ਤਰਕ ਅਤੇ ਜਵਾਬ ਸ਼ਾਮਲ ਹੁੰਦਾ ਹੈ। ਮਾਨਤਾ ਪੜਾਅ ਤੋਂ ਮਿਲੀਸਕਿੰਟ ਸ਼ੇਵ ਕਰਨਾ ਬਿਲਡਰਾਂ ਨੂੰ ਗੱਲਬਾਤ ਦੇ ਸਮੇਂ ਦੇ ਬਜਟ ਦੀ ਉਲੰਘਣਾ ਕੀਤੇ ਬਿਨਾਂ ਵਧੇਰੇ ਸਮਰੱਥ - ਅਤੇ ਹੌਲੀ - ਤਰਕ ਦੇ ਮਾਡਲਾਂ 'ਤੇ ਖਰਚ ਕਰਨ ਲਈ ਹੈੱਡਰੂਮ ਦਿੰਦਾ ਹੈ।
ਵਰਬੈਟਿਮ ਟਰੇਡ-ਆਫ
ਇੱਕ ਡਿਜ਼ਾਇਨ ਚੋਣ ਪੜਤਾਲ ਦੇ ਹੱਕਦਾਰ ਹੈ. ਪੂਰਵ-ਨਿਰਧਾਰਤ ਤੌਰ 'ਤੇ, Gemini 3.5 ਟ੍ਰਾਂਸਕ੍ਰਾਈਬ ਕਰੇਟਸ ਆਉਟਪੁੱਟ: ਫਿਲਰ ਸ਼ਬਦ ਅਲੋਪ ਹੋ ਜਾਂਦੇ ਹਨ, ਠੋਕਰ ਠੀਕ ਹੋ ਜਾਂਦੀ ਹੈ, ਅਤੇ ਫਾਰਮੈਟਿੰਗ ਆਪਣੇ ਆਪ ਲਾਗੂ ਹੋ ਜਾਂਦੀ ਹੈ। ਜ਼ਿਆਦਾਤਰ ਕਾਰੋਬਾਰੀ ਵਰਤੋਂ ਲਈ — ਮਿੰਟ, ਸੁਰਖੀਆਂ, ਖੋਜਣਯੋਗ ਪੁਰਾਲੇਖ — ਇਹ ਬਿਲਕੁਲ ਉਹੀ ਹੈ ਜੋ ਉਪਭੋਗਤਾ ਚਾਹੁੰਦੇ ਹਨ।
ਪਰ ਕੁਝ ਵਰਕਫਲੋ ਜ਼ੁਬਾਨੀ ਰਿਕਾਰਡਾਂ 'ਤੇ ਨਿਰਭਰ ਕਰਦੇ ਹਨ। ਕਨੂੰਨੀ ਬਿਆਨਾਂ, ਪਾਲਣਾ ਸਮੀਖਿਆਵਾਂ, ਅਤੇ ਪੱਤਰਕਾਰੀ ਤੱਥ-ਜਾਂਚ ਲਈ ਕਈ ਵਾਰ ਇਹ ਜਾਣਨ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ ਕਿ ਕੀ ਕਿਹਾ ਗਿਆ ਸੀ, ਝਿਜਕ ਵੀ ਸ਼ਾਮਲ ਹੈ। ਨਿਯੰਤ੍ਰਿਤ ਉਦਯੋਗਾਂ ਦੀਆਂ ਸੰਸਥਾਵਾਂ ਇਸ ਗੱਲ 'ਤੇ ਸਪੱਸ਼ਟਤਾ ਚਾਹੁੰਦੀਆਂ ਹਨ ਕਿ ਸੰਵੇਦਨਸ਼ੀਲ ਪਾਈਪਲਾਈਨਾਂ ਨੂੰ ਨਵੇਂ ਮਾਡਲ 'ਤੇ ਮਾਈਗਰੇਟ ਕਰਨ ਤੋਂ ਪਹਿਲਾਂ ਕਿੰਨੀ ਸਮੂਥਿੰਗ ਵਿਕਲਪਿਕ ਅਤੇ ਸੰਰਚਨਾਯੋਗ ਹੈ। ਗੂਗਲ ਦੇ ਦਸਤਾਵੇਜ਼ ਅਤੇ API ਪੈਰਾਮੀਟਰ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਢੰਗ ਨਾਲ ਸੈੱਟ ਕਰਨਗੇ ਕਿ ਉਦਯੋਗ ਲਈ ਵਰਬੈਟਿਮ-ਬਨਾਮ-ਪਾਲਿਸ਼ ਲਾਈਨ ਕਿੱਥੇ ਬੈਠਦੀ ਹੈ।
ਖਾਈ ਦੇ ਰੂਪ ਵਿੱਚ ਇੱਕ ਬਹੁ-ਭਾਸ਼ਾਈ ਪੈਰ ਦਾ ਨਿਸ਼ਾਨ
ਆਟੋਮੈਟਿਕ ਖੋਜ ਦੇ ਨਾਲ 85 ਤੋਂ ਵੱਧ ਭਾਸ਼ਾਵਾਂ ਦੀ ਕਵਰੇਜ ਸਿਰਫ਼ ਇੱਕ ਵਿਸ਼ੇਸ਼ਤਾ ਚੈੱਕਲਿਸਟ ਆਈਟਮ ਨਹੀਂ ਹੈ। ਬਹੁ-ਭਾਸ਼ਾਈ ਪਹੁੰਚ ਉਹਨਾਂ ਬਾਜ਼ਾਰਾਂ ਵਿੱਚ ਮੁੱਲ ਨੂੰ ਕੇਂਦ੍ਰਿਤ ਕਰਦੀ ਹੈ ਜਿੱਥੇ ਪ੍ਰਤੀਯੋਗੀ ਇਤਿਹਾਸਕ ਤੌਰ 'ਤੇ ਪਛੜ ਜਾਂਦੇ ਹਨ: ਖੇਤਰੀ ਲਹਿਜ਼ੇ, ਭਾਸ਼ਾਵਾਂ ਦੇ ਮੱਧ-ਵਾਕ ਦੇ ਵਿਚਕਾਰ ਕੋਡ-ਸਵਿਚਿੰਗ, ਅਤੇ ਘੱਟ-ਸਰੋਤ ਭਾਸ਼ਾਵਾਂ, ਅੰਗਰੇਜ਼ੀ-ਭਾਰੀ ਕਾਰਪੋਰਾ 'ਤੇ ਤੰਗ ਢੰਗ ਨਾਲ ਸਿਖਲਾਈ ਪ੍ਰਾਪਤ ਮਾਡਲਾਂ ਨੂੰ ਸਜ਼ਾ ਦਿੰਦੇ ਹਨ।
ਦਰਜਨਾਂ ਦੇਸ਼ਾਂ ਵਿੱਚ ਸਹਾਇਤਾ ਕੇਂਦਰਾਂ ਨੂੰ ਚਲਾਉਣ ਵਾਲੇ ਗਲੋਬਲ ਉੱਦਮਾਂ ਲਈ, ਭਾਸ਼ਾ ਖੋਜ ਨੂੰ ਸੰਭਾਲਣ ਵਾਲਾ ਇੱਕ ਸਿੰਗਲ ਮਾਡਲ ਪਾਰਦਰਸ਼ੀ ਤੌਰ 'ਤੇ ਏਕੀਕਰਣ ਜਟਿਲਤਾ ਨੂੰ ਘਟਾਉਂਦਾ ਹੈ - ਬਹੁਤ ਸਾਰੀਆਂ ਪ੍ਰਤੀ-ਮਾਰਕੀਟ ਸੰਰਚਨਾਵਾਂ ਦੀ ਬਜਾਏ ਇੱਕ ਪਾਈਪਲਾਈਨ। Gboard ਦੇ ਅਰਬਾਂ ਐਂਡਰੌਇਡ ਸਥਾਪਨਾਵਾਂ ਦੁਆਰਾ ਵੰਡ ਦੇ ਨਾਲ, Google ਇੱਕ ਪ੍ਰੀਮੀਅਮ ਸਮਰੱਥਾ ਦੀ ਬਜਾਏ ਬੁਨਿਆਦੀ ਢਾਂਚੇ ਦੇ ਰੂਪ ਵਿੱਚ ਟ੍ਰਾਂਸਕ੍ਰਾਈਬ-ਗੁਣਵੱਤਾ ਬਹੁ-ਭਾਸ਼ਾਈਵਾਦ ਦੀ ਸਥਿਤੀ ਬਣਾ ਰਿਹਾ ਹੈ।
ਕੀ ਦੇਖਣਾ ਹੈ
ਤਿੰਨ ਸਿਗਨਲ ਇਹ ਦਿਖਾਉਣਗੇ ਕਿ ਕੀ Gemini 3.5 ਟ੍ਰਾਂਸਕ੍ਰਾਈਬ ਮਾਰਕੀਟ ਸ਼ੇਅਰ ਨੂੰ ਬਦਲਦਾ ਹੈ ਜਾਂ ਸਿਰਫ਼ ਉਮੀਦਾਂ ਵਧਾਉਂਦਾ ਹੈ: ਆਉਣ ਵਾਲੇ ਮਹੀਨਿਆਂ ਵਿੱਚ ਤੀਜੀ-ਧਿਰ ਦੇ ਬੈਂਚਮਾਰਕ ਵਿੱਚ ਡਿਵੈਲਪਰ ਮਾਈਗ੍ਰੇਸ਼ਨ; ਸਟੀਕਤਾ ਦਾਅਵਿਆਂ ਦੀ ਬਜਾਏ ਵਿਰੋਧੀ ਕਿੰਨੀ ਜਲਦੀ ਲੇਟੈਂਸੀ ਨੰਬਰਾਂ ਨਾਲ ਮੇਲ ਖਾਂਦੇ ਹਨ; ਅਤੇ ਕੀ ਫੰਕਸ਼ਨ-ਕਾਲਿੰਗ ਹੁੱਕਸ ਜੈਮਿਨੀ 'ਤੇ ਮੂਲ ਰੂਪ ਵਿੱਚ ਬਣਾਏ ਗਏ ਵੌਇਸ-ਪਹਿਲੇ ਏਜੰਟਾਂ ਦੀ ਇੱਕ ਲਹਿਰ ਪੈਦਾ ਕਰਦੇ ਹਨ। ਲਾਂਚ ਹੁਣ ਲਾਈਵ ਹੈ, ਅਤੇ AI ਸਟੂਡੀਓ ਦੁਆਰਾ ਕੀਮਤ ਦੇ ਪੱਧਰਾਂ ਨੂੰ ਪ੍ਰਯੋਗ ਨੂੰ ਇੰਨਾ ਸਸਤਾ ਬਣਾਉਣਾ ਚਾਹੀਦਾ ਹੈ ਕਿ ਸਵਿਚ ਕਰਨ ਦੀ ਲਾਗਤ ਲਗਭਗ ਕੁਝ ਵੀ ਨਹੀਂ ਰਹਿ ਜਾਂਦੀ।
---
Stay Ahead of AIGet the latest AI news, analysis, and breakthroughs — all in one place.
Read more AI news →
