Firma Google uruchomiła Gemini 3.5 Transcribe, nowy model zamiany mowy na tekst stworzony do transkrypcji w czasie rzeczywistym, który automatycznie rozpoznaje ponad 85 języków i po drodze dopracowuje dane wyjściowe, usuwając słowa wypełniające i korygując błędy werbalne bez pytania.

Ta premiera stawia stos mowy Google jako bezpośredniego konkurenta na szybko rozwijającym się rynku transkrypcji, gdzie dokładność i opóźnienia w coraz większym stopniu decydują o tym, jakie usługi deweloperzy zastosują do obsługi połączeń, spotkań, napisów i interfejsów głosowych. Więcej kontekstu na ten temat znajdziesz w naszych najnowsze osiągnięcia AI.

Co model może zrobić

Zgodnie z zapowiedzią Google, której relację opublikował The Decoder, Gemini 3.5 Transcribe wykracza daleko poza konwersję mówionych słów na tekst:

  • Automatyczne wykrywanie języka w ponad 85 językach, bez konieczności konfiguracji
  • Usuwanie słów wypełniających, usuwanie „um”, „uh” i podobnych niepłynności
  • Poprawa przejęzyczeń, tworzenie czytelnej prozy, a nie dosłownego szumu
  • Autonomiczne formatowanie tekstu, w tym interpunkcja i struktura

Firma zgłasza współczynnik błędów słów wynoszący 4,0% w przypadku przesyłania strumieniowego dźwięku i 2,6% w przypadku nagranego dźwięku, a także redukcja opóźnień o około 70% w porównaniu z jego poprzednikiem, Chirp 3 – znaczny margines w scenariuszach napisów na żywo, w których opóźnienie przerywa rozmowę.

Dwa interfejsy dla dwóch zadań

Programiści uzyskują dostęp za pośrednictwem dwóch odrębnych interfejsów programowania aplikacji:

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

Obsługuje przesyłanie strumieniowe w czasie rzeczywistym przy bardzo małych opóźnieniach, kierując reklamy na napisy na żywo, agentów głosowych i interaktywnych asystentów, gdzie czas reakcji ma największe znaczenie.

API interakcji — `gemini-3.5-transcribe`

Przetwarza nagrany dźwięk i zwraca transkrypcje z przypisami mówców i sygnaturami czasowymi — to proces typowy dla spotkań, wywiadów, podcastów i postprodukcji medialnej.

Oprócz transkrypcji model obsługuje wywoływanie funkcji, co oznacza, że ​​może delegować zadania uzupełniające innym modelom z rodziny Gemini — na przykład uruchamiając żądanie wygenerowania obrazu lub wyszukiwanie w Internecie na podstawie informacji powiedzianej podczas sesji. To zmienia silnik transkrypcji w kontrolowaną warstwę interfejsu dla aplikacji sterowanych głosem.

Już dostarczam w produktach Google

Model jest już dostępny w Google AI Studio i na Gemini Enterprise Agent Platform dla programistów już dziś. Google podłączył go także do urządzeń konsumenckich: Gboard na Androida używa go do dyktowania za pośrednictwem wewnętrznego komponentu o nazwie Rambler, aplikacja Gemini na macOS wykorzystuje go do wprowadzania głosowego, a wkrótce ma nastąpić integracja z Chrome.

Ta dystrybucja ma znaczenie. Rozpoznawanie mowy zapewnia dużą skalę, a osadzanie modelu w klawiaturach, aplikacjach komputerowych i przeglądarkach stawia go codziennie przed miliardami interakcji wejściowych, jednocześnie zasilając pętle oceny potrzebne do utrzymania poziomu błędów w przypadku akcentów, dialektów i hałaśliwych środowisk.

Konkurencyjne stawki w sztucznej inteligencji mowy

Transkrypcja po cichu stała się polem bitwy pomiędzy pionierskimi laboratoriami i specjalistycznymi dostawcami. Dokładne rozumienie mowy o niskim opóźnieniu to przepustka do produktów agentycznych, które działają na podstawie poleceń głosowych, analiz spotkań korporacyjnych, funkcji ułatwień dostępu i automatyzacji wielojęzycznej obsługi klienta.

Łącząc znaczną poprawę opóźnień z samokorygującymi się wynikami, Google zakłada, że ​​programiści wolą transkrypcje, które brzmią jak edytowany tekst, a nie surowe przechwytywanie fonetyczne – zamieniając ścisłą wierność dosłowną na użyteczność. Zespoły potrzebujące dokładnych zapisów, np. osoby wykonujące transkrypcję prawną lub medyczną, mogą nadal potrzebować trybów dosłownych; dla wszystkich innych praktyczna różnica między usłyszeniem kogoś a zrozumieniem go stale się zmniejsza.

Ponieważ Gemini 3.5 Transcribe jest teraz ogólnie dostępny w AI Studio i narzędziach dla przedsiębiorstw, pierwszym znaczącym testem będą wskaźniki przyjęcia od twórców agentów głosowych — segment rynku rozwijający się na tyle szybko, że nawet przyrostowy wzrost dokładności przekłada się na istotne decyzje dotyczące zmiany.

Dlaczego opóźnienie to prawdziwe pole bitwy

Na pierwszych stronach gazet pojawiają się wskaźniki błędów, ale opóźnienia w dyskretny sposób decydują o tym, które produkty są opłacalne. Silnik transkrypcji obsługujący nakładkę z napisami na żywo musi dotrzymywać kroku rozmowie, w przeciwnym razie widzowie przestaną się angażować. Agent głosowy negocjujący połączenie z obsługą klienta nie może niezręcznie pauzować, gdy jego warstwa mowy nadrabia zaległości. Zgłoszone przez Google zmniejszenie opóźnienia o 70% w porównaniu z Chirp 3 celuje dokładnie w tę lukę — skracając odległość między mówcą kończącym zdanie a działającymi na nim systemami znajdującymi się poniżej.

W przypadku zastosowań agentycznych jest to złożone: każdy zwrot w mówionym dialogu wymaga rozpoznania, rozumowania i odpowiedzi. Skrócenie milisekund z etapu rozpoznawania daje konstruktorom swobodę wykorzystania bardziej wydajnych — i wolniejszych — modeli rozumowania bez naruszania budżetów czasowych konwersacji.

Dosłowny kompromis

Jeden z wybranych projektów zasługuje na analizę. Domyślnie Gemini 3.5 Transcribe zarządza danymi wyjściowymi: słowa wypełniające znikają, potknięcia są korygowane, a formatowanie jest stosowane automatycznie. W przypadku większości zastosowań biznesowych — minut, podpisów, archiwów z możliwością przeszukiwania — właśnie tego oczekują użytkownicy.

Jednak niektóre przepływy pracy zależą od dosłownych zapisów. Zeznania prawne, przeglądy zgodności i dziennikarskie sprawdzanie faktów czasami wymagają dokładnej wiedzy o tym, co zostało powiedziane, łącznie z wahaniami. Organizacje działające w branżach regulowanych będą chciały mieć jasność co do tego, jaka część wygładzania jest opcjonalna i konfigurowalna przed migracją wrażliwych rurociągów do nowego modelu. Dokumentacja Google i parametry interfejsu API skutecznie określą, gdzie w branży znajduje się granica dosłowności i dopracowania.

Wielojęzyczny ślad jako fosa

Automatyczne wykrywanie obejmujące ponad 85 języków to nie tylko pozycja na liście kontrolnej funkcji. Zasięg wielojęzyczny koncentruje wartość na rynkach, na których konkurenci historycznie pozostają w tyle: regionalne akcenty, przełączanie kodów między językami w połowie zdania i języki o niskich zasobach – wszystko to karze modele wytrenowane wąsko w korpusach zawierających dużo języka angielskiego.

W przypadku globalnych przedsiębiorstw prowadzących centra wsparcia w kilkudziesięciu krajach pojedynczy model obsługujący wykrywanie języka w przejrzysty sposób zmniejsza złożoność integracji — jeden potok zamiast wielu konfiguracji dla poszczególnych rynków. W połączeniu z dystrybucją za pośrednictwem miliardów instalacji Androida Gboard, Google postrzega wielojęzyczność zapewniającą jakość transkrypcji jako infrastrukturę, a nie funkcję premium.

Co obejrzeć

Trzy sygnały pokażą, czy Gemini 3.5 Transcribe zmieni udział w rynku, czy jedynie podniesie oczekiwania: migracja programistów do zewnętrznych testów porównawczych w nadchodzących miesiącach; jak szybko konkurenci dopasowują liczby opóźnień, a nie deklaracje dotyczące dokładności; i czy haki wywołujące funkcje powodują powstanie fali agentów głosowych zbudowanych natywnie na Gemini. Premiera już się rozpoczęła, a poziomy cenowe oferowane przez AI Studio powinny sprawić, że eksperymentowanie będzie na tyle tanie, że koszty zmiany spadną prawie do zera.

---

Bądź na Bieżąco z AI

Najnowsze wiadomości, analizy i przełomy w dziedzinie AI — wszystko w jednym miejscu.

Czytaj więcej wiadomości AI →