W tym tygodniu Google po cichu dostarczył dwie istotne aktualizacje modelu Gemini w ciągu 48 godzin i obie są skierowane bezpośrednio do programistów tworzących aplikacje produkcyjne. Jak wynika z oficjalnego bloga Google, Gemini 3.5 Transcribe, wprowadzony na rynek 26 sierpnia, to najdokładniejszy jak dotąd model zamiany mowy na tekst firmy. Gemini Omni 1.1 Flash, zaprezentowany 27 sierpnia, zapewnia profesjonalną kontrolę nad generatywnym wideo, w tym wydłużanie scen do 40 sekund i skalowanie do 4K. Obydwa modele są dostępne poprzez Gemini API w Google AI Studio i Gemini Enterprise Agent Platform.
Transkrypcja Gemini 3.5: zamiana mowy na tekst, która sprząta po sobie Więcej kontekstu na ten temat znajdziesz w naszych wiadomości AI.
Google twierdzi, że tym, co odróżnia Gemini 3.5 Transcribe od konwencjonalnego rozpoznawania mowy, jest to, że konwertuje ono surowy dźwięk bezpośrednio na dopracowany, sformatowany tekst, a nie na surową transkrypcję. Model natywnie radzi sobie z szumami tła, złożonym żargonem i czyszczeniem niepłynności — usuwa słowa wypełniające, takie jak „ums” i „ach”, rozwiązuje autokorekty, takie jak „spotkajmy się we wtorek – nie, środa” i automatycznie formatuje wynik.
Liczby porównawcze cytowane przez Google są godne uwagi. Zmierzona metodą sztucznej analizy model osiąga średni współczynnik błędów słowa (WER) wynoszący 4,0 procent w przypadku zastosowań związanych ze strumieniowaniem i 2,6 procent w przypadku dźwięku nie przesyłanego strumieniowo. W wielojęzycznym teście porównawczym FLEURS dla najpopularniejszych języków wskaźnik WER wynosi 5,50% w trybie przesyłania strumieniowego i 5,04% bez przesyłania strumieniowego, co stanowi poprawę w porównaniu z poprzednim modelem transkrypcji Google, Chirp 3. Czas do ostatecznej transkrypcji skraca się o 70% w porównaniu z Chirp 3, ponownie jak zmierzono metodą sztucznej analizy.
Model jest dostępny w dwóch wariantach dla dwóch przepływów pracy. W przypadku aplikacji na żywo `gemini-3.5-transcribe-live` zapewnia ciągłe dwukierunkowe przesyłanie strumieniowe z opóźnieniem poniżej sekundy za pośrednictwem interfejsu API Live, kierowanie do agentów głosowych i napisów w czasie rzeczywistym. W przypadku nagranego dźwięku — spotkań, rejestrów połączeń, archiwów — „gemini-3.5-transcribe” oferuje przypisanie głośników maksymalnie trzem mówcom (z obsługą większej liczby osób w trybie eksperymentalnym) oraz znaczniki czasu na poziomie słów za pośrednictwem interfejsu API interakcji.
Inne możliwości obejmują automatyczne wykrywanie i transkrypcję w ponad 85 językach z obsługą akcentu i dialektu, a także obsługę niestandardowego słownictwa, dzięki czemu model dostosowuje się do specjalistycznego żargonu i unikalnej pisowni. Google wyposażył także model w coś w rodzaju oczu: poprzez wywołanie funkcji może delegować zadania, takie jak generowanie obrazu lub analiza plików, innym modelom Gemini – funkcja jest obecnie dostępna w aplikacji Gemini na macOS.
Gemini Omni 1.1 Flash: generowanie wideo wydłuża oś czasu
Drugie uruchomienie rozwiązuje najczęstszą skargę dotyczącą wideo AI: kontrolę. Gemini Omni 1.1 Flash to aktualizacja ukierunkowana na produkcję, która umożliwia sterowanie generatywnym wideo w sposób, w jaki nie było to możliwe w przypadku jego poprzedników, a menedżerowie produktu Google DeepMind, Anish Nangia i Alisa Fortin, opisali tę wersję jako czyniącą Omni 1.1 „gotową do produkcji do użytku profesjonalnego”.
Rozszerzenie sceny jest funkcją nagłówka. Programiści mogą teraz płynnie generować materiał filmowy z istniejącego klipu, a model analizuje do 10 sekund wcześniejszego kontekstu — jest to krok naprzód w porównaniu z poprzednimi modelami, które odwoływały się tylko do ostatniej sekundy. Filmy można wydłużać co 10 sekund aż do łącznej długości 40 sekund, co poprawia spójność wizualną i spójność narracji w przypadku dłuższych historii.
Aktualizacja dodaje także interpolację pierwszej i ostatniej klatki, umożliwiając programistom określenie klatek początkowych i końcowych w celu uzyskania płynnych, przemyślanych ruchów kamery i przejść między ujęciami. Na potrzeby dostawy gotowe projekty można przeskalować do rozdzielczości 4K, a tryb podglądu 360p umożliwia twórcom szybkie i tanie wykonywanie iteracji zgodnie z monitami przed przystąpieniem do ostatecznych renderów.
Od API po powierzchnie codziennego użytku
Google włącza także oba modele do swoich produktów konsumenckich i tu właśnie ukazuje się jego przewaga dystrybucyjna. Na Androidzie nowa funkcja „Rambler” w Gboard korzysta z transkrypcji 3.5, aby zamieniać wypowiadane myśli na dobrze sformatowany tekst podczas filtrowania słów wypełniających — użytkownicy mogą nawet wprowadzać zmiany głosowo. Model obsługuje także dyktowanie w aplikacji Gemini na macOS, współpracuje z kontekstem ekranowym w Google Antigravity i jest integrowany z przeglądarką Chrome.
Dla programistów te dwie premiery są odczytywane jako jedna strategia: Google wypycha Gemini z chatbota, z którym rozmawiasz, do infrastruktury, która widzi, słyszy i produkuje media. Dzięki OpenAI, ElevenLabs i kohorcie start-upów zajmujących się wideo konkurujących na tym samym terytorium współczynnik błędów słownych na poziomie 2,6% i 40-sekundowe spójne sceny to oferta początkowa Google w przypadku zadań produkcyjnych, które faktycznie generują przychody – agentów głosowych, potoków napisów i narzędzi kreatywnych. Programiści mogą już dziś rozpocząć tworzenie obu modeli w Google AI Studio.
Dlaczego wskaźnik błędów w słowach nadal ma znaczenie
Współczynnik błędów w słowach brzmi jak statystyka akademicka, ale w środowisku produkcyjnym jest to różnica między produktem głosowym, który działa, a takim, który frustruje. Każda niezrozumiała wypowiedź w agencie głosowym przerywa zadanie: źle usłyszany identyfikator zamówienia powoduje nieudane wyszukiwanie, zniekształcony adres wysyła paczkę do niewłaściwego miasta. Właśnie dlatego różnica między 2,6-procentowym WER w przypadku dźwięku nie przesyłanego strumieniowo a wysokimi jednocyfrowymi współczynnikami, które były powszechne w poprzedniej generacji modeli, składa się na różnicę rzędu wielkości w użyteczności.
Rozróżnienie między dwoma trybami zgłoszone przez Google ma również znaczenie dla architektów. Transkrypcja strumieniowa — współczynnik WER wynoszący 4,0% — poświęca pewną dokładność na rzecz opóźnienia poniżej sekundy, którego wymagają interaktywne zastosowania, takie jak agenci głosowi na żywo. Transkrypcja wsadowa nagranego dźwięku przebiega wolniej, ale osiąga 2,6 procent, dlatego też analityka po rozmowie i przetwarzanie archiwalne mogą być bardziej wymagające. Decyzja Google o udostępnieniu obu jako oddzielnych punktów końcowych modelu, a nie jednego regulowanego ustawienia, potwierdza, że programiści tworzą różne produkty po obu stronach tego kompromisu.
Wielopoziomowy przepływ pracy przy produkcji wideo
Aktualizacja Omni 1.1 Flash jest równie pragmatyczna w kwestii tego, jak faktycznie wygląda praca twórcza. Iteracja generatywnego wideo jest kosztowna: każdy szybki eksperyment oznaczał pełne renderowanie. Nowy tryb podglądu 360p oddziela eksplorację od dostarczania, umożliwiając twórcom szybkie i niedrogie przeglądanie zmian i płacenie za skalowanie do 4K jedynie w przypadku ujęć, które przetrwają recenzję.
Mechanika rozszerzania scen rozwiązuje problem spójności, który utrzymuje wideo AI w getcie wielkości klipu. Analizując 10 sekund wcześniejszego kontekstu, a nie tylko końcową klatkę, model może wydłużyć scenę w 10-sekundowych odstępach do 40 sekund, zachowując spójność postaci, oświetlenia i stylu wizualnego. W połączeniu z interpolacją pierwszej i ostatniej klatki — która daje redaktorom deterministyczne punkty kontroli oraz sposób działania znaczników wejścia i wyjścia w konwencjonalnym montażu — materiał wygenerowany przez sztuczną inteligencję zaczyna pasować do rzeczywistych procesów postprodukcyjnych, a nie zastępować je hurtowo.
Obraz konkurencji
Obie premiery pozycjonują Google jako infrastrukturę, a nie miejsce docelowe. W przypadku mowy Google konkuruje z wyspecjalizowanymi dostawcami transkrypcji i stosami głosowymi swoich rywali w chmurze, łącząc najnowocześniejszą dokładność z interfejsem API Gemini, z którego już korzystają jego programiści. W przypadku wideo konkuruje na rynku pełnym dobrze finansowanych start-upów, kładąc nacisk na kontrolę i integrację przepływu pracy nad surowy spektakl.
Decydującym czynnikiem może być przewaga dystrybucyjna. Ten sam model transkrypcji, który programiści mogą wywołać z interfejsu API Gemini, obsługuje już dyktando Rambler w Gboard na Androidzie, aplikację Gemini na macOS, Google Antigravity i Chrome – co oznacza, że Google może amortyzować rozwój modelu na podstawie miliardów interakcji użytkowników, zbierając jednocześnie zróżnicowany dźwięk ze świata rzeczywistego, który stale go ulepsza. Dla programistów wybierających stos mowy lub wideo w 2026 r. to koło zamachowe jest teraz częścią oferty.
---
Bądź na Bieżąco z AINajnowsze wiadomości, analizy i przełomy w dziedzinie AI — wszystko w jednym miejscu.
Czytaj więcej wiadomości AI →
