Google imezindua Gemini 3.5 Transcribe, muundo mpya wa hotuba-kwa-maandishi ulioundwa kwa ajili ya unukuzi wa wakati halisi ambao hutambua zaidi ya lugha 85 kiotomatiki - na kung'arisha utoaji njiani, kuondoa maneno ya kujaza na kusahihisha makosa ya maongezi bila kuulizwa.
Uzinduzi huu unaweka safu ya hotuba ya Google kama mpinzani wa moja kwa moja katika soko la unukuzi linalokua kwa kasi, ambapo usahihi na ucheleweshaji huamua ni huduma zipi zinazokubaliwa na wasanidi programu kwa ajili ya simu, mikutano, manukuu na violesura vya sauti. For more context on this story, see our ongoing breaking AI news.
Kile Mfano Anachoweza Kufanya
Kulingana na tangazo la Google, habari ambayo ilichapishwa na The Decoder, Gemini 3.5 Transcribe huenda zaidi ya kubadilisha maneno yanayozungumzwa kuwa maandishi:
- Ugunduzi wa lugha kiotomatiki katika lugha 85-plus, bila usanidi unaohitajika
- Kuondoa neno la kujaza, kusafisha "um," "uh," na tofauti kama hizo
- Marekebisho ya michirizi ya ulimi, kutoa nathari inayoweza kusomeka badala ya kelele ya neno.
- Uumbizaji wa maandishi unaojitegemea, ikijumuisha uakifishaji na muundo
Kampuni inaripoti kiwango cha makosa ya neno cha asilimia 4.0 ya kutiririsha sauti na asilimia 2.6 ya sauti iliyorekodiwa, kando na punguzo la muda wa kusubiri kwa takriban asilimia 70 ikilinganishwa na mtangulizi wake, Chirp 3 - kiasi kikubwa katika matukio ya manukuu ya moja kwa moja ambapo kuchelewa huvunja mazungumzo.
Viunganishi viwili vya Kazi Mbili
Wasanidi programu hupata ufikiaji kupitia violesura viwili tofauti vya upangaji programu:
API ya Moja kwa Moja — `gemini-3.5-nukuu-moja kwa moja`
Hushughulikia utiririshaji wa moja kwa moja na muda wa kusubiri wa chini sana, unaolenga manukuu ya moja kwa moja, mawakala wa sauti na wasaidizi wasilianifu ambapo muda wa majibu ndio muhimu zaidi.API ya Mwingiliano — `gemini-3.5-nukuu`
Huchakata sauti zilizorekodiwa na kurejesha manukuu yenye sifa za spika na mihuri ya muda - mtiririko wa kazi wa kawaida kwa mikutano, mahojiano, podikasti na utayarishaji wa media baada ya.Zaidi ya unukuu, muundo huu unaauni kitendo cha kupiga simu, kumaanisha kuwa unaweza kukasimu kazi za ufuatiliaji kwa miundo mingine katika familia ya Gemini - kwa mfano kuanzisha ombi la kuunda picha au utafutaji wa wavuti kulingana na kitu kilichosemwa wakati wa kipindi. Hiyo inageuza injini ya nakala kuwa safu ya kiolesura inayoweza kudhibitiwa kwa programu zinazoendeshwa na sauti.
Tayari Inasafirishwa Katika Bidhaa za Google
Muundo huu unapatikana katika Google AI Studio na kwenye Gemini Enterprise Agent Platform kwa wasanidi programu leo. Google pia imeiunganisha kwenye mifumo ya watumiaji: Gboard kwenye Android inaitumia kupitia kijenzi cha ndani kiitwacho Rambler kwa ajili ya kuandikia, programu ya Gemini kwenye macOS inaitumia katika kuweka data kwa kutamka, na muunganisho wa Chrome unapangwa kufuata.
Usambazaji huo ni muhimu. Utambuzi wa matamshi hupata uboreshaji wake, na kupachika muundo huo katika kibodi, programu za kompyuta za mezani, na vivinjari huiweka mbele ya mabilioni ya mwingiliano wa ingizo kila siku - huku ukitoa misururu ya tathmini inayohitajika ili kuweka viwango vya makosa kuangukia lafudhi, lahaja na mazingira yenye kelele.
Vigingi vya Ushindani katika Hotuba AI
Unukuzi umekuwa uwanja wa vita wenye ushindani kati ya maabara za mipakani na wachuuzi maalum sawa. Uelewa sahihi wa usemi wa muda wa chini ni tikiti ya kuingia kwa bidhaa za mawakala zinazotenda kulingana na maagizo yaliyosemwa, akili ya mkutano wa biashara, vipengele vya ufikivu, na otomatiki wa huduma kwa wateja kwa lugha nyingi.
Kwa kuoanisha uboreshaji wa muda mkali na matokeo ya kujisahihisha, Google inaweka dau kuwa wasanidi programu wanapendelea nakala zinazosomwa kama maandishi yaliyohaririwa badala ya kunasa fonetiki ghafi - kufanya biashara ya uaminifu mkali wa neno kwa urahisi wa matumizi. Timu zinazohitaji rekodi kamili, kama vile vinukuu vya kisheria au vya matibabu, bado vinaweza kutaka hali za neno moja kwa moja; kwa kila mtu mwingine, tofauti ya kiutendaji kati ya kumsikia mtu na kumwelewa inaendelea kuwa finyu.
Na Gemini 3.5 Transcribe sasa inapatikana kwa ujumla katika Studio ya AI na zana za biashara, jaribio la kwanza la maana litakuwa vipimo vya kupitishwa kutoka kwa wasanidi wa wakala wa sauti - sehemu ya soko inayokua haraka vya kutosha hivi kwamba hata faida za usahihi wa ziada hutafsiri kuwa maamuzi makubwa ya kubadili.
Kwa Nini Kuchelewa Ndio Uwanja Halisi wa Vita
Viwango vya makosa hupata vichwa vya habari, lakini muda wa kusubiri huamua kwa utulivu ni bidhaa zipi zinazoweza kutumika. Injini ya unukuzi inayotoa wekeleo la manukuu ya moja kwa moja inahitaji kuendana na kasi ya mazungumzo, au watazamaji wasijihusishe. Wakala wa sauti anayejadili simu ya usaidizi kwa wateja hawezi kusitisha kwa shida wakati safu yake ya hotuba inashika kasi. Google iliripoti punguzo la asilimia 70 la ucheleweshaji ikilinganishwa na Chirp 3 inalenga kwa usahihi pengo hilo - kufupisha umbali kati ya mzungumzaji kumaliza sentensi na mifumo ya chini inayoishughulikia.
Kwa matumizi ya mawakala hii hujumuisha: kila zamu ya mazungumzo yanayozungumzwa inahusisha utambuzi, hoja, na majibu. Kunyoa milisekunde kutoka hatua ya utambuzi huwapa wajenzi nafasi ya kutumia kwenye miundo yenye uwezo zaidi - na polepole zaidi - ya kufikiria bila kukiuka bajeti za muda wa mazungumzo.
Biashara ya Neno Nenosiri
Chaguo moja la kubuni linastahili kuchunguzwa. Kwa chaguo-msingi, Gemini 3.5 Nakala huratibu pato: maneno ya vijazaji hupotea, makwazo yanarekebishwa, na uumbizaji unatumika kiotomatiki. Kwa matumizi mengi ya biashara - dakika, manukuu, kumbukumbu zinazoweza kutafutwa - hicho ndicho hasa watumiaji wanataka.
Lakini mtiririko fulani wa kazi hutegemea rekodi za neno. Uwasilishaji wa kisheria, hakiki za kufuata, na ukaguzi wa ukweli wa wanahabari wakati mwingine huhitaji kujua kwa hakika kile kilichosemwa, kusita pamoja na kusitasita. Mashirika katika sekta zinazodhibitiwa yatataka ufafanuzi kuhusu ni kiasi gani cha kulainisha ambacho ni cha hiari na kinaweza kusanidiwa kabla ya kuhamisha mabomba nyeti hadi kwa muundo mpya. Nyaraka za Google na vigezo vya API vitaweka kwa ufanisi mahali mstari wa neno-dhidi-iliyong'olewa umekaa kwa tasnia.
Alama ya Lugha nyingi kama Moat
Matumizi ya lugha 85-plus kwa utambuzi wa kiotomatiki sio tu kipengele cha orodha ya vipengele. Ufikiaji wa lugha nyingi huzingatia thamani katika masoko ambapo washindani huchelewa kihistoria: lafudhi za kimaeneo, ubadilishaji msimbo kati ya lugha kati ya sentensi, na lugha zenye rasilimali ya chini zote huadhibu miundo iliyofunzwa kwa njia finyu juu ya shirika kubwa la Kiingereza.
Kwa biashara za kimataifa zinazoendesha vituo vya usaidizi katika nchi nyingi, muundo mmoja unaoshughulikia ugunduzi wa lugha kwa uwazi hupunguza utata wa ujumuishaji - bomba moja badala ya usanidi mwingi wa kila soko. Ikijumuishwa na usambazaji kupitia mabilioni ya usakinishaji wa Android wa Gboard, Google inaweka lugha nyingi zenye ubora wa nakala kama miundombinu badala ya uwezo wa kulipia.
Cha Kutazama
Ishara tatu zitaonyesha ikiwa Gemini 3.5 Transcribe itabadilisha sehemu ya soko au kuongeza tu matarajio: uhamaji wa wasanidi programu katika vigezo vya watu wengine katika miezi ijayo; jinsi wapinzani wanavyolingana haraka na nambari za muda wa kusubiri badala ya madai ya usahihi; na kama ndoano za kufanya kazi huzaa wimbi la mawakala wa sauti-kwanza waliojengwa asili kwenye Gemini. Uzinduzi huu unapatikana sasa, na viwango vya bei kupitia Studio ya AI vinapaswa kufanya majaribio kuwa nafuu vya kutosha hivi kwamba gharama za kubadili hazipungui chochote.
---
Stay Ahead of AIGet the latest AI news, analysis, and breakthroughs — all in one place.
Read more AI news →
