Google ilisafirisha kimya kimya masasisho mawili muhimu ya muundo wa Gemini ndani ya saa 48 wiki hii, na zote mbili zinalenga wasanidi programu wanaounda programu za uzalishaji. Gemini 3.5 Transcribe, iliyoletwa Agosti 26, ndiyo muundo sahihi zaidi wa kampuni wa hotuba-kwa-maandishi hadi sasa, kulingana na blogu rasmi ya Google. Gemini Omni 1.1 Flash, iliyotangazwa Agosti 27, inaleta vidhibiti vya kiwango cha kitaalamu kwenye video za uzalishaji, ikijumuisha upanuzi wa eneo hadi sekunde 40 na upandishaji wa 4K. Miundo yote miwili inapatikana kupitia Gemini API katika Google AI Studio na Gemini Enterprise Agent Platform.
Gemini 3.5 Nakili: hotuba-kwa-maandishi ambayo husafisha yenyewe For more context on this story, see our ongoing AI trends.
Kinachotofautisha Gemini 3.5 Nakili na utambuzi wa kawaida wa usemi, Google inasema, ni kwamba inabadilisha sauti mbichi moja kwa moja hadi maandishi yaliyoboreshwa, yaliyoumbizwa badala ya nakala mbichi. Muundo huu unashughulikia kelele za chinichini, jargon changamano, na usafishaji wa kuharibika kwa sauti kwa asili - huondoa maneno ya kujaza kama "ums" na "ahs," husuluhisha masahihisho ya kibinafsi kama vile "tukutane Jumanne—hapana, Jumatano," na kuumbiza matokeo kiotomatiki.
Nambari za kigezo ambazo Google ilitaja zinajulikana. Kama inavyopimwa na Uchanganuzi Bandia, muundo huu unafikia wastani wa kiwango cha makosa ya maneno (WER) cha asilimia 4.0 kwa matukio ya matumizi ya utiririshaji na asilimia 2.6 kwa sauti isiyotiririsha. Kwenye kipimo cha lugha nyingi cha FLEURS katika lugha zote maarufu, huchapisha WER ya asilimia 5.50 katika hali ya utiririshaji na asilimia 5.04 ya kutotiririsha, ikiboresha muundo wa awali wa unukuzi wa Google, Chirp 3. Muda wa unukuzi wa mwisho unaboresha kwa asilimia 70 ikilinganishwa na Chirp 3, tena kama inavyopimwa na Uchanganuzi Bandia.
Mfano husafirisha katika lahaja mbili kwa mtiririko wa kazi mbili. Kwa programu za moja kwa moja, `gemini-3.5-transcribe-live` hutoa utiririshaji unaoendelea wa maelekezo mawili kwa muda wa kusubiri wa sekunde ndogo kupitia API ya Moja kwa Moja, inayolenga mawakala wa sauti na manukuu ya wakati halisi. Kwa sauti iliyorekodiwa — mikutano, rekodi za simu, kumbukumbu — `gemini-3.5-transcribe` inatoa sifa ya spika kwa hadi spika tatu (pamoja na usaidizi wa zaidi katika hali ya majaribio) na mihuri ya saa ya kiwango cha maneno kupitia API ya Maingiliano.
Uwezo mwingine ni pamoja na utambuzi wa kiotomatiki na unukuu katika zaidi ya lugha 85 kwa lafudhi na ushughulikiaji wa lahaja, na usaidizi maalum wa msamiati ili muundo ubadilike kwa jargon maalum na tahajia za kipekee. Google pia ilitoa macho ya kielelezo cha aina: kupitia simu ya chaguo la kukokotoa, inaweza kukabidhi kazi kama vile utengenezaji wa picha au uchanganuzi wa faili kwa miundo mingine ya Gemini - kipengele kinachopatikana kwa sasa katika programu ya Gemini kwenye macOS.
Gemini Omni 1.1 Flash: utengenezaji wa video hukuza kalenda ya matukio
Uzinduzi wa pili unashughulikia malalamiko ya kawaida kuhusu video ya AI: udhibiti. Gemini Omni 1.1 Flash ni sasisho linalolenga uzalishaji ambalo hufanya video za uzalishaji kuelekeza kwa njia ambazo watangulizi wake hawakuwa, huku wasimamizi wa bidhaa wa Google DeepMind Anish Nangia na Alisa Fortin wakielezea toleo hilo kama linalofanya Omni 1.1 "tayari kwa matumizi ya kitaaluma."
Ugani wa onyesho ni kipengele cha kichwa. Wasanidi programu sasa wanaweza kuendelea kutoa video kwa urahisi kutoka kwa klipu iliyopo, muundo ukichanganua hadi sekunde 10 za muktadha wa awali - hatua kubwa kutoka kwa miundo ya awali iliyorejelea sekunde ya mwisho pekee. Video zinaweza kupanuliwa kwa nyongeza za sekunde 10 hadi urefu wa limbikizo wa sekunde 40, kuboresha uthabiti wa kuona na ufuasi wa simulizi kwa hadithi ndefu.
Sasisho pia huongeza tafsiri ya fremu ya kwanza na ya mwisho, ambayo huwaruhusu wasanidi programu kubainisha fremu za kuanza na kumalizia ili kuunda miondoko ya kamera na ya kimakusudi kati ya picha. Kwa uwasilishaji, miradi iliyokamilika inaweza kupandishwa hadi ubora wa 4K, huku hali ya onyesho la kukagua ya 360p huruhusu watayarishi kurudia madokezo haraka na kwa bei nafuu kabla ya kujitolea kwa matoleo ya mwisho.
Kutoka API hadi nyuso za kila siku
Google pia inaunganisha miundo yote miwili katika bidhaa zake za watumiaji, ambapo faida yake ya usambazaji inaonyesha. Kwenye Android, kipengele kipya cha "Rambler" katika Gboard hutumia 3.5 Nukuu ili kubadilisha mawazo yanayotamkwa kuwa maandishi yaliyopangwa vyema huku kuchuja maneno ya kujaza — watumiaji wanaweza hata kufanya mabadiliko kwa sauti. Muundo huo pia huwezesha kuamuru katika programu ya Gemini kwenye macOS, hufanya kazi pamoja na muktadha wa skrini katika Google Antigravity, na inaunganishwa kwenye Chrome.
Kwa wasanidi programu, uzinduzi huo mbili unasomwa kama mkakati mmoja: Google inasukuma Gemini kutoka kwenye chatbot unayozungumza nayo hadi kwenye miundombinu inayoona, kusikia, na kutoa maudhui. Tukiwa na OpenAI, ElevenLabs, na kundi la waanzishaji wa video wanaoshindana katika eneo moja, asilimia 2.6 ya kiwango cha makosa ya maneno na matukio madhubuti ya sekunde 40 ni zabuni ya Google ya kufungua mzigo wa kazi wa uzalishaji ambao kwa kweli hutoa mapato - mawakala wa sauti, mabomba ya kunukuu na zana za ubunifu. Wasanidi programu wanaweza kuanza kujenga na miundo yote miwili katika Studio ya Google AI leo.
Kwa nini kiwango cha makosa ya maneno bado ni muhimu
Kasi ya makosa ya neno inaonekana kama takwimu ya kitaaluma, lakini katika uzalishaji ni tofauti kati ya bidhaa ya sauti inayofanya kazi na ile inayokatisha tamaa. Kila matamshi yasiyoeleweka katika wakala wa sauti huvunja kazi: kitambulisho cha agizo ambacho hakijasikika vizuri husababisha utaftaji ambao haujafaulu, anwani iliyoharibika hutuma kifurushi kwa jiji lisilofaa. Ndio maana pengo kati ya asilimia 2.6 ya WER kwenye sauti isiyotiririshwa na viwango vya juu vya tarakimu moja ambavyo vilikuwa vya kawaida katika kizazi cha modeli zilizopita huchanganyika katika tofauti ya mpangilio wa ukubwa katika utumiaji.
Tofauti kati ya aina mbili zilizoripotiwa na Google pia ni muhimu kwa wasanifu. Unukuzi wa mtiririko - asilimia 4.0 ya takwimu ya WER - hubadilisha usahihi fulani kwa muda wa kusubiri wa sekunde ndogo, ambayo kesi za utumiaji mwingiliano kama vile mawakala wa sauti ya moja kwa moja huhitaji. Unukuzi wa kundi la sauti iliyorekodiwa unaendelea polepole lakini hufikia asilimia 2.6, ndiyo maana uchanganuzi wa baada ya simu na uchakataji wa kumbukumbu unaweza kumudu kuhitajika zaidi. Uamuzi wa Google wa kufichua zote mbili kama viingilio tofauti vya muundo badala ya mpangilio mmoja unaoweza kurekebishwa unakubali kuwa wasanidi programu huunda bidhaa tofauti kila upande wa biashara hiyo.
Mtiririko wa kazi uliopangwa kwa utengenezaji wa video
Sasisho la Omni 1.1 Flash ni sawa kuhusu jinsi kazi ya ubunifu inavyofanyika. Video ya uzalishaji imekuwa ghali kuirudia: kila jaribio la papo hapo lilimaanisha utoaji kamili. Hali mpya ya onyesho la kukagua 360p hutenganisha uvumbuzi na uwasilishaji, ikiruhusu watayarishi kuzunguka kupitia mabadiliko ya haraka kwa bei nafuu na kulipia tu uongezaji wa 4K kwenye picha ambazo hazijahakikiwa.
Mitambo ya upanuzi wa tukio inashughulikia tatizo la ushikamani ambalo limeweka video ya AI kwenye geto la ukubwa wa klipu. Kwa kuchanganua sekunde 10 za muktadha wa awali badala ya fremu ya mwisho pekee, kielelezo kinaweza kupanua tukio kwa nyongeza za sekunde 10 hadi sekunde 40 huku kikiwa na vibambo, mwangaza na mtindo wa kuona. Ikiunganishwa na ukalimani wa fremu ya kwanza na ya mwisho - ambayo huwapa wahariri pointi za udhibiti zinazoweza kubainishwa, njia ya kuingia na kutoka vialamisho hufanya kazi katika uhariri wa kawaida - Kanda zinazozalishwa na AI huanza kutoshea katika mabomba halisi ya baada ya utayarishaji badala ya kuzibadilisha kwa jumla.
Picha ya ushindani
Zote mbili huzindua Google kama miundombinu badala ya lengwa. Katika hotuba, Google inachukua wachuuzi maalum wa manukuu na safu za sauti za wapinzani wake wa wingu kwa kuunganisha usahihi wa hali ya juu kwenye API ya Gemini ambayo wasanidi wake tayari wanaitumia. Katika video, inashindana katika soko lililosongamana na wanaoanza wanaofadhiliwa vyema kwa kusisitiza udhibiti na ujumuishaji wa mtiririko wa kazi juu ya tamasha mbichi.
Faida ya usambazaji inaweza kuwa sababu ya kuamua. Muundo ule ule wa manukuu ambao wasanidi programu wanaweza kupiga simu kutoka kwa API ya Gemini tayari unawezesha maagizo ya Gboard ya Rambler kwenye Android, programu ya Gemini kwenye macOS, Google Antigravity, na Chrome - kumaanisha kwamba Google inaweza kupunguza uundaji wa muundo katika mabilioni ya mwingiliano wa watumiaji huku ikikusanya sauti mbalimbali za ulimwengu halisi zinazoendelea kuiboresha. Kwa wasanidi wanaochagua mkusanyiko wa hotuba au video mnamo 2026, flywheel hiyo sasa ni sehemu ya sauti.
---
Stay Ahead of AIGet the latest AI news, analysis, and breakthroughs — all in one place.
Read more AI news →
