கூகிள் ஜெமினி 3.5 டிரான்ஸ்கிரிப், நிகழ்நேர டிரான்ஸ்கிரிப்ஷனுக்காக உருவாக்கப்பட்ட ஒரு புதிய பேச்சு-க்கு-உரை மாடலை அறிமுகப்படுத்தியுள்ளது, இது 85 க்கும் மேற்பட்ட மொழிகளை தானாக அங்கீகரிக்கிறது - மேலும் வெளியீட்டை மெருகூட்டுகிறது.

இந்த வெளியீடு, வேகமாக வளர்ந்து வரும் டிரான்ஸ்கிரிப்ஷன் சந்தையில் கூகுளின் பேச்சு அடுக்கை நேரடி சவாலாக நிலைநிறுத்துகிறது, அங்கு துல்லியம் மற்றும் தாமதம் ஆகியவை டெவலப்பர்கள் அழைப்புகள், சந்திப்புகள், தலைப்புகள் மற்றும் குரல் இடைமுகங்களுக்கு எந்த சேவைகளை ஏற்றுக்கொள்கிறார்கள் என்பதைத் தீர்மானிக்கிறது. For more context on this story, see our ongoing AI news.

மாதிரி என்ன செய்ய முடியும்

கூகிளின் அறிவிப்பின்படி, தி டிகோடரால் வெளியிடப்பட்ட கவரேஜ், ஜெமினி 3.5 டிரான்ஸ்கிரைப் பேசும் வார்த்தைகளை உரையாக மாற்றுவதைத் தாண்டியது:

  • தானியங்கி மொழி கண்டறிதல் 85-க்கும் மேற்பட்ட மொழிகளில், எந்த உள்ளமைவும் தேவையில்லை
  • நிரப்பு வார்த்தைகளை அகற்றுதல், "உம்," "உஹ்," மற்றும் இதே போன்ற விலகல்களை சுத்தம் செய்தல்
  • நாக்கு சறுக்கல்களை சரிசெய்தல், வாய்மொழி சத்தத்தை விட படிக்கக்கூடிய உரைநடையை உருவாக்குகிறது
  • தன்னியக்க உரை வடிவமைப்பு, நிறுத்தற்குறி மற்றும் அமைப்பு உட்பட

நிறுவனம் அதன் முன்னோடியான Chirp 3 உடன் ஒப்பிடும்போது, ஸ்ட்ரீமிங் ஆடியோவுக்கு 4.0 சதவீதமும், பதிவுசெய்யப்பட்ட ஆடியோவுக்கு 2.6 சதவீதமும் ** லேட்டன்சி குறைப்புகளுடன் சுமார் 70 சதவீதத்தைப் புகாரளிக்கிறது - நேரலை தலைப்புக் காட்சிகளில் தாமதம் உரையாடல்களை முறிக்கும் காட்சிகளில் கணிசமான அளவு.

இரண்டு வேலைகளுக்கு இரண்டு இடைமுகங்கள்

டெவலப்பர்கள் இரண்டு தனித்துவமான பயன்பாட்டு நிரலாக்க இடைமுகங்கள் மூலம் அணுகலைப் பெறுகிறார்கள்:

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

மிகக் குறைந்த தாமதத்துடன் நிகழ்நேர ஸ்ட்ரீமிங்கைக் கையாள்கிறது, நேரடி தலைப்புகள், குரல் முகவர்கள் மற்றும் ஊடாடும் உதவியாளர்களை இலக்காகக் கொண்டு பதிலளிக்கும் நேரம் மிகவும் முக்கியமானது.

தொடர்புகள் API — `gemini-3.5-transcribe`

ஸ்பீக்கர் பண்புக்கூறு மற்றும் நேர முத்திரைகளுடன் பதிவுசெய்யப்பட்ட ஆடியோவைச் செயலாக்குகிறது மற்றும் டிரான்ஸ்கிரிப்டுகளை வழங்குகிறது - கூட்டங்கள், நேர்காணல்கள், பாட்காஸ்ட்கள் மற்றும் மீடியா போஸ்ட் புரொடக்ஷன் ஆகியவற்றுக்கான பொதுவான பணிப்பாய்வு.

டிரான்ஸ்கிரிப்ஷனுக்கு அப்பால், இந்த மாடல் செயல்பாட்டு அழைப்பை ஆதரிக்கிறது, அதாவது ஜெமினி குடும்பத்தில் உள்ள பிற மாடல்களுக்கு இது பின்தொடர்தல் பணிகளை ஒப்படைக்க முடியும் - எடுத்துக்காட்டாக, ஒரு அமர்வின் போது கூறப்பட்ட ஒரு பட உருவாக்க கோரிக்கை அல்லது இணையத் தேடலைத் தூண்டுகிறது. இது டிரான்ஸ்கிரிப்ட் இன்ஜினை குரல் மூலம் இயக்கப்படும் பயன்பாடுகளுக்கான கட்டுப்படுத்தக்கூடிய இடைமுக அடுக்காக மாற்றுகிறது.

ஏற்கனவே Google தயாரிப்புகள் முழுவதும் அனுப்பப்படுகிறது

இந்த மாடல் இன்று Google AI ஸ்டுடியோ மற்றும் ஜெமினி எண்டர்பிரைஸ் ஏஜென்ட் பிளாட்ஃபார்மில் டெவலப்பர்களுக்காக நேரலையில் உள்ளது. கூகிள் இதை நுகர்வோர் பரப்புகளிலும் இணைக்கிறது: Gboard இல் Android டிக்டேஷனுக்காக Rambler எனப்படும் உள் கூறு வழியாகப் பயன்படுத்துகிறது, Gemini app on macOS இதை குரல் உள்ளீட்டிற்குப் பயன்படுத்துகிறது, மேலும் Chrome ஒருங்கிணைப்பு பின்பற்ற திட்டமிடப்பட்டுள்ளது.

அந்த விநியோகம் முக்கியம். பேச்சு அங்கீகாரம் அதன் அளவைப் பெறுகிறது, மேலும் விசைப்பலகைகள், டெஸ்க்டாப் பயன்பாடுகள் மற்றும் உலாவிகளில் மாதிரியை உட்பொதிப்பது தினசரி பில்லியன் கணக்கான உள்ளீட்டு தொடர்புகளுக்கு முன்னால் வைக்கிறது - அதே நேரத்தில் உச்சரிப்புகள், பேச்சுவழக்குகள் மற்றும் சத்தமில்லாத சூழல்களில் பிழை விகிதங்கள் குறைவதற்குத் தேவையான மதிப்பீட்டு சுழற்சிகளுக்கு உணவளிக்கும்.

பேச்சு AI இல் போட்டிப் பங்குகள்

டிரான்ஸ்கிரிப்ஷன் அமைதியாக எல்லைப்புற ஆய்வகங்கள் மற்றும் சிறப்பு விற்பனையாளர்கள் மத்தியில் ஒரு போட்டி போர்க்களமாக மாறியுள்ளது. துல்லியமான, குறைந்த தாமத பேச்சு புரிதல் என்பது பேசும் கட்டளைகள், நிறுவன சந்திப்பு நுண்ணறிவு, அணுகல் அம்சங்கள் மற்றும் பன்மொழி வாடிக்கையாளர் சேவை ஆட்டோமேஷன் ஆகியவற்றில் செயல்படும் முகவர் தயாரிப்புகளுக்கான நுழைவு டிக்கெட் ஆகும்.

ஆக்கிரமிப்பு தாமத மேம்பாடுகளை சுய-திருத்தும் வெளியீட்டுடன் இணைப்பதன் மூலம், டெவலப்பர்கள் மூல ஒலிப்புப் பிடிப்பைக் காட்டிலும் திருத்தப்பட்ட உரையைப் போல படிக்கும் டிரான்ஸ்கிரிப்டுகளை விரும்புகிறார்கள் என்று கூகிள் பந்தயம் கட்டுகிறது - பயன்பாட்டிற்கான கடுமையான சொற்களஞ்சிய நம்பகத்தன்மையை வர்த்தகம் செய்கிறது. சட்டப்பூர்வ அல்லது மருத்துவ எழுத்துப் பிரதிகள் போன்ற சரியான பதிவுகள் தேவைப்படும் அணிகள், இன்னும் சொல்லியல் முறைகளை விரும்பலாம்; மற்ற அனைவருக்கும், ஒருவரைக் கேட்பதற்கும் அவர்களைப் புரிந்துகொள்வதற்கும் இடையே உள்ள நடைமுறை வேறுபாடு குறுகிக்கொண்டே இருக்கிறது.

ஜெமினி 3.5 டிரான்ஸ்கிரைப் இப்போது பொதுவாக AI ஸ்டுடியோ மற்றும் நிறுவன கருவிகளில் கிடைக்கிறது, முதல் அர்த்தமுள்ள சோதனையானது குரல்-ஏஜென்ட் டெவலப்பர்களிடமிருந்து தத்தெடுப்பு அளவீடுகளாக இருக்கும் - ஒரு சந்தைப் பிரிவு விரைவாக வளரும், அதிகரிக்கும் துல்லியம் கூட கணிசமான மாறுதல் முடிவுகளாக மாறுகிறது.

தாமதம் ஏன் உண்மையான போர்க்களம்

பிழை விகிதங்கள் தலைப்புச் செய்திகளைப் பெறுகின்றன, ஆனால் தாமதமானது எந்த தயாரிப்புகள் சாத்தியமானவை என்பதை அமைதியாக தீர்மானிக்கிறது. ஒரு டிரான்ஸ்கிரிப்ஷன் இன்ஜின் நேரடி தலைப்பு மேலடுக்கு உரையாடலின் வேகத்தில் இருக்க வேண்டும் அல்லது பார்வையாளர்கள் விலக வேண்டும். வாடிக்கையாளர் ஆதரவு அழைப்பை பேச்சுவார்த்தை நடத்தும் ஒரு குரல் முகவரால் அதன் பேச்சு அடுக்கு பிடிக்கும் போது அருவருக்கத்தக்க வகையில் இடைநிறுத்த முடியாது. Chirp 3 உடன் ஒப்பிடும் போது தாமதத்தை 70 சதவிகிதம் குறைப்பதாக கூகுள் அறிவித்தது, அந்த இடைவெளியை துல்லியமாக இலக்காகக் கொண்டுள்ளது - பேச்சாளர் ஒரு வாக்கியத்தை முடிப்பதற்கும் கீழ்நிலை அமைப்புகளுக்கும் இடையே உள்ள தூரத்தைக் குறைக்கிறது.

ஏஜென்டிக் பயன்பாடுகளுக்கு இது சேர்க்கிறது: பேசும் உரையாடலின் ஒவ்வொரு திருப்பமும் அங்கீகாரம், பகுத்தறிவு மற்றும் பதில் ஆகியவற்றை உள்ளடக்கியது. அங்கீகார நிலையிலிருந்து மில்லி விநாடிகளை ஷேவிங் செய்வது, உரையாடல் நேர வரவு செலவுத் திட்டங்களை மீறாமல், அதிக திறன் கொண்ட - மற்றும் மெதுவான - பகுத்தறிவு மாடல்களில் செலவழிக்க பில்டர்களுக்கு ஹெட்ரூம் அளிக்கிறது.

வெர்பேட்டிம் வர்த்தகம்

ஒரு வடிவமைப்பு தேர்வு ஆய்வுக்கு தகுதியானது. இயல்பாக, ஜெமினி 3.5 டிரான்ஸ்க்ரைப் க்யூரேட் அவுட்புட்: நிரப்பு வார்த்தைகள் மறைந்துவிடும், தடுமாற்றங்கள் சரி செய்யப்படும், மேலும் வடிவமைப்பு தானாகவே பயன்படுத்தப்படும். பெரும்பாலான வணிகப் பயன்பாடுகளுக்கு - நிமிடங்கள், தலைப்புகள், தேடக்கூடிய காப்பகங்கள் - இதைத்தான் பயனர்கள் விரும்புகிறார்கள்.

ஆனால் சில பணிப்பாய்வுகள் சொற்களஞ்சிய பதிவுகளைச் சார்ந்தது. சட்டப்பூர்வ அறிக்கைகள், இணக்க மதிப்புரைகள் மற்றும் பத்திரிகை உண்மைச் சரிபார்ப்பு ஆகியவை சில சமயங்களில் கூறப்பட்டதைத் துல்லியமாகத் தெரிந்துகொள்ள வேண்டும், தயக்கங்களும் அடங்கும். ஒழுங்குபடுத்தப்பட்ட தொழில்களில் உள்ள நிறுவனங்கள், புதிய மாடலுக்கு சென்சிட்டிவ் பைப்லைன்களை மாற்றுவதற்கு முன், எவ்வளவு மென்மையாக்குவது விருப்பமானது மற்றும் கட்டமைக்கக்கூடியது என்பதில் தெளிவு வேண்டும். கூகுளின் ஆவணங்கள் மற்றும் ஏபிஐ அளவுருக்கள், தொழில்துறைக்கு வினைத்திறன்-எதிர்-பாலிஷ் செய்யப்பட்ட கோடு எங்கு இருக்க வேண்டும் என்பதை திறம்பட அமைக்கும்.

அகழியாக ஒரு பன்மொழி தடம்

தானியங்கு கண்டறிதலுடன் 85-க்கும் மேற்பட்ட மொழிகளின் கவரேஜ் அம்சம் சரிபார்ப்புப் பட்டியல் உருப்படி மட்டுமல்ல. போட்டியாளர்கள் வரலாற்று ரீதியாக பின்தங்கியுள்ள சந்தைகளில் பன்மொழி அணுகல் மதிப்பைக் குவிக்கிறது: பிராந்திய உச்சரிப்புகள், மொழிகளுக்கு இடையில் குறியீடு மாறுதல், மற்றும் குறைந்த வள மொழிகள் அனைத்தும் ஆங்கிலம்-கடுமையான கார்போராவில் குறுகிய முறையில் பயிற்சியளிக்கப்பட்ட தண்டனை மாதிரிகள்.

டஜன் கணக்கான நாடுகளில் ஆதரவு மையங்களை இயக்கும் உலகளாவிய நிறுவனங்களுக்கு, மொழி கண்டறிதலைக் கையாளும் ஒற்றை மாதிரியானது ஒருங்கிணைப்பு சிக்கலைக் குறைக்கிறது - பல சந்தை கட்டமைப்புகளுக்குப் பதிலாக ஒரு பைப்லைன். Gboard இன் பில்லியன் கணக்கான ஆண்ட்ராய்டு நிறுவல்கள் மூலம் விநியோகம் செய்வதோடு இணைந்து, கூகுள் ஒரு பிரீமியம் திறனைக் காட்டிலும், டிரான்ஸ்கிரிப்-தரம் பன்மொழியை உள்கட்டமைப்பாக நிலைநிறுத்துகிறது.

என்ன பார்க்க வேண்டும்

ஜெமினி 3.5 டிரான்ஸ்கிரைப் சந்தைப் பங்கை மாற்றுகிறதா அல்லது எதிர்பார்ப்புகளை உயர்த்துகிறதா என்பதை மூன்று சிக்னல்கள் காண்பிக்கும்: வரும் மாதங்களில் மூன்றாம் தரப்பு வரையறைகளில் டெவலப்பர் இடம்பெயர்வு; துல்லியமான உரிமைகோரல்களைக் காட்டிலும் தாமத எண்களை எவ்வளவு விரைவாக போட்டியாளர்கள் பொருத்துகிறார்கள்; மற்றும் செயல்பாடு-அழைப்பு ஹூக்குகள் ஜெமினியில் பூர்வீகமாகக் கட்டமைக்கப்பட்ட குரல்-முதல் முகவர்களின் அலையை உருவாக்குகின்றனவா. வெளியீடு இப்போது நேரலையில் உள்ளது, மேலும் AI ஸ்டுடியோ மூலம் விலை நிர்ணயம் செய்யும்போது சோதனையை மலிவாக மாற்ற வேண்டும், இதனால் மாறுதல் செலவுகள் எதுவும் இல்லை.

---

Stay Ahead of AI

Get the latest AI news, analysis, and breakthroughs — all in one place.

Read more AI news →