Google จัดส่งการอัปเดตโมเดล Gemini ที่สำคัญสองรายการอย่างเงียบ ๆ ภายใน 48 ชั่วโมงในสัปดาห์นี้ และทั้งสองมีเป้าหมายที่นักพัฒนาซอฟต์แวร์ที่สร้างแอปพลิเคชันที่ใช้งานจริง Gemini 3.5 Transcribe ซึ่งเปิดตัวเมื่อวันที่ 26 สิงหาคม ถือเป็นรูปแบบคำพูดเป็นข้อความที่แม่นยำที่สุดของบริษัท ตามบล็อกอย่างเป็นทางการของ Google Gemini Omni 1.1 Flash เปิดตัวเมื่อวันที่ 27 สิงหาคม นำการควบคุมระดับมืออาชีพมาสู่วิดีโอทั่วไป รวมถึงการขยายฉากสูงสุด 40 วินาทีและการลดขนาด 4K ทั้งสองรุ่นมีให้บริการผ่าน Gemini API ใน Google AI Studio และ Gemini Enterprise Agent Platform

Gemini 3.5 Transcribe: คำพูดเป็นข้อความที่ล้างข้อมูลหลังจากตัวมันเอง For more context on this story, see our ongoing AI industry coverage.

สิ่งที่ทำให้ Gemini 3.5 Transcribe แตกต่างจากการรู้จำคำพูดทั่วไป Google กล่าวคือ แปลงเสียงดิบให้เป็นข้อความที่มีการจัดรูปแบบที่สวยงามโดยตรง แทนที่จะแปลงเสียงดิบ โมเดลจะจัดการเสียงรบกวนในพื้นหลัง ศัพท์แสงที่ซับซ้อน และการล้างความไม่สอดคล้องกัน โดยจะลบคำเติม เช่น "ums" และ "ahs" ออก แก้ไขการแก้ไขตัวเอง เช่น "มาเจอกันวันอังคาร ไม่ วันพุธ" และจัดรูปแบบเอาต์พุตอัตโนมัติ

ตัวเลขมาตรฐานที่ Google อ้างถึงนั้นมีความโดดเด่น จากการวัดโดยการวิเคราะห์เชิงประดิษฐ์ โมเดลดังกล่าวได้รับอัตราข้อผิดพลาดของคำโดยเฉลี่ย (WER) อยู่ที่ 4.0 เปอร์เซ็นต์สำหรับกรณีการใช้งานสตรีมมิ่ง และ 2.6 เปอร์เซ็นต์สำหรับเสียงที่ไม่ได้สตรีม ในการวัดประสิทธิภาพหลายภาษาของ FLEURS ในภาษาชั้นนำต่างๆ มีการโพสต์ WER 5.50 เปอร์เซ็นต์ในโหมดสตรีมมิ่งและ 5.04 เปอร์เซ็นต์ที่ไม่ใช่สตรีมมิ่ง ซึ่งได้รับการปรับปรุงจากโมเดลการถอดเสียงรุ่นก่อนหน้าของ Google นั่นคือ Chirp 3 ส่วนเวลาในการถอดเสียงขั้นสุดท้ายดีขึ้น 70 เปอร์เซ็นต์เมื่อเทียบกับ Chirp 3 ซึ่งวัดอีกครั้งโดยการวิเคราะห์เชิงประดิษฐ์

โมเดลมีจำหน่ายสองแบบสำหรับสองเวิร์กโฟลว์ สำหรับแอปพลิเคชันถ่ายทอดสด `gemini-3.5-transcribe-live` มอบการสตรีมแบบสองทิศทางอย่างต่อเนื่องโดยมีเวลาแฝงต่ำกว่าวินาทีผ่าน Live API โดยกำหนดเป้าหมายตัวแทนเสียงและคำบรรยายแบบเรียลไทม์ สำหรับเสียงที่บันทึกไว้ เช่น การประชุม บันทึกการโทร การเก็บถาวร `gemini-3.5-transcribe` นำเสนอการระบุแหล่งที่มาของวิทยากรสำหรับวิทยากรสูงสุด 3 คน (พร้อมรองรับเพิ่มเติมในโหมดทดลอง) และการประทับเวลาระดับคำผ่าน Interactions API

ความสามารถอื่นๆ ได้แก่ การตรวจจับและการถอดเสียงอัตโนมัติในกว่า 85 ภาษาพร้อมการจัดการสำเนียงและภาษาถิ่น และการรองรับคำศัพท์แบบกำหนดเอง เพื่อให้โมเดลปรับให้เข้ากับศัพท์เฉพาะและการสะกดคำที่เป็นเอกลักษณ์ Google ยังทำให้โมเดลมีรูปลักษณ์ที่คล้ายคลึงกัน ด้วยการเรียกใช้ฟังก์ชัน โดยสามารถมอบหมายงานต่างๆ เช่น การสร้างภาพหรือการวิเคราะห์ไฟล์ให้กับโมเดล Gemini อื่นๆ ซึ่งเป็นคุณลักษณะที่มีอยู่ในแอป Gemini บน macOS ในปัจจุบัน

Gemini Omni 1.1 Flash: การสร้างวิดีโอขยายไทม์ไลน์

การเปิดตัวครั้งที่สองกล่าวถึงข้อร้องเรียนที่พบบ่อยที่สุดเกี่ยวกับวิดีโอ AI: การควบคุม Gemini Omni 1.1 Flash เป็นการอัปเดตที่เน้นการใช้งานจริงซึ่งทำให้วิดีโอเชิงสร้างสรรค์สามารถควบคุมได้ในแบบที่รุ่นก่อนๆ ไม่ใช่ โดย Anish Nangia ผู้จัดการผลิตภัณฑ์ Google DeepMind และ Alisa Fortin อธิบายว่าการเปิดตัวครั้งนี้ทำให้ Omni 1.1 "พร้อมสำหรับการใช้งานระดับมืออาชีพ"

ส่วนขยายฉากเป็นคุณลักษณะพาดหัว ขณะนี้นักพัฒนาสามารถสร้างฟุตเทจต่อไปได้อย่างราบรื่นจากคลิปที่มีอยู่ โดยโมเดลจะวิเคราะห์บริบทก่อนหน้าสูงสุด 10 วินาที ซึ่งถือเป็นการก้าวกระโดดจากโมเดลก่อนหน้าที่อ้างอิงเฉพาะวินาทีสุดท้าย วิดีโอสามารถขยายเพิ่มทีละ 10 วินาทีจนสุดความยาวสะสมได้ 40 วินาที ปรับปรุงความสอดคล้องของภาพและการดำเนินเรื่องที่ต่อเนื่องสำหรับเรื่องราวที่ยาวขึ้น

การอัปเดตยังเพิ่มการแก้ไขเฟรมแรกและเฟรมสุดท้าย ช่วยให้นักพัฒนาระบุเฟรมเริ่มต้นและสิ้นสุดเพื่อสร้างการเคลื่อนไหวของกล้องและการเปลี่ยนระหว่างช็อตต่างๆ ได้อย่างราบรื่นและตั้งใจ สำหรับการส่งมอบ โปรเจ็กต์ที่เสร็จแล้วสามารถอัปเกรดเป็นความละเอียด 4K ได้ ในขณะที่โหมดดูตัวอย่าง 360p ช่วยให้ผู้สร้างทำซ้ำตามคำแนะนำได้อย่างรวดเร็วและราคาถูกก่อนที่จะตัดสินใจทำการเรนเดอร์ขั้นสุดท้าย

จาก API สู่พื้นผิวในชีวิตประจำวัน

Google กำลังรวมทั้งสองรุ่นเข้ากับผลิตภัณฑ์เพื่อผู้บริโภคซึ่งเป็นข้อได้เปรียบในการกระจายสินค้า บน Android ฟีเจอร์ "Rambler" ใหม่ใน Gboard ใช้ 3.5 Transcribe เพื่อเปลี่ยนความคิดที่พูดเป็นข้อความที่มีการจัดรูปแบบอย่างดีในขณะที่กรองคำเติม ผู้ใช้ยังสามารถแก้ไขด้วยเสียงได้อีกด้วย โมเดลนี้ยังขับเคลื่อนการป้อนตามคำบอกในแอป Gemini บน macOS ทำงานร่วมกับบริบทหน้าจอใน Google Antigravity และกำลังรวมเข้ากับ Chrome

สำหรับนักพัฒนา การเปิดตัวทั้งสองถือเป็นกลยุทธ์เดียว: Google กำลังผลักดัน Gemini จากแชทบอทที่คุณพูดคุยด้วยเข้าสู่โครงสร้างพื้นฐานที่มองเห็น ได้ยิน และผลิตสื่อ ด้วย OpenAI, ElevenLabs และกลุ่มบริษัทสตาร์ทอัพวิดีโอที่แข่งขันกันในพื้นที่เดียวกัน อัตราข้อผิดพลาดของคำ 2.6 เปอร์เซ็นต์และฉากที่เชื่อมโยงกัน 40 วินาทีเป็นการเสนอราคาเริ่มต้นของ Google สำหรับปริมาณงานการผลิตที่สร้างรายได้จริง เช่น ตัวแทนเสียง ไปป์ไลน์คำบรรยาย และเครื่องมือสร้างสรรค์ นักพัฒนาสามารถเริ่มสร้างด้วยทั้งสองโมเดลใน Google AI Studio ได้แล้ววันนี้

เหตุใดอัตราข้อผิดพลาดของคำจึงยังคงมีความสำคัญ

อัตราข้อผิดพลาดของคำดูเหมือนเป็นสถิติทางวิชาการ แต่ในทางปฏิบัติ ความแตกต่างระหว่างผลิตภัณฑ์เสียงที่ใช้งานได้กับผลิตภัณฑ์ที่ทำให้หงุดหงิดมีความแตกต่างกัน ทุกคำพูดที่เข้าใจผิดในตัวแทนเสียงทำให้งานเสียหาย: ID คำสั่งซื้อที่ได้ยินผิดทำให้เกิดการค้นหาที่ล้มเหลว ที่อยู่ที่อ่านไม่ออกจะส่งพัสดุไปยังเมืองที่ไม่ถูกต้อง นั่นคือสาเหตุที่ช่องว่างระหว่าง WER 2.6 เปอร์เซ็นต์สำหรับเสียงที่ไม่ใช่สตรีมมิ่งและอัตราเลขหลักเดียวที่สูงซึ่งเป็นเรื่องปกติในรุ่นก่อนๆ ทำให้เกิดความแตกต่างในการใช้งานตามลำดับขนาด

ความแตกต่างระหว่างสองโหมดที่ Google รายงานก็มีความสำคัญสำหรับสถาปนิกเช่นกัน การถอดเสียงแบบสตรีมมิ่ง - ตัวเลข WER 4.0 เปอร์เซ็นต์ - แลกความแม่นยำบางส่วนกับเวลาแฝงที่ต่ำกว่าวินาที ซึ่งกรณีการใช้งานแบบโต้ตอบเช่นตัวแทนเสียงสดต้องการ การถอดเสียงที่บันทึกไว้เป็นกลุ่มทำงานช้าลงแต่สูงถึง 2.6 เปอร์เซ็นต์ ซึ่งเป็นเหตุผลว่าทำไมการวิเคราะห์หลังการโทรและการประมวลผลไฟล์เก็บถาวรจึงมีความต้องการมากขึ้น การตัดสินใจของ Google ที่จะเปิดเผยทั้งสองเป็นจุดสิ้นสุดของโมเดลที่แยกจากกัน แทนที่จะเป็นการตั้งค่าที่ปรับได้เพียงการตั้งค่าเดียวเป็นการรับทราบว่านักพัฒนาสร้างผลิตภัณฑ์ที่แตกต่างกันทั้งสองด้านของข้อดีนั้น

ขั้นตอนการทำงานแบบลำดับชั้นสำหรับการผลิตวิดีโอ

การอัปเดต Omni 1.1 Flash นั้นเน้นการปฏิบัติจริงไม่แพ้กันเกี่ยวกับความคิดสร้างสรรค์ที่เกิดขึ้นจริง การสร้างวิดีโอซ้ำนั้นมีราคาแพงในการทำซ้ำ การทดสอบทันทีทุกครั้งหมายถึงการเรนเดอร์เต็มรูปแบบ โหมดแสดงตัวอย่าง 360p ใหม่แยกการสำรวจออกจากการนำเสนอ ช่วยให้ผู้สร้างหมุนเวียนไปตามรูปแบบต่างๆ ได้ทันทีในราคาถูก และจ่ายเฉพาะการเพิ่มสเกล 4K ของช็อตที่รอดจากการตรวจสอบเท่านั้น

กลไกส่วนขยายฉากช่วยแก้ปัญหาการเชื่อมโยงกันที่ทำให้วิดีโอ AI อยู่ในสลัมขนาดคลิป ด้วยการวิเคราะห์บริบทก่อนหน้า 10 วินาที แทนที่จะวิเคราะห์เฉพาะเฟรมสุดท้าย โมเดลสามารถขยายฉากโดยเพิ่มทีละ 10 วินาที สูงสุด 40 วินาที ในขณะเดียวกันก็รักษาตัวละคร แสง และสไตล์ของภาพให้สอดคล้องกัน เมื่อรวมกับการแก้ไขเฟรมแรกและเฟรมสุดท้าย ซึ่งให้จุดควบคุมที่กำหนดแก่ผู้แก้ไข เครื่องหมายเข้าและออกทำงานในการแก้ไขแบบเดิมๆ ฟุตเทจที่สร้างโดย AI จะเริ่มพอดีกับขั้นตอนหลังการผลิตจริง แทนที่จะแทนที่การขายส่ง

ภาพการแข่งขัน

การเปิดตัวทั้งสองวางตำแหน่ง Google เป็นโครงสร้างพื้นฐานมากกว่าปลายทาง ในคำพูด Google กำลังรับผู้จำหน่ายการถอดเสียงแบบพิเศษและกองเสียงของคู่แข่งระบบคลาวด์โดยการรวมความแม่นยำที่ล้ำสมัยเข้ากับ Gemini API ที่นักพัฒนาใช้อยู่แล้ว ในวิดีโอ มีการแข่งขันในตลาดที่เต็มไปด้วยสตาร์ทอัพที่ได้รับทุนสนับสนุนสูง โดยเน้นการควบคุมและบูรณาการเวิร์กโฟลว์เหนือปรากฏการณ์ดิบ

ข้อได้เปรียบในการกระจายอาจเป็นปัจจัยในการตัดสินใจ โมเดลการถอดเสียงแบบเดียวกับที่นักพัฒนาสามารถเรียกใช้จาก Gemini API ได้ขับเคลื่อนการป้อนตามคำบอกของ Gboard's Rambler บน Android, แอป Gemini บน macOS, Google Antigravity และ Chrome ซึ่งหมายความว่า Google สามารถตัดทอนการพัฒนาโมเดลจากการโต้ตอบของผู้ใช้นับพันล้านครั้งไปพร้อมๆ กับรวบรวมเสียงในโลกแห่งความเป็นจริงที่หลากหลายซึ่งจะปรับปรุงอย่างต่อเนื่อง สำหรับนักพัฒนาที่เลือกกลุ่มคำพูดหรือวิดีโอในปี 2026 มู่เล่นั้นเป็นส่วนหนึ่งของการนำเสนอแล้ว

---

Stay Ahead of AI

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

Read more AI news →