Google, 85'ten fazla dili otomatik olarak tanıyan ve gerçek zamanlı transkripsiyon için oluşturulmuş yeni bir konuşmadan metne dönüştürme modeli olan Gemini 3.5 Transcribe'ı piyasaya sürdü. Bu model, yol boyunca çıktıları parlatır, doldurucu sözcükleri çıkarır ve sorulmadan sözlü tökezlemeleri düzeltir.

Lansman, Google'ın konuşma yığınını, geliştiricilerin aramalar, toplantılar, altyazılar ve ses arayüzleri için hangi hizmetleri benimseyeceğini giderek artan oranda doğruluk ve gecikmenin belirlediği hızla büyüyen transkripsiyon pazarında doğrudan bir rakip olarak konumlandırıyor. For more context on this story, see our ongoing AI trends.

Model Neler Yapabilir?

The Decoder tarafından yayınlanan Google duyurusuna göre Gemini 3.5 Transcribe, konuşulan kelimeleri metne dönüştürmenin çok ötesine geçiyor:

  • Hiçbir yapılandırma gerektirmeden 85'ten fazla dilde otomatik dil algılama
  • Dolgu sözcüklerini kaldırma, "hım", "ııı" ve benzeri akıcılık bozukluklarının temizlenmesi
  • Dil sürçmelerinin düzeltilmesi, kelimesi kelimesine gürültü yerine okunabilir düzyazı üretilmesi
  • Noktalama işaretleri ve yapı dahil olmak üzere bağımsız metin biçimlendirmesi

Şirket, ses akışı için yüzde 4,0 ve kayıtlı ses için yüzde 2,6 kelime hata oranı rapor ediyor; ayrıca önceki Chirp 3 ile karşılaştırıldığında yaklaşık yüzde 70'lik gecikme azalmaları** bildiriyor; bu, gecikmenin konuşmaları kesintiye uğrattığı canlı altyazı senaryolarında önemli bir fark.

İki İş için İki Arayüz

Geliştiriciler iki farklı uygulama programlama arayüzü aracılığıyla erişim elde eder:

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

Çok düşük gecikmeyle gerçek zamanlı akışı yönetir ve yanıt süresinin en önemli olduğu canlı altyazıları, ses aracılarını ve etkileşimli asistanları hedefler.

Etkileşimler API'si — `gemini-3.5-transscribe`

Kayıtlı sesi işler ve konuşmacıların nitelikleri ve zaman damgalarıyla birlikte transkriptleri döndürür; toplantılar, röportajlar, podcast'ler ve medya post prodüksiyonu için tipik bir iş akışıdır.

Model, transkripsiyonun ötesinde işlev çağrısını destekler; bu, takip görevlerini Gemini ailesindeki diğer modellere devredebileceği anlamına gelir; örneğin bir görüntü oluşturma isteğini tetiklemek veya bir oturum sırasında söylenen bir şeye dayalı olarak bir web aramasını tetiklemek. Bu, bir transkript motorunu ses odaklı uygulamalar için kontrol edilebilir bir arayüz katmanına dönüştürür.

Google Ürünlerinde Zaten Gönderim Yapılıyor

Model bugün geliştiriciler için Google AI Studio'da ve Gemini Enterprise Agent Platform'da yayındadır. Google ayrıca bunu tüketici yüzeylerine de aktardı: Android'de Gboard bunu dikte için Rambler adlı dahili bir bileşen aracılığıyla kullanıyor, macOS'taki Gemini uygulaması bunu ses girişine uyguluyor ve Chrome entegrasyonunun da bunu takip etmesi planlanıyor.

Bu dağılım önemli. Konuşma tanıma, ölçeğini korur ve modelin klavyelere, masaüstü uygulamalarına ve tarayıcılara yerleştirilmesi onu her gün milyarlarca giriş etkileşiminin önüne koyar; aynı zamanda aksanlar, lehçeler ve gürültülü ortamlarda hata oranlarının düşmesini sağlamak için gereken değerlendirme döngülerini besler.

Konuşma Yapay Zekasında Rekabetçi Durumlar

Transkripsiyon, öncü laboratuvarlar ve uzman satıcılar arasında sessizce rekabetçi bir savaş alanı haline geldi. Doğru, düşük gecikmeli konuşma anlama, sözlü komutlara, kurumsal toplantı zekasına, erişilebilirlik özelliklerine ve çok dilli müşteri hizmetleri otomasyonuna göre hareket eden ajans ürünleri için giriş biletidir.

Agresif gecikme iyileştirmelerini kendi kendini düzelten çıktıyla eşleştiren Google, geliştiricilerin ham fonetik yakalama yerine düzenlenmiş metin gibi okunan transkriptleri tercih edeceğine bahse girer - kullanılabilirlik için katı harfiyen aslına sadık kalmayı tercih eder. Yasal veya tıbbi transkriptçiler gibi tam kayıtlara ihtiyaç duyan ekipler yine de kelimesi kelimesine modları isteyebilir; diğer herkes için birini duymakla onu anlamak arasındaki pratik fark daralmaya devam ediyor.

Gemini 3.5 Transcribe'ın artık AI Studio ve kurumsal araçlarda genel kullanıma sunulmasıyla ilk anlamlı test, ses aracısı geliştiricilerinin benimseme ölçümleri olacak; bu pazar segmenti, artan doğruluk kazanımlarının bile büyük değiştirme kararlarına dönüşeceği kadar hızlı büyüyor.

Neden Gecikme Gerçek Savaş Alanıdır

Hata oranları manşetlere çıkıyor ancak gecikme, hangi ürünlerin uygun olduğunu sessizce belirliyor. Canlı altyazı katmanını besleyen bir transkripsiyon motorunun konuşmaya ayak uydurması gerekir, aksi takdirde izleyiciler ayrılır. Bir müşteri desteği çağrısında görüşen bir sesli temsilci, konuşma katmanı yetişirken garip bir şekilde duraklayamaz. Google'ın Chirp 3'e göre gecikmede yüzde 70'lik bir azalma olduğunu bildirdiği rapor, tam olarak bu boşluğu hedef alıyor; bir cümleyi bitiren konuşmacı ile buna göre hareket eden alt sistemler arasındaki mesafeyi kısaltıyor.

Fail uygulamalar için bu daha da karmaşık hale gelir: Sözlü bir diyaloğun her dönüşü tanımayı, akıl yürütmeyi ve tepkiyi içerir. Tanıma aşamasından milisaniyeleri tıraş etmek, inşaatçılara konuşma zamanlama bütçelerini ihlal etmeden daha yetenekli ve daha yavaş akıl yürütme modelleri için harcama yapma olanağı sağlar.

Verbatim Takası

Bir tasarım seçeneği incelemeyi hak ediyor. Gemini 3.5 Transcribe varsayılan olarak çıktıyı düzenler: dolgu sözcükleri kaybolur, tökezlemeler düzeltilir ve biçimlendirme otomatik olarak uygulanır. Çoğu iş kullanımı için (dakikalar, altyazılar, aranabilir arşivler) kullanıcıların tam olarak istediği şey budur.

Ancak bazı iş akışları kelimesi kelimesine kayıtlara bağlıdır. Yasal ifadeler, uyumluluk incelemeleri ve gazetecilerin bilgi kontrolü bazen tereddütler de dahil olmak üzere tam olarak ne söylendiğini bilmeyi gerektirir. Düzenlemeye tabi sektörlerdeki kuruluşlar, hassas işlem hatlarını yeni modele geçirmeden önce yumuşatmanın ne kadarının isteğe bağlı ve yapılandırılabilir olduğu konusunda netlik isteyecektir. Google'ın dokümantasyonu ve API parametreleri, sektör için kelimesi kelimesine ve cilalı çizginin nerede duracağını etkili bir şekilde belirleyecektir.

Hendek Olarak Çok Dilli Bir Ayak İzi

Otomatik algılamayla 85'ten fazla dilin kapsamı yalnızca bir özellik kontrol listesi öğesi değildir. Çok dilli erişim, rakiplerin tarihsel olarak geride kaldığı pazarlarda değeri yoğunlaştırır: bölgesel aksanlar, cümle ortasında diller arasında kod değiştirme ve düşük kaynaklı diller; bunların tümü, İngilizce ağırlıklı derlemler üzerinde dar kapsamlı eğitim almış modelleri cezalandırır.

Düzinelerce ülkede destek merkezleri işleten küresel kuruluşlar için, dil algılamayı işleyen tek bir model, entegrasyon karmaşıklığını şeffaf bir şekilde azaltır; pazar başına birçok yapılandırma yerine tek bir işlem hattı. Google, Gboard'un milyarlarca Android kurulumu aracılığıyla dağıtımla birleştiğinde, metin kalitesinde çok dilliliği premium bir yetenekten ziyade altyapı olarak konumlandırıyor.

Ne İzlemeli

Gemini 3.5 Transcribe'ın pazar payını mı değiştirdiğini yoksa yalnızca beklentileri mi yükselttiğini üç sinyal gösterecek: önümüzdeki aylarda üçüncü taraf kıyaslamalarda geliştirici geçişi; rakiplerin doğruluk iddialarından ziyade gecikme sayılarını ne kadar hızlı eşleştirdiği; ve işlev çağıran kancaların, Gemini'de yerel olarak oluşturulmuş bir ses öncelikli aracı dalgası oluşturup oluşturmadığı. Lansman şu anda yayında ve AI Studio aracılığıyla yapılan fiyatlandırma katmanları, denemeleri geçiş maliyetlerini neredeyse sıfıra indirecek kadar ucuz hale getirecek.

---

Stay Ahead of AI

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

Read more AI news →