Google, bu hafta 48 saat içinde sessizce iki önemli Gemini model güncellemesini yayınladı ve her ikisi de doğrudan üretim uygulamaları geliştiren geliştiricileri hedefliyor. Google'ın resmi bloguna göre, 26 Ağustos'ta tanıtılan Gemini 3.5 Transcribe, şirketin bugüne kadarki en hassas konuşmayı metne dönüştürme modelidir. 27 Ağustos'ta duyurulan Gemini Omni 1.1 Flash, 40 saniyeye kadar sahne uzatma ve 4K yükseltme dahil olmak üzere üretken videoya profesyonel düzeyde kontroller getiriyor. Her iki modele de Google AI Studio'daki Gemini API ve Gemini Enterprise Agent Platformu aracılığıyla ulaşılabilir.
Gemini 3.5 Transcribe: kendi kendine temizlenen konuşmayı metne dönüştürme For more context on this story, see our ongoing AI news.
Google, Gemini 3.5 Transcribe'ı geleneksel konuşma tanımadan ayıran şeyin, ham sesi ham bir transkript yerine doğrudan gösterişli, biçimlendirilmiş metne dönüştürmesi olduğunu söylüyor. Model, arka plandaki gürültüyü, karmaşık jargonu ve akıcılık bozukluğunu temizlemeyi yerel olarak ele alıyor; "ums" ve "ahs" gibi dolgu sözcüklerini kaldırıyor, "salı günü buluşalım - hayır, çarşamba" gibi kendi kendine düzeltmeleri çözüyor ve çıktıyı otomatik olarak biçimlendiriyor.
Google'ın bahsettiği kıyaslama rakamları dikkat çekicidir. Yapay Analiz ile ölçülen model, akışlı kullanım durumları için yüzde 4,0 ve akışsız ses için yüzde 2,6'lık bir ortalama kelime hata oranına (WER) ulaşıyor. En iyi dillerdeki FLEURS çok dilli karşılaştırmasında, akış modunda yüzde 5,50 ve akış dışı yüzde 5,04 WER yayınlayarak Google'ın önceki transkripsiyon modeli Chirp 3'e göre iyileştirme sağlıyor. Son transkripsiyona kadar geçen süre, yine Yapay Analiz ile ölçüldüğü üzere Chirp 3 ile karşılaştırıldığında yüzde 70 oranında iyileşiyor.
Model, iki iş akışı için iki değişkenle gönderilir. Canlı uygulamalar için, "gemini-3.5-transcribe-live", Live API aracılığıyla saniyenin altındaki gecikmeyle sürekli çift yönlü akış sağlar, sesli aracıları ve gerçek zamanlı altyazıyı hedefler. Kaydedilmiş ses (toplantılar, arama kayıtları, arşivler) için `gemini-3.5-transcribe', Etkileşimler API'si aracılığıyla üç konuşmacıya kadar konuşmacı ilişkilendirme (deneysel modda daha fazlası için destekle birlikte) ve kelime düzeyinde zaman damgaları sunar.
Diğer yetenekler arasında, aksan ve lehçe yönetimiyle 85'ten fazla dilde otomatik algılama ve transkripsiyon ve modelin özel jargona ve benzersiz yazımlara uyum sağlaması için özel kelime desteği yer alıyor. Google ayrıca modele bir tür bakış açısı da kazandırdı: işlev çağrısı yoluyla görüntü oluşturma veya dosya analizi gibi görevleri diğer Gemini modellerine devredebilir; bu özellik şu anda macOS'taki Gemini uygulamasında mevcuttur.
Gemini Omni 1.1 Flash: video oluşturma zaman çizelgesini genişletiyor
İkinci lansman, yapay zeka videolarıyla ilgili en yaygın şikayeti ele alıyor: kontrol. Gemini Omni 1.1 Flash, üretim odaklı videoyu öncüllerinde olmayan şekillerde yönlendirilebilir hale getiren bir güncellemedir; Google DeepMind ürün yöneticileri Anish Nangia ve Alisa Fortin, sürümün Omni 1.1'i "profesyonel kullanıma hazır" hale getirdiğini açıkladı.
Sahne uzantısı başlık özelliğidir. Geliştiriciler artık, modelin 10 saniyeye kadar önceki bağlamı analiz etmesiyle, mevcut bir klipten sorunsuz bir şekilde çekim oluşturmaya devam edebilir; bu, yalnızca son saniyeye referans veren önceki modellerden bir sıçramadır. Videolar 10 saniyelik artışlarla toplam 40 saniyeye kadar uzatılabilir, böylece daha uzun öyküler için görsel tutarlılık ve anlatıya bağlılık artırılabilir.
Güncelleme aynı zamanda ilk ve son kare enterpolasyonunu da ekleyerek geliştiricilerin düzgün, kasıtlı kamera hareketleri ve çekimler arasında geçişler oluşturmak için başlangıç ve bitiş karelerini belirlemesine olanak tanıyor. Teslim için, bitmiş projeler 4K çözünürlüğe yükseltilebilirken, 360p önizleme modu yaratıcıların son işlemelere geçmeden önce istemleri hızlı ve ucuz bir şekilde yinelemelerine olanak tanır.
API'den gündelik yüzeylere
Google ayrıca her iki modeli de dağıtım avantajının ortaya çıktığı tüketici ürünlerine bağlamaktadır. Android'de, Gboard'daki yeni "Rambler" özelliği, dolgu sözcüklerini filtrelerken konuşulan düşünceleri iyi biçimlendirilmiş metne dönüştürmek için 3.5 Transcribe'ı kullanıyor; hatta kullanıcılar sesle düzenlemeler bile yapabiliyor. Model aynı zamanda macOS'taki Gemini uygulamasında dikteyi de destekliyor, Google Antigravity'de ekran bağlamıyla birlikte çalışıyor ve Chrome'a entegre ediliyor.
Geliştiriciler için bu iki lansman tek bir strateji olarak okunabilir: Google, Gemini'yi konuştuğunuz bir sohbet robotundan medyayı gören, duyan ve üreten bir altyapıya itiyor. OpenAI, ElevenLabs ve bir grup video startup'ının aynı bölgede rekabet etmesiyle, yüzde 2,6'lık kelime hatası oranı ve 40 saniyelik tutarlı sahneler, Google'ın aslında gelir getiren prodüksiyon iş yükleri (ses aracıları, altyazı oluşturma hatları ve yaratıcı araçlar) için açılış teklifidir. Geliştiriciler bugün Google AI Studio'da her iki modelle de derlemeye başlayabilir.
Kelime hata oranı neden hâlâ önemli?
Kelime hatası oranı kulağa akademik bir istatistik gibi gelse de üretimde işe yarayan bir ses ürünü ile hayal kırıklığı yaratan bir ses ürünü arasındaki farktır. Bir sesli temsilcinin yanlış anlaşılan her ifadesi bir görevi bozar: yanlış duyulan bir sipariş kimliği başarısız bir aramayı tetikler, bozuk bir adres yanlış şehre bir paket gönderir. Akışsız sesteki yüzde 2,6'lık WER ile bir nesil önceki modellerde yaygın olan yüksek tek haneli hızlar arasındaki farkın, kullanılabilirlik açısından büyüklük sırasına göre bir fark oluşturmasının nedeni budur.
Google'ın bildirdiği iki mod arasındaki ayrım mimarlar için de önemlidir. Akışlı transkripsiyon (yüzde 4,0 WER rakamı), canlı ses aracıları gibi etkileşimli kullanım durumlarının gerektirdiği saniyenin altındaki gecikme için bir miktar doğruluk sağlar. Kaydedilen sesin toplu transkripsiyonu daha yavaş çalışır ancak yüzde 2,6'ya ulaşır; bu nedenle çağrı sonrası analizler ve arşiv işleme daha zorlu olmayı göze alabilir. Google'ın ayarlanabilir tek bir ayar yerine her ikisini de ayrı model uç noktaları olarak sunma kararı, geliştiricilerin bu ödünleşimin her iki tarafında da farklı ürünler geliştirdiğini kabul ediyor.
Video prodüksiyonu için katmanlı bir iş akışı
Omni 1.1 Flash güncellemesi, yaratıcı çalışmanın gerçekte nasıl gerçekleştiği konusunda aynı derecede pragmatiktir. Üretken videonun yinelenmesi pahalıydı: her hızlı deneme tam bir görüntü oluşturma anlamına geliyordu. Yeni 360p önizleme modu, keşif ile sunumu birbirinden ayırarak içerik oluşturucuların hızlı varyasyonlar arasında ucuza geçiş yapmasına ve incelemeden sağ çıkan çekimlerde yalnızca 4K yükseltme için ödeme yapmasına olanak tanır.
Sahne uzatma mekaniği, yapay zeka videosunu klip boyutunda gettoda tutan tutarlılık sorununu çözüyor. Yalnızca son kare yerine 10 saniyelik önceki bağlamı analiz eden model, karakterleri, aydınlatmayı ve görsel stili tutarlı tutarken bir sahneyi 10 saniyelik artışlarla 40 saniyeye kadar genişletebilir. Kurguculara belirleyici kontrol noktaları sağlayan ve giriş ve çıkış işaretleyicilerinin geleneksel düzenlemede çalışmasını sağlayan ilk ve son kare enterpolasyonuyla birleştirildiğinde, yapay zeka tarafından oluşturulan çekimler, bunların toptan değiştirilmesi yerine gerçek post prodüksiyon hatlarına sığmaya başlar.
Rekabetçi resim
Her iki lansman da Google'ı hedeften ziyade altyapı olarak konumlandırıyor. Konuşmada Google, geliştiricilerinin hâlihazırda kullandığı Gemini API'sinde en son teknoloji doğruluğunu bir araya getirerek uzmanlaşmış transkripsiyon sağlayıcılarını ve bulut rakiplerinin ses yığınlarını ele alıyor. Videoda, ham gösteri yerine kontrol ve iş akışı entegrasyonunu vurgulayarak, iyi finanse edilen girişimlerle dolu bir pazarda rekabet ediyor.
Dağıtım avantajı belirleyici faktör olabilir. Geliştiricilerin Gemini API'sinden çağırabileceği aynı transkripsiyon modeli halihazırda Android'de Gboard'un Rambler diktesini, macOS'ta Gemini uygulamasını, Google Antigravity'yi ve Chrome'u desteklemektedir; bu, Google'ın, kendisini geliştirmeye devam eden çeşitli gerçek dünya seslerini toplarken, milyarlarca kullanıcı etkileşimi üzerinden model geliştirmeyi amorti edebileceği anlamına gelir. 2026'da bir konuşma veya video yığını seçen geliştiriciler için bu volan artık sahanın bir parçası.
---
Stay Ahead of AIGet the latest AI news, analysis, and breakthroughs — all in one place.
Read more AI news →
