گوگل نے جیمنی 3.5 ٹرانسکرائب لانچ کیا ہے، ایک نیا اسپیچ ٹو ٹیکسٹ ماڈل جو ریئل ٹائم ٹرانسکرپشن کے لیے بنایا گیا ہے جو 85 سے زیادہ زبانوں کو خود بخود پہچانتا ہے — اور راستے میں آؤٹ پٹ کو پالش کرتا ہے، فلر الفاظ کو ہٹاتا ہے اور بغیر پوچھے زبانی ٹھوکریں درست کرتا ہے۔

لانچ گوگل کے اسپیچ اسٹیک کو تیزی سے بڑھتی ہوئی ٹرانسکرپشن مارکیٹ میں براہ راست چیلنجر کے طور پر پوزیشن میں رکھتا ہے، جہاں درستگی اور تاخیر تیزی سے فیصلہ کرتی ہے کہ ڈیولپرز کالز، میٹنگز، کیپشنز اور وائس انٹرفیس کے لیے کون سی خدمات اختیار کرتے ہیں۔ For more context on this story, see our ongoing AI trends.

ماڈل کیا کرسکتا ہے۔

گوگل کے اعلان کے مطابق، جس کی کوریج دی ڈیکوڈر کے ذریعہ شائع کی گئی تھی، جیمنی 3.5 ٹرانسکرائب بولے جانے والے الفاظ کو متن میں تبدیل کرنے سے بھی آگے ہے:

  • 85 سے زیادہ زبانوں میں خودکار زبان کا پتہ لگانا، بغیر کسی ترتیب کے
  • فلر لفظ کو ہٹانا، "um," "uh" اور اسی طرح کی خرابیوں کو صاف کرنا
  • زبان کے پھسلوں کی اصلاح، لفظی شور کی بجائے پڑھنے کے قابل نثر پیدا کرنا
  • خودکار ٹیکسٹ فارمیٹنگ، بشمول اوقاف اور ساخت

کمپنی نے آڈیو اسٹریمنگ کے لیے 4.0 فیصد اور ریکارڈ شدہ آڈیو کے لیے 2.6 فیصد کے الفاظ کی خرابی کی شرح کی اطلاع دی ہے، اس کے ساتھ ساتھ اپنے پیشرو، Chirp 3** کے مقابلے میں تقریباً 70 فیصد کی تاخیر میں کمی - لائیو کیپشننگ کے منظرناموں میں کافی مارجن جہاں تاخیر گفتگو کو توڑ دیتی ہے۔

دو ملازمتوں کے لیے دو انٹرفیس

ڈویلپرز کو دو الگ الگ ایپلیکیشن پروگرامنگ انٹرفیس کے ذریعے رسائی حاصل ہوتی ہے۔

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

بہت کم تاخیر کے ساتھ ریئل ٹائم اسٹریمنگ کو ہینڈل کرتا ہے، لائیو کیپشنز، صوتی ایجنٹوں، اور انٹرایکٹو معاونین کو نشانہ بناتا ہے جہاں رسپانس ٹائم سب سے زیادہ اہمیت رکھتا ہے۔

تعاملات API — `gemini-3.5-transcribe`

ریکارڈ شدہ آڈیو پر کارروائی کرتا ہے اور اسپیکر کے انتساب اور ٹائم اسٹیمپ کے ساتھ ٹرانسکرپٹس واپس کرتا ہے - میٹنگز، انٹرویوز، پوڈکاسٹس، اور میڈیا پوسٹ پروڈکشن کے لیے مخصوص ورک فلو۔

ٹرانسکرپشن کے علاوہ، ماڈل فنکشن کالنگ کو سپورٹ کرتا ہے، یعنی یہ جیمنی فیملی کے دوسرے ماڈلز کو فالو اپ کام سونپ سکتا ہے — مثال کے طور پر تصویر بنانے کی درخواست یا سیشن کے دوران کہی گئی کسی چیز کی بنیاد پر ویب تلاش کرنا۔ یہ ایک ٹرانسکرپٹ انجن کو آواز سے چلنے والی ایپلی کیشنز کے لیے ایک قابل کنٹرول انٹرفیس پرت میں بدل دیتا ہے۔

پہلے ہی Google پروڈکٹس پر ترسیل ہو رہی ہے۔

ماڈل آج ڈیولپرز کے لیے Google AI اسٹوڈیو اور جیمنی انٹرپرائز ایجنٹ پلیٹ فارم پر لائیو ہے۔ گوگل نے اسے صارفین کی سطحوں میں بھی وائر کر دیا ہے: Android پر Gboard اسے ڈکٹیشن کے لیے Rambler نامی اندرونی جزو کے ذریعے استعمال کرتا ہے، **macOS پر Gemini ایپ اسے صوتی ان پٹ پر لاگو کرتی ہے، اور کروم انٹیگریشن کو فالو کرنا ہے۔

یہ تقسیم اہم ہے۔ اسپیچ ریکگنیشن اپنے پیمانے پر برقرار رکھتی ہے، اور ماڈل کو کی بورڈز، ڈیسک ٹاپ ایپس، اور براؤزرز میں سرایت کرنا اسے روزانہ اربوں ان پٹ تعاملات کے سامنے رکھتا ہے - جبکہ تلفظ، بولیوں اور شور والے ماحول میں خرابی کی شرح کو کم کرنے کے لیے درکار تشخیصی لوپس کو فیڈ کرتا ہے۔

تقریر AI میں مقابلہ بازی

ٹرانسکرپشن خاموشی سے فرنٹیئر لیبز اور ماہر فروشوں کے درمیان ایک مسابقتی میدان بن گیا ہے۔ درست، کم تاخیر والی تقریر کی سمجھ ایجنٹی پروڈکٹس کے لیے داخلے کا ٹکٹ ہے جو بولی جانے والی کمانڈز، انٹرپرائز میٹنگ انٹیلی جنس، رسائی کی خصوصیات، اور کثیر لسانی کسٹمر سروس آٹومیشن پر عمل کرتی ہے۔

خود کو درست کرنے والے آؤٹ پٹ کے ساتھ جارحانہ تاخیر سے ہونے والی بہتریوں کو جوڑ کر، گوگل شرط لگا رہا ہے کہ ڈویلپرز ایسے ٹرانسکرپٹس کو ترجیح دیتے ہیں جو خام فونیٹک کیپچر کے بجائے ترمیم شدہ متن کی طرح پڑھتے ہیں — استعمال کے لیے سخت لفظی وفاداری کی تجارت کرنا۔ جن ٹیموں کو قطعی ریکارڈ کی ضرورت ہوتی ہے، جیسے کہ قانونی یا میڈیکل ٹرانسکرائبر، وہ اب بھی لفظی طریقے چاہتے ہیں۔ باقی سب کے لیے، کسی کو سننے اور سمجھنے کے درمیان عملی فرق کم ہوتا جا رہا ہے۔

جیمنی 3.5 ٹرانسکرائب کے ساتھ اب عام طور پر AI اسٹوڈیو اور انٹرپرائز ٹولنگ میں دستیاب ہے، پہلا بامعنی امتحان وائس ایجنٹ ڈویلپرز کی جانب سے اپنانے کے میٹرکس کا ہوگا - ایک مارکیٹ سیگمنٹ جو اتنی تیزی سے بڑھ رہا ہے کہ درستگی کے اضافی فوائد بھی بڑے سوئچنگ فیصلوں میں بدل جاتے ہیں۔

کیوں تاخیر حقیقی میدان جنگ ہے۔

خرابی کی شرحیں سرخیاں حاصل کرتی ہیں، لیکن تاخیر خاموشی سے طے کرتی ہے کہ کون سی مصنوعات قابل عمل ہیں۔ لائیو کیپشن اوورلے کو فیڈ کرنے والے ٹرانسکرپشن انجن کو بات چیت کے ساتھ رفتار برقرار رکھنے کی ضرورت ہوتی ہے، یا ناظرین منقطع ہوجاتے ہیں۔ کسٹمر سپورٹ کال پر گفت و شنید کرنے والا صوتی ایجنٹ عجیب و غریب طور پر توقف نہیں کر سکتا جب تک کہ اس کی اسپیچ لیئر اوپر آجائے۔ گوگل نے Chirp 3 کے اہداف کے مقابلے میں تاخیر میں 70 فیصد کمی کی اطلاع دی ہے جو کہ وقفہ ہے - ایک جملہ مکمل کرنے والے اسپیکر اور اس پر عمل کرنے والے ڈاؤن اسٹریم سسٹم کے درمیان فاصلے کو کم کرنا۔

ایجنٹی ایپلی کیشنز کے لیے یہ مرکبات: بولے جانے والے مکالمے کے ہر موڑ میں پہچان، استدلال اور ردعمل شامل ہوتا ہے۔ شناخت کے مرحلے سے ملی سیکنڈز مونڈنے سے معماروں کو بات چیت کے وقت کے بجٹ کی خلاف ورزی کیے بغیر زیادہ قابل — اور سست — استدلال کے ماڈلز پر خرچ کرنے کا ہیڈ روم ملتا ہے۔

لفظی تجارت

ایک ڈیزائن کا انتخاب جانچ پڑتال کا مستحق ہے۔ پہلے سے طے شدہ طور پر، Gemini 3.5 ٹرانسکرائب کیوریٹ آؤٹ پٹ: فلر الفاظ ختم ہو جاتے ہیں، ٹھوکریں درست ہو جاتی ہیں، اور فارمیٹنگ خود بخود لاگو ہو جاتی ہے۔ زیادہ تر کاروباری استعمال کے لیے — منٹ، کیپشن، قابل تلاش آرکائیوز — بالکل وہی ہے جو صارفین چاہتے ہیں۔

لیکن کچھ کام کے بہاؤ کا انحصار لفظی ریکارڈ پر ہوتا ہے۔ قانونی بیانات، تعمیل کے جائزے، اور صحافتی حقائق کی جانچ کے لیے بعض اوقات یہ جاننے کی ضرورت ہوتی ہے کہ کیا کہا گیا ہے، اس میں ہچکچاہٹ بھی شامل ہے۔ ریگولیٹڈ صنعتوں میں تنظیمیں اس بات کی وضاحت چاہیں گی کہ حساس پائپ لائنوں کو نئے ماڈل پر منتقل کرنے سے پہلے کتنی ہمواری اختیاری اور قابل ترتیب ہے۔ گوگل کی دستاویزات اور API پیرامیٹرز مؤثر طریقے سے سیٹ کریں گے کہ صنعت کے لیے لفظی بمقابلہ پالش لائن کہاں بیٹھتی ہے۔

کھائی کے طور پر ایک کثیر لسانی نقش

خود کار طریقے سے پتہ لگانے کے ساتھ 85 سے زیادہ زبانوں کی کوریج صرف ایک فیچر چیک لسٹ آئٹم نہیں ہے۔ کثیر لسانی رسائی ان بازاروں میں قدر کو مرکوز کرتی ہے جہاں حریف تاریخی طور پر پیچھے رہ جاتے ہیں: علاقائی لہجے، درمیانی جملے کی زبانوں کے درمیان کوڈ کی تبدیلی، اور کم وسائل والی زبانیں تمام سزا کے ماڈلز کو انگلش-ہیوی کارپورا پر کم تربیت دی جاتی ہے۔

درجنوں ممالک میں امدادی مراکز چلانے والے عالمی اداروں کے لیے، زبان کی شناخت کو سنبھالنے والا واحد ماڈل انضمام کی پیچیدگی کو شفاف طریقے سے کم کرتا ہے — بہت سی فی مارکیٹ کنفیگریشنز کے بجائے ایک پائپ لائن۔ Gboard کی اربوں اینڈرائیڈ تنصیبات کے ذریعے تقسیم کے ساتھ مل کر، Google ٹرانسکرائب معیار کی کثیر لسانی کو ایک پریمیم صلاحیت کے بجائے انفراسٹرکچر کے طور پر پوزیشن دے رہا ہے۔

کیا دیکھنا ہے۔

تین سگنل ظاہر کریں گے کہ آیا جیمنی 3.5 ٹرانسکرائب مارکیٹ شیئر کو تبدیل کرتا ہے یا محض توقعات بڑھاتا ہے: آنے والے مہینوں میں تھرڈ پارٹی بینچ مارکس میں ڈویلپر کی منتقلی؛ حریف درستگی کے دعووں کے بجائے تاخیر کے نمبروں سے کتنی جلدی میل کھاتے ہیں۔ اور کیا فنکشن کالنگ ہکس نے جیمنی پر مقامی طور پر بنائے گئے وائس فرسٹ ایجنٹوں کی ایک لہر کو جنم دیا۔ لانچ ابھی لائیو ہے، اور AI اسٹوڈیو کے ذریعے قیمتوں کے تعین کے درجات کو تجربہ کو اتنا سستا بنانا چاہیے کہ سوئچنگ لاگت تقریباً کچھ بھی نہ ہو۔

---

Stay Ahead of AI

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

Read more AI news →