گوگل نے خاموشی سے جیمنی ماڈل کی دو اہم اپڈیٹس کو اس ہفتے 48 گھنٹوں کے اندر اندر بھیج دیا، اور دونوں کا مقصد پروڈکشن ایپلی کیشنز بنانے والے ڈویلپرز کے لیے ہے۔ جیمنی 3.5 ٹرانسکرائب، جو 26 اگست کو متعارف کرایا گیا، گوگل کے آفیشل بلاگ کے مطابق، کمپنی کا اب تک کا اسپیچ ٹو ٹیکسٹ ماڈل ہے۔ Gemini Omni 1.1 Flash، جس کا 27 اگست کو اعلان کیا گیا، جنریٹیو ویڈیو میں پیشہ ورانہ درجے کے کنٹرولز لاتا ہے، بشمول 40 سیکنڈ تک سین کی توسیع اور 4K اپ اسکیلنگ۔ دونوں ماڈلز گوگل اے آئی اسٹوڈیو اور جیمنی انٹرپرائز ایجنٹ پلیٹ فارم میں Gemini API کے ذریعے دستیاب ہیں۔

جیمنی 3.5 نقل کریں: تقریر سے متن جو اپنے آپ کو صاف کرتا ہے۔ For more context on this story, see our ongoing more AI stories.

گوگل کا کہنا ہے کہ جو چیز Gemini 3.5 ٹرانسکرپشن کو روایتی اسپیچ ریکگنیشن سے ممتاز کرتی ہے وہ یہ ہے کہ یہ خام آڈیو کو خام ٹرانسکرپٹ کے بجائے براہ راست پالش، فارمیٹ شدہ ٹیکسٹ میں تبدیل کرتا ہے۔ یہ ماڈل پس منظر کے شور، پیچیدہ جرگون، اور ناہمواری کی صفائی کو مقامی طور پر ہینڈل کرتا ہے — یہ فلر الفاظ جیسے "ums" اور "ahs" کو ہٹاتا ہے، خود تصحیح کرتا ہے جیسے "آئیے ملتے ہیں منگل—نہیں، بدھ،" اور آؤٹ پٹ کو خودکار شکل دیتا ہے۔

گوگل نے جن بینچ مارک نمبرز کا حوالہ دیا ہے وہ قابل ذکر ہیں۔ جیسا کہ مصنوعی تجزیہ سے ماپا جاتا ہے، ماڈل سٹریمنگ استعمال کے کیسز کے لیے 4.0 فیصد اور نان سٹریمنگ آڈیو کے لیے 2.6 فیصد کی اوسط ورڈ ایرر ریٹ (WER) حاصل کرتا ہے۔ سب سے اوپر کی زبانوں میں FLEURS کثیر لسانی بینچ مارک پر، یہ سٹریمنگ موڈ میں 5.50 فیصد WER اور 5.04 فیصد نان سٹریمنگ پوسٹ کرتا ہے، جو Google کے پچھلے ٹرانسکرپشن ماڈل، Chirp 3 میں بہتری لاتا ہے۔ Chirp 3 کے مقابلے میں فائنل ٹرانسکرپشن کا وقت 70 فیصد بہتر ہوتا ہے، جیسا کہ دوبارہ مصنوعی تجزیہ سے ماپا جاتا ہے۔

ماڈل دو ورک فلو کے لیے دو مختلف حالتوں میں بھیجتا ہے۔ لائیو ایپلی کیشنز کے لیے، `gemini-3.5-transcribe-live` لائیو API کے ذریعے ذیلی سیکنڈ لیٹینسی کے ساتھ مسلسل دو طرفہ سلسلہ بندی فراہم کرتا ہے، صوتی ایجنٹوں کو ٹارگٹ کرتے ہوئے اور ریئل ٹائم کیپشننگ۔ ریکارڈ شدہ آڈیو کے لیے — میٹنگز، کال لاگز، آرکائیوز — `جیمنی-3.5-ٹرانسکرائب` تین اسپیکر تک (تجرباتی موڈ میں مزید کے لیے سپورٹ کے ساتھ) اور ورڈ لیول ٹائم اسٹیمپ کے ذریعے Interactions API کی پیشکش کرتا ہے۔

دیگر صلاحیتوں میں 85 سے زائد زبانوں میں خود کار طریقے سے پتہ لگانا اور نقل کرنا شامل ہے جس میں لہجہ اور بولی ہینڈلنگ، اور حسب ضرورت الفاظ کی مدد شامل ہے تاکہ ماڈل مخصوص جرگون اور منفرد ہجے کے مطابق ہو جائے۔ گوگل نے ماڈل کو بھی ایک طرح کی آنکھیں فراہم کیں: فنکشن کالنگ کے ذریعے، یہ دوسرے جیمنی ماڈلز کو امیج جنریشن یا فائل اینالیسس جیسے کام سونپ سکتا ہے - یہ فیچر فی الحال میک او ایس پر جیمنی ایپ میں دستیاب ہے۔

جیمنی اومنی 1.1 فلیش: ویڈیو جنریشن ایک ٹائم لائن میں اضافہ کرتی ہے۔

دوسرا لانچ AI ویڈیو کے بارے میں سب سے عام شکایت کو حل کرتا ہے: کنٹرول۔ جیمنی اومنی 1.1 فلیش ایک پروڈکشن فوکسڈ اپ ڈیٹ ہے جو جنریٹیو ویڈیو کو ان طریقوں سے چلانے کے قابل بناتا ہے جس طرح اس کے پیشرو نہیں تھے، گوگل ڈیپ مائنڈ کے پروڈکٹ مینیجرز انیش نانگیا اور الیسا فورٹین نے ریلیز کو Omni 1.1 کو "پیشہ ورانہ استعمال کے لیے پروڈکشن کے لیے تیار" قرار دیا ہے۔

منظر کی توسیع سرخی کی خصوصیت ہے۔ ڈویلپرز اب کسی موجودہ کلپ سے بغیر کسی رکاوٹ کے فوٹیج بنانا جاری رکھ سکتے ہیں، جس میں ماڈل 10 سیکنڈز تک کا سابقہ ​​سیاق و سباق کا تجزیہ کرتا ہے - پچھلے ماڈلز سے ایک چھلانگ جس میں صرف آخری سیکنڈ کا حوالہ دیا گیا تھا۔ ویڈیوز کو 10 سیکنڈ کے اضافے میں 40 سیکنڈ کی مجموعی لمبائی تک بڑھایا جا سکتا ہے، طویل کہانیوں کے لیے بصری مستقل مزاجی اور بیانیہ کی پابندی کو بہتر بنایا جا سکتا ہے۔

اپ ڈیٹ میں پہلے اور آخری فریم انٹرپولیشن کو بھی شامل کیا گیا ہے، جس سے ڈویلپرز کو ہموار، جان بوجھ کر کیمرے کی نقل و حرکت اور شاٹس کے درمیان ٹرانزیشن بنانے کے لیے شروع اور اختتامی فریموں کی وضاحت کرنے دیتا ہے۔ ڈیلیوری کے لیے، تیار شدہ پروجیکٹس کو 4K ریزولیوشن تک بڑھایا جا سکتا ہے، جبکہ 360p پیش نظارہ موڈ تخلیق کاروں کو حتمی رینڈرز کرنے سے پہلے فوری اور سستے اشارے پر اعادہ کرنے دیتا ہے۔

API سے روزمرہ کی سطحوں تک

گوگل دونوں ماڈلز کو اپنی صارفی مصنوعات میں بھی وائرنگ کر رہا ہے، جہاں سے اس کی تقسیم کا فائدہ ظاہر ہوتا ہے۔ اینڈرائیڈ پر، Gboard میں نئی ​​"Rambler" فیچر 3.5 ٹرانسکرائب کا استعمال کرتی ہے تاکہ بولے جانے والے خیالات کو اچھی طرح سے فارمیٹ شدہ ٹیکسٹ میں تبدیل کیا جا سکے جبکہ فلر الفاظ کو فلٹر کیا جا سکے — صارفین آواز کے ذریعے ترمیم بھی کر سکتے ہیں۔ یہ ماڈل میک او ایس پر جیمنی ایپ میں ڈکٹیشن کو بھی طاقت دیتا ہے، گوگل اینٹی گریویٹی میں اسکرین سیاق و سباق کے ساتھ کام کرتا ہے، اور اسے کروم میں ضم کیا جا رہا ہے۔

ڈویلپرز کے لیے، دونوں لانچوں کو ایک حکمت عملی کے طور پر پڑھا جاتا ہے: گوگل جیمنی کو ایک ایسے چیٹ بوٹ سے آگے بڑھا رہا ہے جس سے آپ بات کرتے ہیں انفراسٹرکچر میں جو میڈیا کو دیکھتا، سنتا اور تیار کرتا ہے۔ OpenAI، ElevenLabs، اور اسی علاقے میں مقابلہ کرنے والے ویڈیو اسٹارٹ اپس کے ایک گروپ کے ساتھ، 2.6 فیصد الفاظ کی غلطی کی شرح اور 40 سیکنڈ کے مربوط مناظر Google کی ابتدائی بولی ہیں جن پروڈکشن ورک بوجھ سے اصل میں آمدنی ہوتی ہے — وائس ایجنٹس، کیپشننگ پائپ لائنز، اور تخلیقی ٹولز۔ ڈویلپرز آج ہی گوگل اے آئی اسٹوڈیو میں دونوں ماڈلز کے ساتھ تعمیر شروع کر سکتے ہیں۔

لفظ کی غلطی کی شرح اب بھی کیوں اہمیت رکھتی ہے۔

لفظ کی خرابی کی شرح ایک علمی اعدادوشمار کی طرح لگتی ہے، لیکن پیداوار میں یہ صوتی پروڈکٹ کے درمیان فرق ہے جو کام کرتی ہے اور جو مایوس کرتی ہے۔ صوتی ایجنٹ میں ہر غلط فہمی کا اظہار ایک کام کو توڑ دیتا ہے: ایک غلط سنائی گئی آرڈر آئی ڈی ایک ناکام تلاش کو متحرک کرتی ہے، ایک خراب پتہ غلط شہر کو ایک پیکیج بھیجتا ہے۔ یہی وجہ ہے کہ نان سٹریمنگ آڈیو پر 2.6 فیصد WER اور اعلی سنگل ہندسوں کی شرحوں کے درمیان فرق جو ماڈلز کی ایک نسل پہلے عام تھے استعمال کے لحاظ سے ترتیب کی شدت کے فرق میں شامل ہیں۔

گوگل نے جن دو طریقوں کی اطلاع دی ہے ان کے درمیان فرق آرکیٹیکٹس کے لیے بھی اہمیت رکھتا ہے۔ سٹریمنگ ٹرانسکرپشن - 4.0 فیصد WER اعداد و شمار - ذیلی سیکنڈ لیٹینسی کے لیے کچھ درستگی کی تجارت کرتا ہے، جو کہ براہ راست آواز کے ایجنٹوں کی طرح متعامل استعمال کے معاملات کی ضرورت ہوتی ہے۔ ریکارڈ شدہ آڈیو کا بیچ ٹرانسکرپشن آہستہ چلتا ہے لیکن 2.6 فیصد تک پہنچ جاتا ہے، یہی وجہ ہے کہ کال کے بعد کے تجزیات اور آرکائیو پروسیسنگ زیادہ مطالبہ کرنے کی متحمل ہو سکتی ہے۔ گوگل کا ایک ایڈجسٹ سیٹنگ کے بجائے الگ الگ ماڈل اینڈ پوائنٹس کے طور پر دونوں کو سامنے لانے کا فیصلہ اس بات کو تسلیم کرتا ہے کہ ڈویلپرز اس ٹریڈ آف کے دونوں طرف مختلف مصنوعات بناتے ہیں۔

ویڈیو پروڈکشن کے لیے ایک ٹائرڈ ورک فلو

اومنی 1.1 فلیش اپ ڈیٹ بھی اتنا ہی عملی ہے کہ تخلیقی کام حقیقت میں کیسے ہوتا ہے۔ جنریٹو ویڈیو کے ساتھ اعادہ کرنا مہنگا رہا ہے: ہر فوری تجربہ کا مطلب مکمل رینڈر ہوتا ہے۔ نیا 360p پیش نظارہ موڈ ایکسپلوریشن کو ڈیلیوری سے الگ کرتا ہے، تخلیق کاروں کو سستے طریقے سے فوری تغیرات کے ذریعے چکر لگانے دیتا ہے اور جائزے سے بچنے والے شاٹس پر صرف 4K اپ اسکیلنگ کی ادائیگی کرتا ہے۔

سین ایکسٹینشن میکینکس ہم آہنگی کے مسئلے کو حل کرتے ہیں جس نے AI ویڈیو کو کلپ کے سائز کی یہودی بستی میں رکھا ہوا ہے۔ صرف حتمی فریم کے بجائے 10 سیکنڈ کے پیشگی سیاق و سباق کا تجزیہ کرکے، ماڈل کرداروں، روشنی اور بصری انداز کو یکساں رکھتے ہوئے 10 سیکنڈ کے اضافے میں 40 سیکنڈ تک ایک منظر کو بڑھا سکتا ہے۔ پہلے اور آخری فریم انٹرپولیشن کے ساتھ مل کر - جو ایڈیٹرز کو مقررہ کنٹرول پوائنٹس دیتا ہے، روایتی ترمیم میں مارکر کے اندر اور باہر کام کرنے کا طریقہ - AI سے تیار کردہ فوٹیج ہول سیل کو تبدیل کرنے کے بجائے حقیقی پوسٹ پروڈکشن پائپ لائنوں میں فٹ ہونے لگتی ہے۔

مسابقتی تصویر

دونوں لانچ کرتے ہیں گوگل کو منزل کے بجائے انفراسٹرکچر کے طور پر۔ اسپیچ میں، گوگل اسپیشل ٹرانسکرپشن وینڈرز اور اپنے کلاؤڈ حریفوں کے وائس اسٹیکس کو جیمنی API میں جدید ترین درستگی کو اس کے ڈویلپرز پہلے سے استعمال کر کے لے رہا ہے۔ ویڈیو میں، یہ خام تماشے پر کنٹرول اور ورک فلو انضمام پر زور دے کر اچھی طرح سے فنڈڈ اسٹارٹ اپس سے بھرے بازار میں مقابلہ کر رہا ہے۔

تقسیم کا فائدہ فیصلہ کن عنصر ہو سکتا ہے۔ وہی ٹرانسکرپشن ماڈل جسے ڈویلپرز Gemini API سے کال کر سکتے ہیں پہلے سے ہی اینڈرائیڈ پر Gboard کی Rambler ڈکٹیشن، MacOS پر Gemini ایپ، Google Antigravity، اور Chrome کو طاقت دیتا ہے — یعنی گوگل متنوع حقیقی دنیا کے آڈیو کو جمع کرتے ہوئے اربوں صارفین کے تعاملات میں ماڈل کی ترقی کو بڑھاوا دے سکتا ہے جو اسے بہتر بناتا رہتا ہے۔ 2026 میں تقریر یا ویڈیو اسٹیک کا انتخاب کرنے والے ڈویلپرز کے لیے، وہ فلائی وہیل اب پچ کا حصہ ہے۔

---

Stay Ahead of AI

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

Read more AI news →