A Google bemutatta a Gemini 3.5 Transcribe modellt, amely több mint 85 nyelven képes beszédet szöveggé alakítani, felismeri a szakzsargont és automatikusan rendezett átiratot készít. A vállalat szerint az új rendszer a korábbi Chirp 3 modellhez képest gyorsabb és pontosabb átírásra készült.
A Google augusztus végén jelentette be a Gemini 3.5 Transcribe megjelenését, amelyet a vállalat eddigi legpontosabb beszédfelismerő modelljeként mutatott be. A generatív mesterséges intelligencia nem pusztán szó szerint másolja át a hallott hangot, hanem a nyers beszédből rendezett, formázott szöveget is készíthet. Képes kezelni a háttérzajt, az eltérő akcentusokat és a természetes beszéd közben előforduló bizonytalanságokat.
A Google hivatalos tájékoztatása szerint a Gemini 3.5 Transcribe több mint 85 nyelvet képes automatikusan felismerni és átírni. Egyedi szókészlet is megadható hozzá, így szakmai kifejezések, márkanevek vagy különleges írásmódú szavak esetén csökkenthető az utólagos javítás szükségessége. A rendszer a töltelékszavakat is eltávolíthatja és a beszédből közvetlenül olvashatóbb szöveget készíthet.
Előre rögzített hanganyagoknál legfeljebb három beszélőt is megkülönböztethet, miközben szószintű időbélyegeket készít az átirathoz. A The Verge szerint a modell már elindult angol nyelven a macOS Gemini alkalmazásában, Androidon pedig meghatározott országokban és nyelveken a Rambler diktálási funkció használja. Fejlesztők számára nyilvános előzetesként a Gemini API és az AI Studio felületén is hozzáférhető.
Olvasd el: A Microsoft, az Amazon és a Google felhőjébe is bekerülhet a kínai Kimi K3
Mekkora különbséget jelenthet, ha a hangátírás után már nem kell még egyszer külön rendbe tenni az egész szöveget?
A Google által közölt mérési eredmények szerint a fejlődés nemcsak új funkciókban jelenik meg. A vállalat az Artificial Analysis mérésére hivatkozva azt írta, hogy a végleges átiratig eltelt idő 70 százalékkal javult a Chirp 3-hoz képest. A FLEURS tesztben a Google 5,50 százalékos szóhiba-arányt közölt folyamatos átírásnál és 5,04 százalékot nem folyamatos használat mellett, de ezek benchmarkeredmények, így a tényleges teljesítmény hangminőség és nyelv szerint változhat.
A The Verge egy fontos pontosítást is közölt a bejelentés után. A Google előzetes tájékoztatásában Gemini 3.5 Live és Live Experimental modellek is szerepeltek, később viszont a vállalat jelezte, hogy ezek még nem jelennek meg. Augusztus 26-án tehát a Gemini 3.5 Transcribe az újonnan bejelentett modell, ezért a többi változat képességeit egyelőre nem érdemes kész termékként kezelni.
A pontosabb beszédátírás találkozók, interjúk, ügyfélszolgálati beszélgetések, videók és diktálás esetén egyaránt csökkentheti a manuális munkát. A legnagyobb előny akkor jelentkezhet, ha a generatív mesterséges intelligencia már az első lépésben olyan szöveget ad vissza, amelyhez csak minimális szerkesztés szükséges. A Gemini 3.5 Transcribe ezzel egy olyan hétköznapi feladatot fejleszt tovább, amelynél néhány százaléknyi pontosság és néhány másodpercnyi késleltetés is sokat számíthat nagy mennyiségű hang feldolgozásakor.
Olvasd el ezt is: Új Google-képzés tanít alkalmazást építeni programozói tudás nélkül
Források: Google, The Verge
CS.SZ.
