Η Google παρουσίασε το Gemini 3.5 Transcribe, το πιο ακριβές μοντέλο speech-to-text που έχει διαθέσει μέχρι σήμερα, με στόχο την έξυπνη μεταγραφή φωνής σε πραγματικό χρόνο. Το σύστημα μετατρέπει ακατέργαστο ήχο απευθείας σε ακριβές, καθαρό και μορφοποιημένο κείμενο.
Τι κάνει διαφορετικό το Gemini 3.5 Transcribe;
Η εταιρεία αναφέρει ότι το μοντέλο έχει σχεδιαστεί για να αντιμετωπίζει περιπτώσεις όπου τα συμβατικά συστήματα δυσκολεύονται, όπως ο θόρυβος περιβάλλοντος, η σύνθετη ορολογία και η διόρθωση ασυνέπειας στην ομιλία.
📖 Διάβασε επίσης
Σύμφωνα με την ίδια, το Gemini 3.5 Transcribe αποδίδει καλύτερα το φυσικό ύφος της ομιλίας, αναγνωρίζει προσαρμοσμένο λεξιλόγιο και υποστηρίζει εντολές που εκτελούνται με τη φωνή.
- μεταγραφή ζωντανής ομιλίας
- υποστήριξη εναλλαγής γλώσσας
- multi-speaker attribution
- word-level timestamps
Πού ενσωματώνεται ήδη;
Η Google αναφέρει ότι οι χρήστες αξιοποιούν ήδη τη μεταγραφή σε προϊόντα όπως το Gemini app και το Android, με νέες φωνητικές λειτουργίες όπως το Rambler στο Android και στο Gemini app για macOS.
Για τους developers, το Gemini 3.5 Transcribe είναι διαθέσιμο στο Gemini API μέσα από το Google AI Studio και το Gemini Enterprise Agent Platform. Η εταιρεία λέει ότι μπορεί να ενταχθεί σε ροές εργασίας για voice agents, real-time captioning tools και post-call analytics pipelines.
Ποια βελτίωση δίνει σε σχέση με το Chirp 3;
Η Google παρουσιάζει το νέο μοντέλο ως σημαντική εξέλιξη σε σχέση με το Chirp 3, με νέες δυνατότητες, καλύτερα word error rates και αισθητά μικρότερη καθυστέρηση.
Με βάση μέτρηση της Artificial Analysis, ο χρόνος μέχρι την τελική μεταγραφή βελτιώνεται κατά 70%.
Στο FLEURS benchmark, σε μια ομάδα κορυφαίων γλωσσών και τοπικών παραλλαγών, το μοντέλο εμφανίζει πολυγλωσσική απόδοση με 5.50% WER σε streaming mode και 5.04% WER σε non-streaming use-cases.
Ποιες άλλες λειτουργίες ανέφερε η Google;
Η εταιρεία σημειώνει ότι το Gemini 3.5 Transcribe φέρνει context-aware κατανόηση σε εργαλεία όπως το Gboard, το Antigravity, το Gemini app και το Chrome.
Με τη φωνή, οι χρήστες μπορούν στο Gemini app για macOS να αναλύουν αρχεία, να δημιουργούν εικόνες και να κάνουν αναζήτηση. Παράλληλα, το Rambler στο Android αφαιρεί αυτόματα λέξεις-γεμίσματα και καθαρίζει την ομιλία.
Η Google προσθέτει ότι το Gemini 3.5 Transcribe αξιοποιεί το screen context στο Google Antigravity για πιο ακριβή μεταγραφή.
Τι σημαίνουν οι νέες δυνατότητες για developers;
Στο οικοσύστημα των developers, το μοντέλο μπορεί να συνδεθεί με το Gemini Live API και με πλατφόρμες όπως Agora και Fishjam. Η Google το τοποθετεί ως εργαλείο για ροές που απαιτούν φυσική ομιλία, άμεση μεταγραφή και πιο οργανωμένη καταγραφή δεδομένων.
Στο ίδιο πλαίσιο, το Gemini 3.5 Transcribe υποστηρίζει και μεταγραφή με ακρίβεια σε επίπεδο λέξης, μαζί με απόδοση ανά ομιλητή.
