Google випустила Gemini 3.5 Transcribe для розпізнавання мовлення з точністю до 97,4%

Нова модель Gemini 3.5 Transcribe суттєво покращує якість перетворення мовлення в текст порівняно з попередником Chirp 3. Алгоритм здатний розпізнавати понад 85 мов, враховуючи регіональні акценти та місцеві діалекти, а також автоматично визначає мову спілкування й адаптується до специфіки вимови.

Серед ключових функцій — автоматичне форматування тексту, видалення зайвих звуків під час розмови та редагування записів за допомогою голосових команд. Користувачі можуть налаштовувати власні словники, що дозволяє моделі без помилок записувати професійний жаргон, специфічні терміни та унікальні імена.

Представник Google зазначив: «Ми розробили Gemini 3.5 Transcribe для того, щоб уловлювати ваш природний стиль мовлення для кращого розуміння намірів і розпізнавання особистого словника, щоб ви могли виконувати завдання своїм голосом». Модель також підтримує функцію делегування завдань, залучаючи інші версії Gemini для генерації зображень або аналізу великих файлів.

За даними розробників, рівень помилок під час потокового розпізнавання становить 4,0%, а для готових аудіофайлів — 2,6%. Система розпізнає до трьох різних спікерів одночасно та автоматично проставляє часові мітки для кожного слова.

Технологія вже інтегрована у фірмовий додаток на macOS та функцію Rambler у клавіатурі Gboard на Android. Найближчим часом розробники планують додати підтримку в браузер Chrome, що дозволить вводити текст голосом у будь-якому полі на веб-сайтах.

Запуск Gemini 3.5 Transcribe посилює конкурентну боротьбу на ринку ШІ-транскрипції, де активно працюють такі гравці, як OpenAI та Meta. Висока точність і багатомовність можуть стати ключовими перевагами для залучення корпоративних користувачів, які потребують надійної обробки аудіоконтенту.