Google пусна новия ИИ модел Gemini 3.5 Transcribe, който революционизира разпознаването на реч. Този нов модел може не само да преобразува глас в текст с невероятна точност, но и автоматично да премахва ненужните думи като „ъъъ“ и „хм“ от записите.

Новата разработка ще замени остарялата технология Chirp 3 и ще предложи на потребителите значително по-високо качество на транскрипция. Разработчиците са обучили алгоритъма да разпознава над 85 езика, като дори отчита регионалните акценти и местните диалекти. Моделът автоматично разпознава говоримия език и се адаптира към характеристиките на произношението, според Android Authority.

Gemini 3.5 Transcribe добавя възможност за автоматично форматиране на текст и премахване на ненужни звуци по време на разговор. Освен това, потребителите вече могат да редактират записите си с помощта на прости гласови команди.

Изкуственият интелект също така поддържа потребителски речници, така че може точно да записва специфични термини, професионален жаргон и уникални имена.

„Проектирахме Gemini 3.5 Transcribe, за да улови естествения ви стил на говорене, за да разберем по-добре намерението и да разпознаем личния ви речник, за да можете да изпълнявате задачи с гласа си“, коментира говорител на Google в официалния блог.

Благодарение на функцията за делегиране на задачи, новият модел може да използва други версии на Gemini, например, за генериране на изображения или анализ на големи файлове.

Невероятна точност и достъпност за всички

Експертите са регистрирали рекордна точност на системата. Процентът на грешки при разпознаване на стрийминг аудио е само 4,0%, а за готови аудио файлове тази цифра пада до впечатляващите 2,6%, според Neowin. Освен това, изкуственият интелект може да разпознае до трима различни говорители едновременно в записите и автоматично да маркира всяка дума.

Новата технология за транскрипция вече е подобрила вграденото приложение в macOS и функцията Rambler в клавиатурата Gboard на Android. Разработчиците планират скоро да интегрират тази функция в браузъра Chrome, което ще позволи гласово въвеждане във всяко поле на уебсайтовете, според The ​​Verge.