Saját valós idejű beszédfelismerőt indított el a Google

A Google bemutatta a Gemini 3.5 Transcribe-ot, legújabb, intelligens beszédfelismerő modelljét, amely pontos és csiszolt szöveget állít elő hanganyagból. A modell a Google AI Studio és a Gemini Enterprise Agent Platform részeként érhető el fejlesztők számára. (Google DeepMind)

A Gemini 3.5 Transcribe valós idejű streaminghez a Live API-t (gemini-3.5-transcribe-live), rögzített hangfeldolgozáshoz pedig az Interactions API-t (gemini-3.5-transcribe) használja. A modell képes azonosítani a beszélőket, időbélyegekkel ellátni a szavakat, és akár három beszélő megkülönböztetésére is alkalmas (több beszélő támogatása kísérleti fázisban van).

A Google AI blogja szerint a modell 4,0%-os átlagos Word Error Rate (WER) értéket ér el streaming esetén, és 2,6%-ot előre felvett hangoknál, az Artificial Analysis mérései alapján. Ez jelentős javulás a korábbi Chirp 3 modellhez képest, amelynél az idő a végleges átirat elkészítéséhez 70%-kal csökkent. A modell támogatja a 85 nyelvet és regionális akcentusokat, valamint egyedi szókincset is képes felismerni.

Az intelligens átirat funkció eltávolítja a töltésszavakat („um”, „ah”), automatikusan formázza a szöveget és kezeli a helyesbítéseket. A funkcióhívás képesség lehetővé teszi, hogy a modell más Gemini modellekkel kommunikáljon, például képgenerálást vagy fájlelemzést végezzen hangparancs alapján.

A Gemini 3.5 Transcribe már elérhető a Gemini app macOS-en, a Rambler funkcióval az Androidon, és hamarosan a Chrome-ban is megjelenik. Fejlesztők számára a Google AI Studio és a Gemini Enterprise Agent Platform kínál hozzáférést a modellhez.