Google wprowadza Gemini 3.5 Transcribe do transkrypcji mowy w 85 językach

Gemini 3.5 Transcribe nie tylko wychwytuje, co ktoś mówi. Przekształca to, co powiedziano, w to, co zamierzano powiedzieć. Kiedy mówca poprawia się w połowie zdania – 'Umówmy się na wtorek, nie, środę’ – model generuje 'środę’ i odrzuca poprawkę. Słowa wypełniające znikają. Hałas w tle go nie powstrzymuje. Rezultat pojawia się jako dopracowany, sformatowany tekst, a nie surowy zapis audio.

Dla każdego, kto nagrywa wywiady, podcasty lub treści wielojęzyczne, to rozróżnienie stanowi cały przepływ pracy. Każde dostępne narzędzie do transkrypcji radzi sobie z 'tym, co zostało powiedziane’. Ludzki redaktor, który później to poprawiał, zajmował się wszystkim innym. Google teraz wbudowuje tego redaktora bezpośrednio w model.

Model obsługuje dwie odrębne ścieżki API. Live API odpowiada za ciągły, dwukierunkowy streaming z opóźnieniem poniżej sekundy – przeznaczony dla agentów głosowych czasu rzeczywistego, botów obsługi klienta i wszystkiego, co wymaga natychmiastowej transkrypcji. Interactions API obsługuje nagrane audio: pełne spotkania, dzienniki połączeń i wywiady, zwracając przypisanie mówcy dla maksymalnie trzech uczestników wraz ze znacznikami czasu. Oba osiągają 4,0% wskaźnika błędów słów w trybie streamingowym i 2,6% w trybie niestreamingowym – mierzone przez niezależną firmę benchmarkingową Artificial Analysis. Poprzedni model zamiany mowy na tekst Google’a, Chirp 3, wymagał o 70% więcej czasu na osiągnięcie końcowej transkrypcji.

Konsumencka strona premiery jest skromniejsza. Na Androidzie Gboard Rambler już korzysta z Gemini 3.5 Transcribe do wprowadzania głosowego. Aplikacja Gemini na macOS obsługuje to w języku angielskim za pomocą funkcji Speak to Window. Chrome jest wymieniony jako wkrótce dostępny, co pozwoliłoby użytkownikom dyktować w dowolnym polu internetowym – odpowiedzi, posty, formularze – bez przełączania aplikacji. Nie potwierdzono konkretnej daty wdrożenia.

Ograniczenia modelu mają znaczenie. Przypisanie wielu mówców ogranicza się do trzech uczestników; panele i okrągłe stoły z większą obsadą wymagają rozwiązań zastępczych. Konsumencka aplikacja Rambler jest obecnie dostępna w 'wybranych krajach i językach’, a nie we wszystkich 85, które obsługuje model. Google nie ogłosił cen za API, które jest w publicznej wersji zapoznawczej za pośrednictwem Google AI Studio. Dostęp korporacyjny odbywa się za pośrednictwem Gemini Enterprise Agent Platform, gdzie ceny są negocjowane indywidualnie. Dla mniejszych twórców kwestia kosztów pozostaje otwarta.

Konkurencyjny kontekst również ma znaczenie. OpenAI Whisper, wciąż domyślny wybór dla niezależnych programistów, osiąga wskaźniki błędów słów w zakresie 5–7% w przypadku angielskiego audio i wymaga kodu do post-processingu, aby radzić sobie z usuwaniem wypełniaczy i formatowaniem. Usługi takie jak AssemblyAI i Deepgram oferują diarizację mówców, ale nie wbudowaną korektę języka naturalnego, którą Gemini 3.5 Transcribe stosuje domyślnie. Różnica jest mierzalna, ale to, jak sprawdzi się w trudniejszym zakresie 85 języków – regionalne akcenty, języki niskozasobowe, hałaśliwe środowiska – będzie wymagało niezależnych testów, aby to ustalić.

Funkcja, która najwięcej mówi o długoterminowym kierunku Google, to integracja z Chrome. Gdy wprowadzanie głosowe będzie działać w dowolnym polu internetowym, model przestaje być narzędziem dla programistów – staje się infrastrukturą tego, jak ludzie piszą. Harmonogram wdrożenia tej zmiany nie został potwierdzony.

Tagi: Google, AI, Gemini, audio-ai, creator-tools, speech-to-text