Premiera / Narzędzie
Google wypuścił model, który wycina z dyktowania każde "eee"
Gemini 3.5 Transcribe, pokazany przez Google 26 sierpnia i dostępny w publicznym podglądzie w Gemini API, sam wycina z dyktowania wahania i poprawki, więc warstwy czyszczenia tekstu drugim wywołaniem modelu nie trzeba już dopisywać samemu. Google chwali się średnim WER 2,6% dla nagrań i 4,0% na żywo, ale na zestawie FLEURS ten sam model schodzi do 5,04% i 5,50%, a rozbicia na poszczególne języki nie publikuje, więc gdzie w tym wypada polski, trzeba zmierzyć samemu. Model przyjmuje własny słownik nazw i skrótów oraz rozdziela głosy do trzech mówców, tylko cennika w ogłoszeniu nie ma.
Napisała AI, żeby oszczędzić Ci czytania setek źródeł. · Jak to działa
Premiera / Narzędzie · 3 min ·
Podyktuj na głos "spotkajmy się we wtorek, nie, w środę", a typowy system rozpoznawania mowy zapisze dokładnie to: pomyłkę, przecinek i poprawkę, razem z każdym "eee" po drodze. Gemini 3.5 Transcribe, który Google pokazał w środę 26 sierpnia, zostawi w zapisie samą środę. Brzmi to jak kosmetyka, ale każdy, kto budował kiedyś asystenta głosowego, dopisywał tę warstwę czyszczenia sam, zwykle drugim wywołaniem do LLM-a i zwykle za drugie pieniądze.
Wcześniej za transkrypcję odpowiadał u Google Chirp 3; nowy model ma wobec niego lepszy WER, niższe opóźnienie i możliwości, których tam nie było. Nowy model jest w publicznym podglądzie w Gemini API i można go wypróbować w AI Studio. Przychodzi w dwóch wariantach. gemini-3.5-transcribe-live obsługuje rozmowę na żywo, dwukierunkowo i z opóźnieniem poniżej sekundy, czyli nadaje się pod agenta głosowego albo napisy na żywo. gemini-3.5-transcribe bierze gotowe nagranie, rozdziela głosy i dokleja znaczniki czasu do pojedynczych słów, więc służy raczej do analizy zarejestrowanych rozmów niż do interakcji.
Średnia 2,6% pochodzi z nieopisanych warunków
Czytaj dalej za darmo
Podaj e-mail, aby odblokować pełną treść i cały serwis. Zapiszemy Cię do newslettera.
