Google har avduket Gemini 3.5 Transcribe, sin nye AI-modell som spesialiserer seg på å konvertere tale til tekst. Selskapet beskriver det som sitt mest nøyaktige system hittil, designet for intelligent taleinteraksjon. I motsetning til tradisjonelle systemer transkriberer denne modellen ikke bare det som blir sagt, men tolker også talerens intensjon, korrigerer feil underveis og produserer ren, formatert tekst.
Modellen er designet for både sanntids- og innspilt bruk, og lover å fungere bra i støyende miljøer, med sterke aksenter eller med teknisk sjargong. Videre oppdager den automatisk over 85 språk, gjenkjenner opptil tre høyttalere og legger til ord-for-ord-tidsstempler. Alt dette oppnås med en bemerkelsesverdig lav feilrate, ifølge uavhengig testing.
Intelligent transkripsjon: mer enn bare diktering
En av hovedfunksjonene i Gemini 3.5 Transcribe er evnen til å forstå selvkorreksjoner. Hvis for eksempel taleren sier: «La oss møtes på tirsdag ... nei, på onsdag», vil modellen bruke det andre alternativet. Den fjerner også fyllord som «uh» eller «um» og bruker automatisk tegnsetting og formatering. Videre lar den deg legge til tilpasset vokabular for å gjenkjenne egennavn, tekniske termer eller uvanlige ord. Ifølge data publisert av Google er feilraten per ord 4 % for strømmet lyd og 2,6 % for forhåndsinnspilt lyd, målt ved Artificial Analysis.
En annen funksjon som skiller seg ut er hastighet. Sammenlignet med forgjengeren, Chirp 3, hevder Google at tiden det tar å få tak i den endelige teksten er redusert med 70 %. Ved direktestrømming er latensen mindre enn ett sekund, noe som muliggjør bruk til teksting i sanntid eller stemmeassistenter.
Integrering i Googles økosystem
Gemini 3.5 Transcribe er allerede integrert i flere Google-produkter. På Android bruker Gboards Rambler-funksjon denne modellen for tale-til-tekst-inndata. Den er også tilgjengelig i Gemini-appen for macOS, slik at brukere kan bruke talekommandoer med skjermkontekst for å oppsummere filer, generere bilder eller gjenbruke tekst. I tillegg integrerer Google Antigravity den for å kombinere skjermkontekst og chathistorikk.
Selskapet har også annonsert at funksjonen snart vil være tilgjengelig i Chrome. Dette vil tillate brukere å diktere tekst i et hvilket som helst nettfelt, for eksempel e-poster, skjemaer eller innlegg, uten å skrive. Selv om det ikke er noen spesifikk dato, forventes det at denne funksjonen vil utvide bruken av stemmetranskripsjon i nettleseren.
Tilgjengelighet for utviklere
For utviklere er Gemini 3.5 Transcribe tilgjengelig i offentlig forhåndsvisning gjennom Gemini API, i Google AI Studio og i Gemini Enterprise Agent Platform. To versjoner tilbys: Live API for toveisstrømming i sanntid med forsinkelse på under ett sekund, og Interactions API for behandling av forhåndsinnspilt lyd med talesattribusjon og tidsstempler. Førstnevnte er designet for taleagenter og direkteteksting, mens sistnevnte er nyttig for møter, intervjuer eller samtaleanalyse.
Modellen kan også delegere komplekse oppgaver til andre Gemini-modeller, for eksempel bildegenerering eller filanalyse, gjennom funksjonskall. Denne funksjonen er for øyeblikket tilgjengelig i Gemini-appen for macOS.
Googles forpliktelse til stemme som primært grensesnitt forsterkes med Gemini 3.5 Transcribe. Kombinasjonen av nøyaktighet, hastighet og intelligente funksjoner gjør det til et viktig verktøy for både brukere og utviklere. Med den forestående ankomsten i Chrome kan stemmediktering bli vanlig på nettet. Det gjenstår å se hvordan det vil tilpasse seg mer krevende brukstilfeller, men de innledende dataene er lovende.