Google запускає нову ШІ-модель для перетворення мовлення в текст із купою можливостей
Компанія Google випустила нову модель штучного інтелекту Gemini 3.5 Transcribe, яка здійснює справжній переворот у сфері розпізнавання мовлення. Новинка вміє не лише перетворювати голос на текст із неймовірною точністю, але й самостійно очищує записи від сміттєвих слів на кшталт "ем" чи "хм".
Як це працює
Нова розробка замінить застарілу технологію Chirp 3 й запропонує користувачам значно вищу якість транскрипції. Розробники навчили алгоритм розпізнавати понад 85 мов, враховуючи навіть регіональні акценти та місцеві діалекти. Модель автоматично визначає мову спілкування та адаптується до специфіки вимови, пише Android Authority.
У Gemini 3.5 Transcribe додали можливість автоматично форматувати текст і прибирати зайві звуки під час розмови. Окрім цього, користувачі тепер можуть редагувати свої записи за допомогою простих голосових команд.
Штучний інтелект також отримав підтримку користувацьких словників, тому він без помилок записує специфічні терміни, професійний жаргон та унікальні імена.
Ми розробили Gemini 3.5 Transcribe для того, щоб уловлювати ваш природний стиль мовлення для кращого розуміння намірів і розпізнавання особистого словника, щоб ви могли виконувати завдання своїм голосом,
– прокоментував представник компанії Google в офіційному блозі.
Завдяки функції делегування завдань нова модель вміє залучати інші версії Gemini, наприклад, для генерації зображень чи аналізу великих файлів.
Неймовірна точність та доступність для всіх
Фахівці зафіксували рекордні показники точності роботи системи. Рівень помилок під час потокового розпізнавання звуку становить лише 4,0 відсотка, а для готових аудіофайлів цей показник падає до вражаючих 2,6 відсотка, повідомляє видання Neowin. Ба більше, штучний інтелект здатний розпізнавати у записах до трьох різних спікерів одночасно та автоматично розставляти часові мітки для кожного слова.
Зараз нова технологія транскрипції вже покращила роботу фірмового додатка на macOS та функції Rambler у клавіатурі Gboard на Android. Найближчим часом розробники планують інтегрувати цю функцію у браузер Chrome, що дозволить вводити текст голосом у будь-якому полі на веб-сайтах, додає видання The Verge.