Google запускает новый искусственный интеллект для преобразования речи в текст со множеством возможностей
Компания Google выпустила новую модель искусственного интеллекта Gemini 3.5 Transcribe, которая произвела настоящий переворот в сфере распознавания речи. Новинка умеет не только преобразовывать голос в текст с невероятной точностью, но и самостоятельно очищает записи от лишних слов, таких как "эм" или "хм".
Как это работает
Новая разработка заменит устаревшую технологию Chirp 3 и предложит пользователям значительно более высокое качество транскрипции. Разработчики научили алгоритм распознавать более 85 языков, учитывая даже региональные акценты и местные диалекты. Модель автоматически определяет язык общения и адаптируется к особенностям произношения, пишет Android Authority.
В Gemini 3.5 Transcribe добавили возможность автоматически форматировать текст и удалять лишние звуки во время разговора. Кроме того, пользователи теперь могут редактировать свои записи с помощью простых голосовых команд.
Искусственный интеллект также получил поддержку пользовательских словарей, поэтому он безошибочно записывает специфические термины, профессиональный жаргон и уникальные имена.
"Мы разработали Gemini 3.5 Transcribe для того, чтобы улавливать ваш естественный стиль речи для лучшего понимания намерений и распознавания личного словаря, чтобы вы могли выполнять задачи своим голосом",
– прокомментировал представитель компании Google в официальном блоге.
Благодаря функции делегирования задач новая модель умеет привлекать другие версии Gemini, например, для генерации изображений или анализа больших файлов.
Невероятная точность и доступность для всех
Специалисты зафиксировали рекордные показатели точности работы системы. Уровень ошибок при потоковом распознавании звука составляет всего 4,0 процента, а для готовых аудиофайлов этот показатель снижается до впечатляющих 2,6 процента, сообщает издание Neowin. Более того, искусственный интеллект способен распознавать в записях до трех разных говорящих одновременно и автоматически расставлять временные метки для каждого слова.
Сейчас новая технология транскрипции уже улучшила работу фирменного приложения на macOS и функции Rambler в клавиатуре Gboard на Android. В ближайшее время разработчики планируют интегрировать эту функцию в браузер Chrome, что позволит вводить текст голосом в любое поле на веб-сайтах, добавляет издание The Verge.