A Google új audiomodellt mutatott be Gemini 3.5 Transcribe néven, amelynek központi feladata a beszéd írott, strukturált szöveggé alakítása. A cég szerint a modell továbbfejlesztett beszédfelismerő algoritmusokat használ a kiejtett szavak pontosabb értelmezéséhez.
Funkciók és képességek
- A modell képes a „strukturálatlan beszédet” formázott, szerkeszthető szöveggé alakítani, tehát nem pusztán szó szerinti átírást készít, hanem strukturális elemeket is létrehoz.
- Lehetőség van hangparancsokkal történő szerkesztésre, vagyis diktált utasításokkal formázhatók, javíthatók a leiratok.
- A transzkripció során a rendszer eltávolítja a töltelékszavakat, ami tisztább, rövidebb leiratot eredményez.
- A Google szerint a modell megtanulja az egyéni szókincset és egyedi írásmódokat is, így jobb illeszkedést ad hosszabb használat után.
- Különösen pontosan rögzíti az alfanumerikus karakterláncokat (például rendelési számok, irányítószámok), ami üzleti alkalmazásoknál — például rendelések feldolgozásánál vagy telefonos ügyfélszolgálati megerősítéseknél — előnyös lehet.
Többbeszélős leírás és idõbélyegzés
A Google állítása szerint a Gemini 3.5 Transcribe egyszerre akár három ember beszédét is képes leírni, és a leiratokhoz időbélyegeket rendel. Ez különösen hasznos lehet például podcastok vagy több résztvevős beszélgetések szöveges változatának elkészítésénél.
Böngészős integráció és fejlesztői hozzáférés
A cég ígérete szerint a modell szövegfelolvasó (text-to-speech) funkcióját hamarosan bármely weboldalon elérhetővé teszik a Google Chrome böngészőben. Emellett a felhasználók a weboldalakon megjelenő szöveges mezőkbe (például kommentmezőkbe) diktálva is válaszolhatnak majd.
A megoldás „hamarosan” válik elérhetővé, és a fejlesztők hozzáférést kapnak a modellhez, hogy azt testreszabhassák saját igényeik szerint.
Megjelenés és kommunikáció
A Google a bejelentés részleteit a vállalat saját kommunikációs csatornáin tette közzé. A cég hangsúlyozza a pontosabb átirat és az üzleti alkalmazásokban hasznosítható funkciók jelentőségét.
Miért fontos ez?
A pontosabb, strukturált leiratok és a tartalom szerkeszthetősége hangparancsokkal gyorsíthatja a munkafolyamatokat médiatermelésnél, ügyfélszolgálatnál és adminisztratív feladatoknál. A képesség, hogy különösen pontosan rögzítse az olyan alfanumerikus adatokat, mint a rendelési vagy irányítószámok, csökkentheti a hibákat és javíthatja az automatizált feldolgozás megbízhatóságát.
