Gemini 3.5 Transcribe преобразува реч в текст с помощта на изкуствен интелект

Докато чакаме Gemini 3.5 Pro, Google пуска на пазара друг модел от серията 3.5. Компанията обяви Gemini 3.5 Transcribe – AI модел, създаден да оптимизира гласовото въвеждане, като премахва паразитни звуци и поправки и генерира изпипан AI текст. Този модел вече задвижва функцията „Rambler“ на Gboard в Pixel 11, но скоро ще се появи и в цялата екосистема на Google.

Според Google Gemini 3.5 Transcribe е много по-бърз и по-точен от предишния им енджин за преобразуване на глас в текст, известен като Chirp 3. Новият AI модел трябва да е с около 70 процента по-бърз от гласа до окончателния транскрибиран текст, а процентът на грешки при преобразуване на реч в реално време е спаднал до 5,5%. Това е само малко по-добре от Chirp 3, за който Google отчита 7,32%.

Новият модел не само разпознава по-добре думите, които казвате; предполага се, че също така по-добре улавя същността на това, което сте искали да кажете. Докато говорите, Gemini 3.5 Transcribe може да премахне неудобните „ммм“ и „ъъъ“, които пречат на потока на мисълта ви. Той може също да редактира текста на момента, ако се наложи да се поправите, и да се позовава на предоставения от вас персонализиран речник, за да се справи със специализирания жаргон. Всичко това работи на 85 езика и с до трима говорещи в предварително записани аудиофайлове.

Недостатъкът, разбира се, е, че разчитате на AI да улови точно същността на речта ви. При къси текстови блокове моделът изглежда добър в отстраняването на несъответствия и вербални запъвания, но технически погледнато AI променя формулировката на казаното от вас, а това може да не е подходящо за всички ситуации.

Gemini 3.5 Transcribe вече е достъпен на няколко места, включително в Rambler в Gboard. Все пак това все още е ограничено до телефоните Pixel 11. Google заявява, че ще разшири Rambler до повече устройства с Gemini Intelligence по-късно тази година. Ако използвате приложението Gemini на macOS, вашият гласов вход също вечв се възползва от Gemini 3.5 Transcribe.

Разработчиците също ще имат достъп до много възможности на Gemini 3.5 Transcribe. Antigravity ще разполага с новия модел, с пълен достъп до контекста на екрана и историята на чата. Моделът на AI Studio също вече включва Gemini 3.5 Transcribe, което ви позволява да създавате приложения с код, оптимизирани за изкуствен интелект, чрез преобразуване на реч в текст. Разработчиците могат също да получат достъп до модела чрез Gemini API.

Ако не използвате тези конкретни приложения или устройства, все още няма да видите Gemini 3.5 Transcribe, но той предстои. Google съобщава, че планира скоро да въведе функцията за транскрипция с изкуствен интелект в браузъра Chrome. Когато тя стане достъпна, ще можете да въвеждате текст във всяко уеб поле.