Google дуу хоолойгоор текст бичих үйлдлийг илүү хурдан, илүү байгалийн болгох зорилготой шинэ Gemini 3.5 Transcribe загвараа танилцуулжээ. Энэ технологийн гол онцлог нь хүний хэлсэн үгийг зүгээр нэг текст болгон буулгахаас гадна шууд илүү цэгцтэй, уншихад ойлгомжтой хэлбэрт оруулахыг оролддогт байна.
Gemini 3.5 Transcribe нь ярианы үеийн өөрийгөө зассан хэсгийг таньж, “аа”, “мм” зэрэг илүү үг, шаардлагагүй түр зогсолтыг хасах чадвартай. Мөн хэрэглэгчийн өөрийн үгийн сан, нэр томьёо, байнга ашигладаг хэллэгийг харгалзан илүү зөв бичвэр гаргах боломжтой гэж Google мэдээлжээ.
Google-ийн мэдээлснээр, Gemini 3.5 Transcribe бичлэг боловсруулах үед дундаж алдааны түвшин 2.6 хувь, харин шууд дамжуулан таних горимд 4 хувьтай байна. Энэ нь дуу хоолойгоор бичих үед гардаг алдааг багасгаж, хэрэглэгчийн дараа нь засварлах шаардлагыг бууруулахад чиглэжээ.
Шинэ загварын бас нэг том давуу тал нь хурд юм. Өмнөх Chirp 3 технологитой харьцуулахад эцсийн transcript авах хугацаа ойролцоогоор 70 хувиар богиноссон байна. Ингэснээр яриаг текст болгон буулгах үйл явц илүү шуурхай болж, уулзалт, тэмдэглэл, мессеж бичих зэрэг өдөр тутмын хэрэглээнд илүү тохиромжтой болох юм.
Gemini 3.5 Transcribe нь 85-аас дээш хэлийг автоматаар таних чадвартай. Мөн нэг ярианд оролцож буй гурван хүртэлх хүнийг ялгаж чадна. Үүнээс олон speaker таних боломж одоогоор туршилтын шатанд байгаа аж.
Бодит цагийн хэрэглээнд зориулж Google Gemini 3.5 Transcribe Live нэртэй тусдаа хувилбарыг санал болгож байна. Энэ хувилбарын хариу үйлдлийн саатал нэг секундээс бага гэж мэдээлэгдсэн нь шууд яриаг хурдан текст болгоход чухал давуу тал болж байна.
Gemini 3.5 Transcribe зөвхөн хөгжүүлэгчдэд зориулсан хэрэгсэл болоод үлдэхгүй. Google энэ технологийг өөрийн бүтээгдэхүүнүүдэд аль хэдийн нэвтрүүлж эхэлжээ. Тухайлбал, Gemini for macOS, Google AI Studio болон Android дээрх Gboard-ийн Rambler функцэд ашиглаж байгаа байна.
Дараагийн алхам нь Chrome байж магадгүй. Google хэрэглэгчдэд вэб хуудасны бараг бүх текст бичих талбарт дуу хоолойгоор бичих боломж өгөхөөр төлөвлөж байгаа аж. Харин хөгжүүлэгчдийн хувьд Gemini 3.5 Transcribe загвар Gemini API-ээр дамжин public preview хэлбэрээр аль хэдийн ашиглах боломжтой болжээ.
Хэрэв Google-ийн зарласан нарийвчлал бодит хэрэглээнд тогтвортой хадгалагдвал дуу хоолойгоор бичих арга өмнөхөөсөө мэдэгдэхүйц тухтай болох боломжтой. Учир нь систем хэлсэн бүхнийг механикаар хуулбарлах бус, хүний ярианы алдаа, давталт, илүү үгийг өөрөө засаж, илүү цэвэр бичвэр болгон гаргана.
Ингэснээр мессеж бичих, тэмдэглэл хөтлөх, урт текст боловсруулах зэрэг олон өдөр тутмын үйлдэлд гарын keyboard-аас илүү дуу хоолойгоор бичих арга илүү хурдан, илүү байгалийн сонголт болж магадгүй байна.
