Google представила нову модель для розпізнавання мовлення Gemini 3.5 Transcribe. Вона перетворює усне мовлення на структурований текст і автоматично прибирає слова-паразити та враховує виправлення, які людина робить під час розмови.
За даними Google, Gemini 3.5 Transcribe автоматично визначає понад 85 мов і точніше розпізнає мовлення порівняно з попередніми моделями компанії. Модель також може враховувати власний словник і нестандартне написання слів, а також розпізнавати комбінації літер і цифр: номери замовлень або поштові індекси.
Для попередньо записаного аудіо Gemini 3.5 Transcribe може розрізняти до трьох співрозмовників і додавати часові позначки для окремих слів. Це дає змогу використовувати модель для транскрибування подкастів, інтерв’ю та інших записів із кількома учасниками.
Модель також підтримує голосове редагування тексту. Людина може диктувати зміни замість того, щоб вручну виправляти отриману транскрипцію.
Google планує додати технологію в Chrome, де вона дозволить вводити текст голосом у полях на вебсторінках. Зокрема, можна буде диктувати відповіді та дописи або голосом вводити запити для Gemini.
Gemini 3.5 Transcribe вже працює у функції Rambler на пристроях Android, зокрема смартфонах серії Pixel 11, а також у Gemini на macOS і платформі Google Antigravity. Компанія планує додати модель до Search Live, Gemini Live, Google Docs, Keep і Gmail. Розробники також отримають доступ до неї через API.
Джерело: Engadget
