Gemini 3.5 Transcribe: nowy model transkrypcji głosu od Google

Google DeepMind zaprezentowało swój najnowszy model rozpoznawania mowy — Gemini 3.5 Transcribe. To najbardziej precyzyjny jak dotąd model speech-to-text firmy, zaprojektowany do inteligentnych interakcji głosowych. W przeciwieństwie do konwencjonalnych systemów rozpoznawania mowy, które mają problem z tłem akustycznym, złożonym żargonem i „czyszczeniem” niepłynności mowy, Gemini 3.5 Transcribe przekształca surowe audio bezpośrednio w dokładny, uporządkowany i sformatowany tekst.

Model już działa w produktach konsumenckich Google, w tym w funkcji Rambler na Androidzie oraz w aplikacji Gemini na macOS. Teraz deweloperzy mogą budować podobne rozwiązania samodzielnie — Gemini 3.5 Transcribe jest dostępny w Gemini API w Google AI Studio oraz na platformie Gemini Enterprise Agent Platform.

Kluczowe wnioski

• Gemini 3.5 Transcribe działa w dwóch trybach: transkrypcji strumieniowej w czasie rzeczywistym (gemini-3.5-transcribe-live, poniżej sekundy opóźnienia) oraz przetwarzania nagrań (gemini-3.5-transcribe) z atrybucją mówców i znacznikami czasu na poziomie słów.
• Według testów Artificial Analysis model osiąga średni wskaźnik błędów słów (WER) na poziomie 4,0% dla transkrypcji strumieniowej i 2,6% dla nagrań, a czas do finalnej transkrypcji poprawił się o 70% względem poprzedniego modelu Chirp 3.
• Model automatycznie rozpoznaje i transkrybuje ponad 85 języków, radzi sobie z regionalnymi akcentami i różnymi dialektami, a także rozpoznaje niestandardowe słownictwo dostarczone przez użytkownika.
• Gemini 3.5 Transcribe potrafi samodzielnie „czyścić” mowę — usuwa słowa-wypełniacze, poprawia autokorekty w mowie (np. „spotkajmy się we wtorek — nie, w środę”) i automatycznie formatuje tekst.
• Funkcja przypisywania wypowiedzi do mówców obejmuje obecnie do trzech osób z dokładnymi znacznikami czasu; wsparcie dla większej liczby mówców jest wciąż eksperymentalne.

Inteligentna transkrypcja i wywoływanie funkcji

Kluczową nowością jest tzw. smart transcription — model bezproblemowo obsługuje autokorekty wypowiadane na żywo, usuwa „ymm” i „ehh”, a wynikowy tekst formatuje automatycznie. Gemini 3.5 Transcribe może też delegować bardziej złożone zadania, takie jak generowanie obrazów czy analiza plików, do innych modeli Gemini za pomocą wywołań funkcji — ta funkcjonalność jest obecnie dostępna w aplikacji Gemini na macOS.

Model wyróżnia się także precyzją w środowiskach zaszumionych i realistycznych warunkach nagrywania, dokładnie odczytując dane alfanumeryczne, takie jak kody pocztowe czy numery zamówień. Na benchmarku FLEURS, obejmującym zestaw najważniejszych języków i lokalizacji, Gemini 3.5 Transcribe osiągnął 5,50% WER w trybie strumieniowym i 5,04% WER przy przetwarzaniu nagrań — wynik lepszy niż poprzedni model Chirp 3.

Głos w codziennych narzędziach Google

Google integruje Gemini 3.5 Transcribe w wielu powierzchniach produktowych, wykraczając poza standardowe rozpoznawanie mowy. Na Gboardzie na Androidzie funkcja Rambler przekształca wypowiedziane myśli w dobrze sformatowany tekst, filtrując słowa-wypełniacze — użytkownik może też głosowo edytować treść, poprawiać literówki i zmieniać styl pisania.

W Google Antigravity model łączy kontekst ekranu i historię czatu (za zgodą użytkownika), by zapewnić precyzyjną transkrypcję nazw plików, myśli agenta i aktywnych dokumentów. W Google AI Studio, w trybie Build, można „vibe kodować” aplikacje głosem. W aplikacji Gemini na macOS Gemini 3.5 Transcribe nie tylko zamienia swobodną mowę w czysty, sformatowany tekst, ale umożliwia też komendy głosowe łączone z kontekstem ekranu do obsługi złożonych zadań — model w tle wywołuje inne modele Gemini, dzięki czemu można głosem podsumowywać pliki lokalne, przenosić treści między aplikacjami czy generować obrazy w miejscu kursora.

Wkrótce funkcja trafi też do Chrome, gdzie umożliwi dyktowanie tekstu w każdym polu na stronie internetowej — co ułatwi tworzenie odpowiedzi, postów czy zapytań do Gemini bezpośrednio głosem.

Znaczenie dla deweloperów i użytkowników

Gemini 3.5 Transcribe reprezentuje istotny skok względem poprzedniego modelu Chirp 3 — poprawione wskaźniki błędów, nowe funkcje i znacznie lepsza latencja mają otworzyć drogę do bardziej naturalnych interakcji głosowych w produktach Google oraz aplikacjach zewnętrznych. Dostępność modelu przez Gemini API oznacza, że firmy trzecie mogą budować własnych asystentów głosowych, narzędzia do napisów w czasie rzeczywistym czy systemy analityki po rozmowach telefonicznych, korzystając z tej samej technologii, która stoi za funkcjami Rambler czy Antigravity. To wpisuje się w szerszy trend rozwoju agentów AI, w którym mowa staje się jednym z głównych interfejsów do zarządzania złożonymi zadaniami cyfrowymi.

Gemini 3.5 Transcribe to kolejny krok Google w kierunku uczynienia głosu naturalnym, kontekstowym interfejsem obsługi aplikacji — od dyktowania tekstu po sterowanie złożonymi przepływami pracy za pomocą samej mowy.