Gemini 3.5 Transcribe prepoznaje govor na 85 jezika

Gugl je 26. avgusta predstavio Gemini 3.5 Transcribe, novu porodicu modela za pretvaranje govora u tekst koju kompanija opisuje kao svoj do sada najprecizniji sistem te vrste. Model zamenjuje raniji Chirp 3 i od objave se postepeno uvodi u nekoliko proizvoda, od tastature Gboard do Gmail-a i Google dokumenata.

Prema podacima kompanije, Gemini 3.5 Transcribe postiže stopu greške od 4 odsto pri transkripciji uživo i 2,6 odsto kod unapred snimljenog zvuka. To u praksi znači da model u proseku pogrešno prepozna manje od tri od sto izgovorenih reči kada radi sa gotovim snimkom. Model automatski prepoznaje i transkribuje preko 85 jezika, uključujući regionalne akcente i dijalekte, bez potrebe da korisnik unapred odredi na kom jeziku govori.

Šta je novo u odnosu na stariji model

Osim same preciznosti, Gemini 3.5 Transcribe uvodi nekoliko funkcija koje ranije nisu bile standardne u Guglovim alatima za prepoznavanje govora. Model uklanja poštapalice poput čestih uzvika i pauza, prepoznaje kada govornik sam sebe ispravi usred rečenice i automatski formatira tekst u čitljive celine sa interpunkcijom. Podržava i prepoznavanje do tri različita govornika u snimljenom razgovoru, sa vremenskim oznakama za svakog, dok je podrška za veći broj govornika trenutno u eksperimentalnoj fazi.

Dodata je i mogućnost prepoznavanja specifičnog rečnika, imena i stručnih termina koje korisnik unapred definiše, što bi trebalo da smanji greške pri transkripciji tehničkih tekstova ili neuobičajenih imena. Prema podacima kompanije, u odnosu na Chirp 3 iz 2025. godine, novi model donosi i do 70 odsto bržu obradu zvuka, što je posebno vidljivo kod transkripcije uživo.

Model ima i mogućnost takozvanog pozivanja funkcija, odnosno prosleđivanja složenijih zadataka drugim Gemini modelima nakon što zvuk pretvori u tekst. To znači da aplikacija koja koristi Gemini 3.5 Transcribe može odmah, bez dodatnog koraka, da prosledi transkribovani tekst na sažimanje, prevod ili dalju obradu.

Gde je model već dostupan

Gemini 3.5 Transcribe se uvodi u Guglov Search Live, Gemini Live, Google dokumente, Keep, Gmail i samu Gemini aplikaciju, kao i u glasovni unos na tastaturi Gboard, gde pokreće funkciju nazvanu Rambler. Kompanija najavljuje da model uskoro stiže i u pregledač Chrome, gde bi korisnici mogli da diktiraju tekst u bilo koje polje na vebu umesto da ga kucaju.

Programerima je model za sada dostupan u javnoj pregled verziji, preko Gemini API-ja u alatu Google AI Studio i u Google Antigravity okruženju, dok firme mogu da ga isprobaju preko poslovne platforme Gemini Enterprise Agent Platform.

Deo šireg zaokreta ka govoru kao unosu

Najava dolazi u trenutku kada Gugl sve više gradi funkcije oko glasovnog unosa i saradnje uživo. Kompanija je ranije predstavila mogućnost da Gemini vodi beleške sa uživo sastanaka, a širi i pristup asistentu unutar pregledača otkako je Gemini u Chrome-u postao dostupan svim Android korisnicima u SAD-u. Sa preko milijardu mesečnih korisnika koje je Gemini nedavno dostigao, poboljšanja u osnovnim funkcijama poput prepoznavanja govora direktno utiču na veliki broj ljudi koji svakodnevno koriste Guglove alate. Novi model je deo šireg portfolija Gemini proizvoda koje Gugl ubrzano širi tokom ove godine.

Google nije objavio tačan datum kada Gemini 3.5 Transcribe prelazi iz pregled verzije u punu dostupnost, niti da li će podrška za dodatne govornike izaći iz eksperimentalne faze u skorije vreme.

Za korisnike koji svakodnevno diktiraju poruke, vode beleške sa sastanaka ili rade sa snimljenim intervjuima, ovakva unapređenja retko deluju kao vest sama za sebe, ali se sabiraju u alat koji je sve manje potrebno ručno ispravljati. Manja stopa greške i automatsko formatiranje teksta znače manje vremena provedenog u naknadnom sređivanju transkripta.