infa.lt

„Google“ korporacija pristatė naują kalbos vertimo į tekstą modelį „Gemini 3.5 Transcribe“, kuris ne tik mechaniškai fiksuoja ištartus žodžius, bet ir automatiškai redaguoja rezultatą.

Sistema sugeba taisyti apsirikimus, šalinti parazitinius žodelius ir garsus, ir formatuoti tekstą, paverčiant neapdorotą šneką į pilnai paruoštą kalbą.

Naujovė jau integruota į tam tikrus „Google“ produktus, o dabar tapo prieinama ir programuotojams per API sąsajas.

„Gemini 3.5 Transcribe“ pritaikyta tiek darbui realiu laiku, tiek įrašytų garso failų apdorojimui. Pirmuoju atveju modelis užtikrina dvikryptį srautinį perdavimą su mažesne nei sekundės delsa, o tai idealiai tinka balso asistentams bei tiesioginiams subtitrams.

Analizuojant įrašytus skambučius ar susitikimus, sistema geba paskirstyti laiko žymas ir atskirti kalbėtojus – šiuo metu ji stabiliai identifikuoja iki trijų kalbančių asmenų grupę.

Pagrindinis skirtumas nuo tradicinių sistemų – konteksto suvokimas. Jei asmuo pokalbio metu pataiso save, sakydamas „susitiksim antradienį – ne, trečiadienį“, modelis iškart pateikia galutinę teisingą versiją. Sistema taip pat išvalo „aaa-e-e“ tipo užsikirtimus, atpažįsta specializuotą terminologiją iš vartotojo žodyno bei apdoroja raidinių-skaitmeninių sekų kodus.

Palyginti su ankstesniuoju „Chirp 3“ varikliu, „Google“ pažymi pastebimą greičio šuolį. Remiantis „Artificial Analysis“ duomenimis, laikas iki galutinės transkripcijos gavimo sutrumpėjo 70 proc. Vidutinis klaidų rodiklis (WER) siekia 4,0% srautiniam, ir 2,6% ne srautiniam režimui. Daugiakalbiame „FLEURS“ teste šie rodikliai atitinkamai sudaro 5,50% ir 5,04 proc.

Modelis palaiko daugiau nei 85 kalbas ir geba automatiškai jas kaitalioti pokalbio eigoje. „Google“ jau naudoja šią technologiją „Rambler“ funkcijoje „Android“ įrenginiuose bei „Gemini“ programėlėje „macOS“, kurioje balso įvestis susieta su ekrano kontekstu.

Plėtotojai naujovę gali pasiekti per „Live API“ (srautui) ir „Interactions API“ (įrašams), taip pat per „Google AI Studio“. Ateityje planuojama analogišką diktavimo funkciją integruoti ir „Chrome“ naršyklėje.

Kaip pastebi „Ars Technica“, toks modelis kardinaliai keičia požiūrį į diktavimą, tačiau pabrėžia, kad išmanus sakinių koregavimas labiau tinka kasdieniam naudojimui, o ne ten, kur reikalaujama absoliutaus stenografinio tikslumo.