Gemini 3.5 Transcribe zamienia surowe audio bezpośrednio na sformatowany tekst

Koniec surowych transkrypcji

Google wypuścił Gemini 3.5 Transcribe, nowy model speech-to-text, który ma rozwiązać klasyczne bolączki transkrypcji. Zamiast tylko wyrzucać słowa, potrafi od razu usuwać „eee” i „hmmm”, radzi sobie z poprawkami w połowie zdania („spotkajmy się we wtorek, nie, w środę”) i od razu formatuje tekst.

Przejście od transkrypcji do zrozumienia

Różnica w stosunku do starszego modelu Chirp 3 polega nie tylko na dokładności (wskaźnik Word Error Rate spadł do 4,0% dla streamingu). Kluczowe jest połączenie z ekosystemem. Transcribe potrafi rozpoznawać do trzech mówców i zwracać timestamps. Przede wszystkim jednak, w aplikacji Gemini na macOS potrafi już z dźwięku wywoływać funkcje (function calling) i zlecać zadania innym modelom.

Gdzie kończy się AI, a zaczyna interfejs użytkownika

Google wpycha ten model do swoich produktów (Gboard, Antigravity, Chrome), co pokazuje, że wprowadzanie głosowe nie ma być już tylko narzędziem do dyktowania, ale pełnoprawnym sposobem sterowania systemem. Dla deweloperów model jest dostępny przez Gemini API w wariantach do live streamingu i przetwarzania nagrań.

Szybkość adopcji poza Google

Prawdziwym testem będzie to, czy ten model przekona deweloperów, którzy obecnie budują na Whisperze lub Deepgramie. Zdecyduje cena, latencja i niezawodność w przypadkach brzegowych.

Werdykt Lilith

Transkrypcja audio to towar masowy, dlatego Google stara się sprzedawać bezpośrednio zrozumienie intencji i sterowanie maszyną. Pytanie brzmi, czy deweloperzy chcą sprytnego pakietu od Google, czy też wolą zbudować własną logikę na czystym tekście z Whispera.