A Google új, beszédre kihegyezett modellje, a Gemini 3.5 Transcribe, nem egyszerűen hosszabb hangfájlt ír át. A Google hivatalos bemutatója szerint a rendszer az időzítést, a beszélők váltását és a közben megváltozó nyelvet is megpróbálja követni, miközben streaming és nem streaming módban is használható.
A számok első pillantásra erősek: a Google által idézett Artificial Analysis-mérésben a nem streaming változat átlagos szóhibaaránya 2,6 százalék, a streaming módé 4,0 százalék lett 85 nyelven. A WER azonban átlag, nem garancia. A mikrofon minősége, a háttérzaj, a tájszólás, a szakzsargon és a beszélők átfedése egyetlen felvételen is sokat változtathat.
Aki beszél, azt is megpróbálja követni
A modell egyik praktikus újdonsága a több beszélő kezelése. A Google legfeljebb három beszélőhöz ad időbélyegeket és elkülönített szöveget; három fölött a funkció még kísérleti. Ez nem teljes értékű jegyzőkönyvíró, de egy interjú vagy egy rövid megbeszélés után sokkal kevesebb kézi rendezést jelenthet.
A nyelvváltás felismerése hasonlóan hétköznapi problémára válaszol. Egy műszaki hívásban könnyen előfordulhat, hogy a résztvevők magyarul beszélnek, majd angol termékneveket és rövid mondatokat szúrnak közbe. A Transcribe az ilyen váltásokat is kezeli, a végeredmény viszont továbbra is szerkesztést igényel, ha publikálható szöveget szeretnénk.
A Google szerint a végleges átiratig eltelt idő 70 százalékkal javult a Chirp 3-hoz képest. Ez különösen élő feliratnál számít: a rendszer nem akkor válik hasznossá, amikor már véget ért a beszélgetés, hanem akkor, amikor a felhasználó még reagálhat is rá. A késleltetés persze függ a kapcsolattól, a feldolgozási módtól és az adott nyelvtől.
Hol érhető el?
A modell nyilvános előnézetként bekerült a Google AI Studio és a Google Antigravity felületére. A Google angol nyelvű macOS-alkalmazása is megkapta, Androidon pedig a Rambler nevű funkció csak bizonyos országokban érhető el. A Chrome-integrációt későbbre ígérik. Fejlesztők a Gemini API dokumentációjában találják a modellt és a hozzá tartozó korlátozásokat.
A beszédátiratnál az időbélyeg nem csak kényelmi funkció. Segít visszakeresni, melyik mondat hangzott el egy vita vagy egy termékbemutató kritikus pillanatában, és összevethetővé teszi a kivonatot a nyers felvétellel. Ez egy szerkesztőségi munkában különösen hasznos, mert a gyors első változat mellett megmarad az ellenőrzéshez szükséges kapaszkodó.
A 85 nyelv említése sem jelenti azt, hogy mindegyik ugyanolyan minőségű. A Google egyetlen átlagos WER-számot közöl, miközben egyes nyelveken kevésbé áll rendelkezésre tesztadat, és a helyi nevek vagy kevert beszéd különösen nehéz lehet. A modell bevezetésénél ezért érdemes saját mintafelvételekkel mérni, nem egy globális átlagból kiindulni.
A hozzáférés tehát nem azonos azzal, hogy minden felhasználó automatikusan kap egy új diktafont. Előnézetről van szó, amelynél változhat az ár, a keret, a régiós elérhetőség és a végső API. Aki munkafolyamatot épít rá, annak érdemes a nyers hangot és a kész átiratot is megőriznie, hogy egy későbbi modellváltásnál legyen összehasonlítási alap.
Nem az emberi szerkesztőt váltja ki
A Gemini 3.5 Transcribe legnagyobb előnye az első, fárasztó kör: a hosszú hanganyag kereshető szöveggé alakítása, a beszélők durva szétválasztása és az időbélyegek felrakása. A második kör már továbbra is emberi munka. A nevek, számok, jogi mondatok és félbehagyott mondatok ellenőrzése nélkül az alacsony átlagos WER sem teszi automatikusan megbízhatóvá a dokumentumot.
A modell így nem varázslatos tolmács, hanem gyorsabb alap egy szerkesztői vagy ügyfélszolgálati folyamatnak. Ha a Google valóban tartja a sebesség- és nyelvi ígéretet, a különbség leginkább ott érződik majd, ahol sok órányi beszédet kell rövid idő alatt visszakereshetővé tenni. A végső értéket nem a százalék önmagában, hanem a hibák ellenőrzésének költsége dönti el.
A felhasználási határ így világos: a modell első változatot készít, nem hiteles jegyzőkönyvet. Egy riporternél lerövidítheti a gépelést, egy fejlesztőnél kereshetővé teheti a meetingeket, de a végső szöveget továbbra is embernek kell visszahallgatnia. A Google előnézeti státusza éppen erre figyelmeztet: a funkció gyorsan változhat, és a pontosságot a saját felvételeinken kell ellenőrizni.
