Conform Playtech.ro: Google lansează Gemini 3.5 Transcribe, o tehnologie revoluționară care promite să schimbe modul în care interacționăm cu înregistrările audio, prin înțelegerea și corectarea limbajului natural. Noul model de inteligență artificială de la Google excelează în a gestiona ezitările umane din vorbire, precum și răzgândirile în timp real, adaptând textul final pentru a fi mai cursiv și ușor de citit.

Inteligența artificială înțelege vorbirea naturală

Unul dintre punctele forte ale Gemini 3.5 Transcribe este capacitatea sa de a recunoaște și corecta chiar și cele mai subtile nuanțe ale comunicării verbale. De exemplu, dacă o persoană spune „ne întâlnim marți, nu, miercuri”, sistemul poate identifica corectarea și poate reda textul conform ultimei indicații, fără a include în transcriere ezitările inițiale. Această funcționalitate elimină automat expresii de umplutură, cum ar fi „ăă” sau „mmm”, atunci când acestea nu adaugă valoare informațională. Mai mult, modelul poate organiza textul rezultat și permite modificări ulterioare prin comenzi vocale simple, facilitate de limbajul natural.

Potrivit datelor furnizate de Google, Gemini 3.5 Transcribe prezintă o rată medie de eroare de 4% în transcrierea în timp real. În scenariile în care audio-ul este procesat offline, fără restricții de streaming, rata de eroare scade la 2,6%, conform măsurătorilor realizate de Artificial Analysis. Această performanță ridicată asigură o acuratețe sporită în procesarea conversațiilor.

Modelul a fost conceput pentru a recunoaște și vocabularul personalizat, un aspect crucial în transcrierea numelor specifice, a termenilor tehnici sau a codurilor alfanumerice. Google afirmă că Gemini 3.5 Transcribe poate detecta și transcrie automat peste 85 de limbi, adaptându-se la diverse accente regionale și dialecte.

Identificarea vorbitorilor și rapiditatea procesării

Gemini 3.5 Transcribe nu se limitează la dictare, ci extinde capabilitățile sale la analiza înregistrărilor audio preînregistrate. Modelul poate atribui replicile unor vorbitori diferiți și poate include marcaje temporale precise, facilitând urmărirea desfășurării conversației. În prezent, funcția poate identifica până la trei persoane, iar suportul extins pentru un număr mai mare de vorbitori este încă în faza experimentală.

Comparativ cu versiunea anterioară, Chirp 3, lansată în 2025, Gemini 3.5 Transcribe aduce o reducere semnificativă a timpului necesar pentru obținerea transcrierii finale. Google raportează o scădere cu aproximativ 70% a duratei de procesare, un avantaj notabil pentru eficientizarea fluxurilor de lucru.

Pe benchmark-ul FLEURS, dedicat testării performanței multilingve, Gemini 3.5 Transcribe a atins o rată de eroare de 5,50% în modul streaming și 5,04% în scenariile non-streaming, acoperind un set extins de limbi și regiuni.

Un aspect important subliniat de Google este capacitatea modelului de a înțelege și corecta automat frazele în care vorbitorul se răzgândește. Aceasta înseamnă că, dacă într-o conversație se menționează inițial o anumită zi, dar ulterior se corectează, transcrierea va reflecta corecția finală, eliminând informația eronată. Astfel, Gemini 3.5 Transcribe nu păstrează ezitările și erorile inițiale, prezentând un text final mult mai coerent și concis.

Modelul de inteligență artificială integrează o serie de îmbunătățiri menite să simplifice procesul de transcriere, făcându-l mai accesibil și mai eficient pentru diverse aplicații, de la conferințe și interviuri la crearea de conținut multimedia.

Această evoluție tehnologică se reflectă în măsurătorile citate de Google, care indică o eficiență sporită și o acuratețe îmbunătățită în procesarea audio. Pe platforma FLEURS, testele au relevat o performanță solidă, consolidând poziția Gemini 3.5 Transcribe ca un instrument avansat în domeniul transcrierii automate.

Sursa: Playtech.ro