تصور کنید بعد از یک جلسه کاری دو ساعته، بهجای ساعتها وقت گذاشتن برای پاک کردن «اممم»ها و «آآآ»های بیهوده از متن، یک نسخه کاملاً صیقلخورده و آمادهی انتشار داشته باشید. این دقیقاً همان چیزی است که گوگل با مدل جدید خود به دست آورده است.
مدل Gemini 3.5 Transcribe اکنون میتواند کلمات زائد (Filler Words) را بهطور خودکار از متنهای استخراجشده حذف کند. این قابلیت به کاربران اجازه میدهد تا ضبطهای صوتی خود را بهصورت طبیعی و تنها با دستورات صوتی ویرایش کنند و دیالوگها را بدون نیاز به حذف دستی، پاکسازی نمایند.
این بهروزرسانی در حالی رخ میدهد که گوگل در حال گسترش توانمندیهای صوتی خود است و پیش از این مدل 3.5 Live Translate را عرضه کرده بود. همانطور که در تحلیل قبلی ما دربارهی اتوماسیون جریانهای کاری حقوقی توسط جمینای اشاره کردیم، این ابزار نقش هوش مصنوعی را از یک شنوندهی غیرفعال به یک ویراستار فعال برای متخصصان کسبوکار تغییر میدهد. این پیشرفت در حالی صورت میگیرد که گوگل سعی دارد شکافهای فنی رقبا را پر کند؛ بهویژه پس از آنکه چالشهای دقت در مدلهای بازشناسی گفتار OpenAI مورد توجه تحلیلگران قرار گرفت.
به گزارش وبسایت The Verge در ۲۶ اوت ۲۰۲۶، این مدل چندین ارتقای فنی نسبت به سیستم قدیمی Chirp 3 دارد:
- پشتیبانی چندزبانه: تشخیص بومی برای بیش از ۸۵ زبان مختلف.
- واژگان سفارشی: کاربران میتوانند لیست کلمات تخصصی و نحوه دیکته آنها را آپلود کنند تا مدل از «اصلاح» اشتباه اصطلاحات صنعتی جلوگیری کند.
- تشخیص گوینده: توانایی تفکیک بین حداکثر سه گوینده مختلف در فایلهای صوتی ضبطشده.
- دقت زمانی: ارائه برچسب زمانی (Timestamp) در سطح کلمات برای هر بخش از متن.
برای یک متخصص، این یعنی پایان مرحله خستهکننده «پاکسازی» بعد از هر مصاحبه یا جلسه. گوگل با حذف خودکار آشفتگیهای کلامی و مدیریت اصطلاحات پیچیده، استنتاج (Inference) — که شبیه به لحظه آشپزی واقعی است و نه دورهی آموزش آشپز — را به مرحلهای میبرد که خروجی نهایی مستقیماً قابل استفاده باشد.
طبق اعلام گوگل، Gemini 3.5 Transcribe از امروز برای کاربران اپلیکیشن Gemini در macOS و از طریق قابلیت دیکته Rambler در اندروید (در مناطق منتخب) فعال میشود. توسعهدهندگان نیز میتوانند همین حالا از طریق Gemini API در AI Studio و Antigravity به این مدل دسترسی داشته باشند و پشتیبانی از کروم نیز بهزودی اضافه خواهد شد.
گام بعدی شما
- اگر از APIهای تبدیل گفتار به متن استفاده میکنید، قابلیت Custom Vocabulary را برای کاهش نرخ خطای کلمات تخصصی تست کنید.
- در جلسات بعدی، بهجای ویرایش دستی متن، از قابلیت حذف خودکار کلمات زائد برای تسریع مستندسازی استفاده کنید.
- توسعهدهندگان اندروید، یکپارچگی با Rambler را برای بهبود تجربه ورودی صوتی در اپلیکیشنهای خود بررسی کنند.
اما داستان سختافزاری این تحول حتی شگفتانگیزتر است — به تحلیل ما دربارهی تراشههای Blackwell مراجعه کنید.
گفتگو