گوگل از مدل جدید تبدیل صوت به متن خود رونمایی کرده است. این مدل فقط صدا را کلمهبهکلمه پیاده نمیکند؛ بلکه متنی ویرایششده و تمیز و مرتب تحویل میدهد.
بهگزارش بلاگ گوگل، هوش مصنوعی Gemini 3.5 Transcribe به خانوادهی مدلهای Gemini Audio اضافه شده و از نسبتبه مدل قبلی، Chrip 3، هم زبانهای مختلف را بهتر تشخیص میدهد و هم خطای کمتری در نگارش کلمات دارد.
این مدل بیشتر از ۸۵ زبان از جمله زبان فارسی پشتیبانی میکند.
حذف کلمات و آواهای پرکننده
مدل Gemini 3.5 Transcribe متنی به شما تحویل میدهد که آواها و کلمات پرکننده و اضافی مثل آه، اومم و مثلا از آن حذف شده است.
اگر بخواهید فایل جلسه، مصاحبه، کلاس یا پادکست را به متن تبدیل کنید، با مدل جدید گوگل، ویرایش دستی کمتری خواهید داشت.
آموزش اصطلاحات تخصصی و نامهای خاص
هوش مصنوعی ممکن است در تشخیص و پیادهسازی اصطلاحات تخصصی و نامهای خاص به مشکل بخورد. ویژگی Gemini 3.5 Transcribe این است که میتوان این واژگان را از قبل به آن یاد داد تا آنها را بهدرستی تشخیص دهد و با املای درست بنویسد.
اگر بخواهید فایلهای تخصصی پزشکی و فنی، آموزش درسهای مختلف یا جلسات کاری را پیادهسازی کنید، این ویژگی از اشتباههای رایج در پیادهسازی متن جلوگیری میکند و کارتان سادهتر میشود.
تشخیص ۳ گوینده و زمان دقیق هر کلمه
اگر در یک فایل صوتی تا ۳ نفر صحبت کنند، مدل جدید جمینای میتواند صدای آنها را از همدیگر تشخیص دهد و در فایل خروجی مشخص کند که هر قسمت را چه کسی گفته است.
بهعلاوه، با قابلیت Time Stamp مشخص میشود که هر کلمه دقیقا در چه زمانی از فایل صوتی گفته شده است تا ارجاع به آن راحتتر باشد.
فعلاً خبری از Gemini 3.5 Live نیست
گوگل اعلام کرده بود که همراه با مدل Transcribe، نسخههای جدید Gemini 3.5 Live و 3.5 Live Experimental هم معرفی میکند؛ ولی پس از عرضهی این مدل، اعلام شد که ۲ مدل دیگر فعلا عرضه نمیشود و زمانی هم برای عرضهشان مشخص نشده است.
طبق اطلاعات اولیه، Gemini 3.5 Live قرار است در تشخیص بهتر زبان، مدیریت قطعشدن صحبت کاربر وسط جمله و پردازش زنده تصویر عملکرد بهتری داشته باشد.
نسخه Experimental هم برای وظایف پیچیدهتر طراحی شده و میتواند هنگام انجام فرایندهای استدلالی، مراحل کار را قدمبهقدم و بهصورت زنده توضیح دهد.
معرفی مدل Gemini 3.5 Transcribe در حالی انجام شده که انتشار Gemini Pro 3/5 که قرار بود در ماه ژوئن انجام شود، لغو شده است. بعضیها پیشبینی میکنند که گوگل در حال آمادهسازی اپلیکیشن دسکتاپ جمینای برای عرضهی Gemini 4 است!
در خبر دیگری درباره ی اکوسیستم گوگل خواندیم که جمینای و سرچ به ابزارهای جدید تحصیلی مجهز شدهاند.
