Google yangi avlod nutqni aniqlash texnologiyasi — Gemini 3.5 Transcribe modelini taqdim etdi
Google real vaqt rejimida nutqni matnga aylantirishga mo'ljallangan Gemini 3.5 Transcribe yangi modelini e'lon qildi. Ushbu model shovqinli muhit, murakkab atamalar va nutqdagi parazit so'zlarni tozalab, xom audioni sayqallangan matnga aylantiradi. Avvalgi Chirp 3 modeliga nisbatan transkripsiya tezligi 70 foizga yaxshilangan bo'lib, FLEURS testlarida xatolik ko'rsatkichi 5,04 foizgacha pasaytirilgan. Model ko'p tillilik, bir vaqtda bir nechta so'zlovchini ajratish va so'zma-so'z vaqt belgilarini (timestamps) qo'llab-quvvatlaydi. Dasturchilar ushbu texnologiyani Google AI Studio va Gemini Enterprise Agent Platform orqali o'z loyihalariga integratsiya qilishlari mumkin.
Google kompaniyasi ovozli o'zaro aloqalar uchun mo'ljallangan eng aniq nutqni matnga o'girish (speech-to-text) modeli — Gemini 3.5 Transcribe'ni rasman e'lon qildi. An'anaviy nutqni aniqlash tizimlaridan farqli o'laroq, ushbu model fon shovqinlari, murakkab jargonlar va nutqdagi to'xtalishlarni avtomatik tozalab, audioni darhol tahrirlangan va formatlangan matn ko'rinishida taqdim etadi.
Yangi model avvalgi Chirp 3 tizimiga nisbatan sezilarli yutuqlarga erishgan. Artificial Analysis o'lchovlariga ko'ra, yakuniy transkripsiyani shakllantirish kechikishi (latency) 70 foizga qisqargan. Shuningdek, FLEURS ko'p tilli sinovida model striming rejimida 5,50 foiz, no-striming holatida esa 5,04 foiz so'z xatolik ko'rsatkichini (WER) qayd etdi.
Gemini 3.5 Transcribe bir nechta tilda so'zlashuvchi nutq oqimlarini jonli ravishda boshqarish, real vaqtda striming, har bir so'zlovchini alohida ajratish (multi-speaker attribution) hamda so'z darajasidagi vaqt belgilarini (timestamps) aniqlash imkoniyatlariga ega. Ushbu imkoniyatlar ovozli yordamchilar va jonli subtitr tizimlarini yanada samarali qiladi.
Google mazkur modelni o'zining Android tizimidagi Rambler, Gboard, macOS uchun Gemini ilovasi va Chrome kabi mahsulotlariga integratsiya qilmoqda. Shu bilan birga, dasturchilar va bizneslar Google AI Studio va Gemini Enterprise Agent Platform orqali ushbu API'dan foydalanishlari mumkin bo'ladi. Shuningdek, LiveKit, Agora, LangChain, Pipecat va Vercel kabi platformalar orqali ushbu texnologiyani integratsiya qilish imkoniyati yaratilgan.
Dasturchilar va bizneslar past kechikish va yuqori aniqlikka ega yangi API yordamida tezkor ovozli agentlar, real vaqtli subtitrlar hamda qo'ng'iroqlarni tahlil qilish tizimlarini oson yaratishlari mumkin.
Google Gemini sun'iy intellekt platformasi kompaniya tarixida eng tez 1 milliard oylik faol foydalanuvchiga erishgan mahsulotga aylandi. Ushbu statistika to'g'ridan-to'g'ri veb-sayt, mobil ilova va Gemini Live orqali muloqot qilgan foydalanuvchilarni o'z ichiga oladi. Mazkur qo'llanma platformaning xususiyatlari va amaliy qo'llanishini tushuntiradi.
Gemini'ni oddiy savol-javobdan boshlab reja, tahlil va fayl bilan ishlashda xavfsiz qo'llash uchun amaliy yo'l xaritasi.