Gerçek Zamanlı Sesli Etkileşimler İçin Gemini 3.5 Transcribe Konuşmadan Metne Modeli Tanıtıldı
Kaynak: deepmind.google ·
Google, arka plan gürültüsü, karmaşık jargon ve akıcılık sorunlarıyla başa çıkabilen en hassas konuşmadan metne modeli Gemini 3.5 Transcribe'ı duyurdu. Ham sesi doğrudan doğruya, biçimlendirilmiş metne dönüştüren bu yeni model; gerçek zamanlı akış ve önceden kaydedilmiş ses işleme olmak üzere iki ayrı API ile geliştiricilere sunuluyor. Model, yapay zeka uygulamasında ve Android'de kullanıcılar tarafından deneyimlenmeye başlandı ve geliştiriciler için Google AI Studio ile Gemini Enterprise Agent Platform üzerinden erişime açıldı.
Neden önemli?
Bu model, geleneksel konuşma tanıma sistemlerinin zorlandığı gürültülü ortamlar, dolgu kelimeler ve karmaşık terimler gibi sorunları ortadan kaldırarak daha doğal ve hatasız sesli etkileşimler kurulmasını sağlar. Geliştiriciler ve kurumlar, bu modeli kullanarak sesli asistanlar, canlı altyazı araçları ve çağrı analitiği boru hatları inşa edebilir.
Bununla neler yapılabilir?
- Olası kullanım: Geliştiriciler, gemini-3.5-transcribe-live API'sini kullanarak alt saniyeden kısa gecikmeye sahip etkileşimli sesli uygulamalar ve canlı akışlar oluşturabilir.
- Olası kullanım: Kurumlar, gemini-3.5-transcribe API'si ile toplantıları, çağrı kayıtlarını ve önceden kaydedilmiş sesleri kelime düzeyinde zaman damgaları ve konuşmacı ayrımıyla metne dökebilir.
Somut sonuçlar ve kanıtlar
- Artificial Analysis ölçümlerine göre model, akış senaryolarında ortalama %4.0, akış dışı senaryolarda ise %2.6 Kelime Hata Oranı (WER) elde etmektedir. (Bağımsız değerlendirme)
- Artificial Analysis ölçümlerine göre nihai transkripsiyona varış süresi %70 oranında iyileşme göstermektedir. (Bağımsız değerlendirme)
Sınırlar ve açık kalan sorular
Model şu anda genel ön izleme (public preview) aşamasındadır ve üçten fazla konuşmacının tespiti henüz deneysel aşamadadır. Fiyatlandırma, kullanım kotaları ve maliyet detayları kaynak metinde belirtilmemiştir.