Google: 'ఉమ్', 'ఆహ్'లకు చెక్.. గూగుల్ కొత్త ఏఐ మోడల్ వచ్చేసింది
ఈ వార్తాకథనం ఏంటి
గూగుల్ తన తాజా ఆర్టిఫిషియల్ ఇంటెలిజెన్స్ (AI) మోడల్ Gemini 3.5 Transcribeను పరిచయం చేసింది. ఇప్పటివరకు తమ వద్ద ఉన్న స్పీచ్-టు-టెక్స్ట్ ఇంజిన్లలో ఇదే అత్యంత కచ్చితమైనదని గూగుల్ చెబుతోంది. బ్యాక్గ్రౌండ్లో శబ్దాలు ఉన్నా, టెక్నికల్ పదాలు వచ్చినా, మాట్లాడేటప్పుడు సహజంగా వచ్చే 'ఉమ్', 'ఆహ్' వంటి ఫిల్లర్ పదాలు ఉన్నా వాటిని మెరుగ్గా గుర్తించి టెక్స్ట్గా మార్చగలదు. అంతేకాదు.. ఒక్కొక్కరి మాట్లాడే విధానం, ఉపయోగించే పదాలకు అనుగుణంగా ఇది పనిచేస్తుంది. దీంతో వాయిస్ రికార్డింగ్లను ఎడిట్ చేయడం మరింత సులభమవుతుంది.
వివరాలు
ఒకేసారి ముగ్గురు మాట్లాడినా గుర్తిస్తుంది
Gemini 3.5 Transcribeను ఇప్పటికే Gboardలోని Rambler ఫీచర్లో ఉపయోగిస్తున్నారు.
త్వరలో Chromeలోనే నేరుగా వాయిస్ను టెక్స్ట్గా మార్చే సదుపాయం కూడా అందుబాటులోకి రానుంది.
ఈ ఏఐ మోడల్ 85కిపైగా భాషలకు సపోర్ట్ చేస్తుంది. వివిధ యాసలను కూడా గుర్తించగలదు.
ఒకేసారి ముగ్గురు మాట్లాడుతున్నా.. ఎవరు ఎప్పుడు మాట్లాడారో టైమ్స్టాంప్లతో సహా గుర్తించే సామర్థ్యం దీనికి ఉంది.
మునుపటి మోడల్తో పోలిస్తే Gemini 3.5 Transcribe వేగం కూడా గణనీయంగా పెరిగింది.
ఇది ఆడియో డేటాను గత మోడల్ కంటే 70 శాతం వేగంగా ప్రాసెస్ చేస్తుంది.
స్ట్రీమింగ్ సమయంలో పదాలను తప్పుగా గుర్తించే రేటు కేవలం 4 శాతంగా ఉండగా.. నాన్-స్ట్రీమింగ్ పనుల్లో ఇది 2.6 శాతంగా ఉందని గూగుల్ తెలిపింది.
వివరాలు
ఈ ఏడాది మరిన్ని డివైజ్లకు Gemini 3.5 Transcribe
ప్రస్తుతం Gemini 3.5 Transcribeను Macలో లేదా Google Antigravity ద్వారా ఉపయోగించుకోవచ్చు.
త్వరలో Chrome సహా మరిన్ని ప్లాట్ఫామ్లకు దీని సపోర్ట్ రానుంది. కొన్ని ప్రాంతాల్లో ఈ ఫీచర్ ఇప్పటికే అందుబాటులోకి వచ్చింది.
ముఖ్యంగా Pixel 11 ఫోన్లలో Gboardకు సంబంధించిన Rambler ఫీచర్లో దీన్ని ఉపయోగిస్తున్నారు.
ఈ ఏడాది చివర్లో మరిన్ని Gemini Intelligence డివైజ్లకు ఈ సదుపాయాన్ని విస్తరించాలని గూగుల్ భావిస్తోంది.
తద్వారా తన వివిధ ఉత్పత్తులు, సేవల్లో అధునాతన ఏఐ ఆధారిత ట్రాన్స్క్రిప్షన్ టెక్నాలజీని మరింత విస్తృతంగా అందుబాటులోకి తీసుకురావడంపై గూగుల్ దృష్టి పెట్టింది.