2. septembra 2026 • 2m čítanie

Google má vylepšený prepis hlasu s novým modelom Gemini 3.5 Transcribe

Nový hlasový model Gemini 3.5 Transcribe je výrazne inteligentnejší.

Pridajte si TOUCHIT.sk ako preferovaný zdroj informácií

Gemini 3.5 Transcribe je určený na prevod hovoreného slova na text a podporuje 85 jazykov vrátane slovenčiny. Funkcia je už teraz dostupná vo viacerých AI nástrojoch od Googlu. Nájdete ju už aj v klávesnici Gboard v zariadeniach série Google Pixel 11. V bežnom vydaní Gboard ešte nie je dostupná.

Nejde pritom len o klasický prepis nahrávky. Model dokáže pracovať s prirodzeným spôsobom rozprávania, rozpoznávať opravy počas hovorenia, odstraňovať tzv. výplňové slová a finálny text automaticky formátovať.

Hlasový prepis s opravami

Hlavnou vlastnosťou je schopnosť pracovať s kontextom. Ak napríklad poviete „stretneme sa v utorok, nie, v stredu“, model dokáže pochopiť opravu a do výsledného textu napíše správnu informáciu, teda zmienku o strede. Tiež dokáže odstrániť slová ako „hm“ či „ehm“, ktoré vám pri bežnom diktovaní hlasové AI modely zachytia a vložia do textu.

Modely sú v dvoch variantoch použitia. Prvý je určený na prepis v reálnom čase a ponúka obojsmerné streamovanie s odozvou menej ako 1 sekunda. Je vhodný napríklad pre hlasových asistentov, živé titulky alebo aplikácie, ktoré potrebujú reagovať na hlasový vstup okamžite. Podľa merania Artificial Analysis dosahuje pri prepise v reálnom čase priemernúchybovosť WER 4,0 %, zatiaľ čo pri nahranom zvuku je to 2,6 %.

Druhý variant spracuje vopred nahraný zvuk a dokáže vytvárať prepisy zo stretnutí, telefonátov alebo iných nahrávok. K dispozícii sú aj časové značky jednotlivých slov a identifikácia hovoriacich.

Podobnú funkciu (s iným modelom a výsledkami) máte aj vo Worde pri hlasovom rozpoznaní. Tiež dokáže rozpoznať osoby a vytvoriť k nim pri prepise značky. Gemini dokáže rozpoznať pri nahratom zvuku až 3 osoby.

Zdroj: Google

Prečítajte si aj: