Google vừa công bố Gemini 3.5 Transcribe, mô hình chuyển giọng nói thành văn bản chính xác nhất từ trước đến nay của hãng. Khác với các công cụ nhận dạng giọng nói truyền thống thường "đứng hình" trước tiếng ồn nền, thuật ngữ chuyên ngành hay cách nói ngập ngừng, mô hình AI mới của Google (GOOGL) có thể tự động lược bỏ từ đệm như "ừm", "à" và sửa lỗi khi người nói đổi ý giữa câu, ví dụ nói "hẹn thứ Ba, à không, thứ Tư" thì văn bản xuất ra vẫn chính xác và mạch lạc.

Độ chính xác vượt trội

Theo đánh giá của Artificial Analysis, Gemini 3.5 Transcribe đạt tỷ lệ lỗi từ (WER) chỉ 4% với luồng trực tiếp và 2,6% với âm thanh đã ghi sẵn, cải thiện rõ rệt so với mô hình Chirp 3 trước đó. Mô hình hỗ trợ hơn 85 ngôn ngữ, nhận diện được giọng vùng miền, phân biệt tối đa ba người nói kèm mốc thời gian trong âm thanh đã ghi sẵn, và có thể học từ vựng chuyên ngành do người dùng cung cấp để phiên âm chính xác mã bưu điện hay mã đơn hàng.

Mở ra công cụ mới cho lập trình viên

Công nghệ này đã chạy trên tính năng Rambler của Android và ứng dụng Gemini trên macOS. Giờ đây, lập trình viên có thể tích hợp qua API trong Google AI Studio để xây trợ lý giọng nói, công cụ phụ đề thời gian thực hay hệ thống phân tích cuộc gọi, mở rộng thêm cơ hội cho các startup phát triển sản phẩm giọng nói thông minh.