A hangalapú bevitel eddig sokszor kényelmesebbnek indult, mint amilyen a végeredmény lett. A Google most azon változtatna, hogy a diktálás ne csak gyors legyen, hanem rögtön vállalható szöveget is adjon.

Mi történt

A Google bejelentette a Gemini 3.5 Transcribe modellt, amelyet kifejezetten beszéd szöveggé alakítására terveztek. Az újdonság nem egyszerűen „hallja”, mit mondasz, hanem a kapott szöveget közben meg is tisztítja: kiszedi az olyan töltelékszavakat, mint az „ööö” vagy „izé”, kezeli az önjavításokat, és rendezettebb, készebb szöveget ad vissza.

A cég szerint az új modell nagyjából 70 százalékkal gyorsabb a korábbi Chirp 3 rendszernél a beszédtől a végleges átírt szövegig, miközben az élő beszéd hibaaránya 7,32 százalékról 5,5 százalékra csökkent. Ez nem drámai ugrás pontosságban, de a gyakorlatban már az is sokat számít, ha kevesebbet kell utólag javítanod. A rendszer 85 nyelvet támogat, előre rögzített hanganyagoknál pedig legfeljebb három beszélőt tud kezelni. Emellett egyéni szókincset is figyelembe tud venni, ami a szakszavaknál vagy ritkább neveknél lehet hasznos.

Miért fontos

A lényeg itt nem csak a sebesség. A beszédfelismerés sokáig arról szólt, hogy a gép minél pontosabban írja le szó szerint, amit mondasz. A Gemini 3.5 Transcribe inkább úgy működik, mint egy gyors gépíró és egy könnyű szerkesztő keveréke: nem pusztán rögzít, hanem simít is a mondandón. Gondolj rá úgy, mint amikor valaki jegyzetel neked egy megbeszélésen, és nem minden hezitálást ír le, csak a lényeget rendezi olvashatóvá. Ez üzeneteknél, jegyzeteknél vagy gyors diktálásnál kifejezetten hasznos lehet. Ugyanakkor nem minden helyzetben előny, ha a rendszer nem szó szerint idéz, hanem értelmezi is a beszédet. Az Ars Technica is erre a határvonalra mutat rá: rövid szövegeknél jól jöhet a „kozmetikázás”, de vannak helyzetek, ahol a pontos megfogalmazás számít igazán.

Mire figyelj

  1. Érdemes figyelni, hol jelenik meg a modell a Google termékeiben. Már használják a Gboard Rambler funkciójában a Pixel 11-en, de a következő lépés az lehet, hogy jóval több alkalmazásban felbukkan.
  1. Nem mindegy, milyen feladatra használod. Üzenetekhez, jegyzetekhez és gyors ötleteléshez ideális lehet, hivatalos szövegeknél vagy érzékeny tartalomnál viszont jobb lehet ellenőrizni, pontosan mi maradt bent és mi változott meg.
  1. A valódi kérdés hosszabb távon az lesz, mennyire kérünk szó szerinti átiratot, és mennyire kész, szerkesztett szöveget. A kettő nem ugyanaz, és a jövő beszédfelismerőinél ez a különbség egyre fontosabb lesz.