Preskoči na sadržaj
Šta tražiš?. Otvori pretraguEN
Modelisrednji signalprovjereno

Googleov novi model za prepis čisti govor, a to je i mogućnost i rizik

Gemini 3.5 Transcribe izbacuje poštapalice, razrješava ispravke u toku rečenice i usput oblikuje tekst. Google navodi 4,0 odsto grešaka po riječi u toku govora i 2,6 odsto na snimku, uz napomenu da je mjerenje obavio Artificial Analysis, a ne sam Google.

Potpisuje Redakcija WebAiRadarObjavljeno 2 min čitanjanapisao model
Slika: Google DeepMind

Izvor

Intelligent transcription with Gemini 3.5 Transcribe

Google DeepMind Blog · Original objavljen 26. avgusta 2026.

Google je 26. avgusta predstavio Gemini 3.5 Transcribe, model za pretvaranje govora u tekst koji ne staje na tome šta je rečeno. Izbacuje poštapalice, prati govornika koji se ispravi usred rečenice i vraća oblikovan tekst umjesto sirovog niza riječi.

Šta radi i gdje se pokreće

Model dolazi kroz dva API-ja. Prepis u toku govora ide kroz Live API, pod oznakom gemini-3.5-transcribe-live, uz kašnjenje koje Google opisuje kao manje od sekunde i dvosmjerni prenos. Snimljeni zvuk ide kroz Interactions API, pod oznakom gemini-3.5-transcribe, i vraća pripisivanje govornika i vremenske oznake po riječi. Oba su dostupna kroz Gemini API u Google AI Studiju i na platformi Gemini Enterprise Agent.

Google navodi više od 85 jezika uz samostalno prepoznavanje, sopstveni rječnik za stručne izraze i neobična pisanja, te pripisivanje govora za najviše tri govornika; preko tri je označeno kao ogledno. Model uz to može da preda posao drugim Gemini modelima kroz pozivanje funkcija, zasad samo u Gemini aplikaciji na macOS-u.

  • U toku govora: gemini-3.5-transcribe-live kroz Live API.
  • Snimci: gemini-3.5-transcribe kroz Interactions API, s vremenskim oznakama.
  • Tri govornika se pripisuju pouzdano; više od tri je ogledno.
  • Već radi u Gboardovom Rambleru, Gemini aplikaciji na macOS-u, Antigravityju i AI Studiju.

Brojke i ko ih je izmjerio

Google prosječnu stopu grešaka po riječi navodi kao 4,0 odsto za prepis u toku govora i 2,6 odsto za snimljeni zvuk, a vrijeme do konačnog prepisa kao 70 odsto kraće nego kod prethodnog modela Chirp 3. Na višejezičnom mjerenju FLEURS navodi 5,50 odsto u toku govora i 5,04 odsto na snimku.

Važno je kome se mjerenje pripisuje: Googleova objava navodi Artificial Analysis, a ne sopstvenu laboratoriju. Time brojke ne postaju nezavisne od objave, jer proizvođač i dalje bira koje će objaviti i naspram kog prethodnika, ali probu je pokrenuo neko izvan Googlea, što uz većinu objava o modelima ne stoji.

Čišćenje govora nije bezazleno

Prepis koji izbaci poštapalice i nečujno pretvori ispravku usred rečenice u konačan oblik lakše se čita, a teže mu se vjeruje. U intervjuu, u iskazu pred sudom, u ljekarskom prijemu ili u redakcijskom snimku, oklijevanje i ispravka su dio zapisa, pa model koji ih ukloni donosi uredničku odluku umjesto čovjeka.

Za glasovne interfejse — diktiranje, agente i titlove uživo — takvo ponašanje je ispravno podrazumijevano, i model je očigledno za to i pravljen. Za sve što treba da stoji kao dokaz o izgovorenom, sirovi tok i dalje ima vrijednost, a Googleova objava ne navodi može li se sačuvati uz očišćeni tekst.

Izvori

MarkeGemini
OznakeGovor u tekstMjerenja

Povezano

Natpis Claude Haiku 5.5 crnim serifnim slovima na prljavobijeloj podlozi, između tri otrgnuta komada papira u žutoj, bež i plavoj boji, s tankim crnim lukom ispod imena.
Modelijak signal

Claude Haiku 5.5 je objavljen, a cijena malog modela smanjena je za 90 odsto za promptove do 100.000 tokena

Anthropic je 7. oktobra 2026. objavio Claude Haiku 5.5. Za promptove do 100.000 tokena model košta 0,10 dolara po milionu ulaznih i 0,50 dolara po milionu izlaznih tokena, što je desetina cijene modela Haiku 4.5; preko te granice cijene su 0,50 i 2,50 dolara. Kontekstni prozor je 1 milion tokena, a nivo uloženog truda u rezonovanje može se podešavati. Isti tekst se, međutim, broji kao oko 30 odsto više tokena, pa je ušteda po zadatku manja nego što cjenovnik obećava.

Anthropicprovjereno

Modelisrednji signal

Mistral predstavio svoj najveći AI model do sada: Large 4 ima milijardu parametara

Mistral je 6. oktobra 2026. predstavio javni pregled modela Mistral Large 4 (ML4), svog najvećeg modela do sada. Model ima ukupno 1 bilion parametara, od kojih je 49 milijardi aktivnih. Podržava tekst i slike, a dostupan je putem Mistralovih evropskih podatkovnih centara po cijeni od 1,36 dolara za milion ulaznih i 4,18 dolara za milion izlaznih tokena. Mistral planira da otvorene težine modela objavi do kraja oktobra. Do tada je ML4 dostupan kroz API na platformi Mistral Studio, dok će preuzimanje modela biti moguće tek nakon završetka bezbjednosnih provjera i testiranja otpornosti na napade.

Mistral AIprovjereno