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

Google je 26. avgusta predstavio Gemini 3.5 Transcribe, model za pretvaranje govora u tekst koji ne staje na tome šta je rečeno. Izbacuje „ovaj“ i „aha“, 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, i 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, Chirpa 3. Na višejezičnom mjerenju FLEURS navodi 5,50 odsto u toku govora i 5,04 odsto na snimku.

Ono što vrijedi primijetiti je kome se mjerenje pripisuje: Googleova objava navodi Artificial Analysis, a ne sopstvenu laboratoriju. To brojke ne čini nezavisnim od objave — proizvođač i dalje bira koje će objaviti i naspram kog prethodnika — ali znači da je probu pokrenuo neko van Googlea, a to je više nego što uz većinu objava o modelima stoji.

Čišćenje nije nedužno

Prepis koji izbaci poštapalice i nečujno pretvori „nađimo se u utorak — ne, u srijedu“ u srijedu 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 — a model koji ih pospremi donio je uredničku odluku umjesto tebe.

Za glasovna sučelja — diktiranje, agente, titlove uživo — to je upravo ispravno podrazumijevano ponašanje, i model je očigledno za to i pravljen. Za sve što treba da stoji kao dokaz o tome šta je čovjek zaista rekao, sirovi tok i dalje vrijedi, a Googleova objava ne kaže može li se sačuvati uz očišćeni tekst.