Gemini · Google · Thansettakij
Google เปิดตัว Gemini 3.5 Transcribe ถอดเสียงแม่น รองรับกว่า 85 ภาษา
Compiled by KHAO Editorial — aggregated from 1 outlet. See llms.txt for citation guidance.
◌ Single Source
Google เปิดตัว Gemini 3.5 Transcribe โมเดลแปลงเสียงเป็นข้อความรุ่นใหม่ ชูความหน่วงต่ำกว่า 1 วินาที รองรับกว่า 85 ภาษา พร้อมลบคำฟุ่มเฟือย แยกผู้พูดและเชื่อมต่อ Workflow ผ่านเสียง
Key facts
- Google อ้างอิงผลการวัดประสิทธิภาพโดย Artificial Analysis ซึ่งพบว่า Gemini 3.5 Transcribe มีค่าเฉลี่ยอัตราความผิดพลาดของคำ หรือ Word Error Rate: WER อยู่ที่ 4.0% สำหรับการถอดความแบบสตรีมมิ่ง และ 2.6% สำหรับการถอดความแบบไม่สตรีมมิ่ง
- การแยก API ออกเป็น 2 รูปแบบ ช่วยให้ภาคธุรกิจเลือกใช้ตามโจทย์ได้ชัดเจน ตั้งแต่บริการลูกค้าที่ต้องสื่อสารแบบเรียลไทม์ ไปจนถึงการถอดบทสนทนาเพื่อจัดเก็บ ค้นหา วิเคราะห์ หรือเชื่อมต่อกับระบบงานหลังบ้าน
- Gemini 3.5 Transcribe ยังทำงานร่วมกับ Gemini Live API และแพลตฟอร์มสำหรับนักพัฒนาหลายราย ได้แก่ Agora, Fishjam, LangChain, LiveKit, Pipecat, Vercel และ Vision Agents
- Google เปิดตัว Gemini 3.5 Transcribe โมเดลแปลงเสียงเป็นข้อความ หรือ Speech-to-text ซึ่งบริษัทระบุว่าเป็นระบบถอดความที่แม่นยำที่สุดเท่าที่เคยพัฒนามา โดยออกแบบขึ้นสำหรับการโต้ตอบด้วยเสียงอัจฉริยะ ทั้งการสร้าง Voice Agent
Summary
จุดต่างสำคัญของ Gemini 3.5 Transcribe เมื่อเทียบกับระบบจดจำเสียงแบบเดิม คือ ความสามารถในการรับมือกับเสียงรบกวน คำศัพท์เฉพาะทาง รวมถึงรูปแบบการพูดตามธรรมชาติที่มีทั้งคำเอื้อน คำฟุ่มเฟือย หรือการพูดแก้ไขตัวเองระหว่างประโยค ก่อนแปลงเสียงดิบให้เป็นข้อความที่ผ่านการจัดรูปแบบและพร้อมนำไปใช้งานต่อได้ทันที
เริ่มนำไปใช้ในผลิตภัณฑ์ของ Google เช่น แอป Gemini และ Gboard พร้อมเปิดให้นักพัฒนาใช้งานผ่าน API สำหรับการถอดเสียงทั้งแบบเรียลไทม์และจากไฟล์ที่บันทึกไว้
ตัวอย่างเช่น หากผู้ใช้งานพูดว่า “เจอกันวันอังคาร—ไม่ใช่สิ วันพุธ” ระบบจะเข้าใจการแก้ไขประโยคและเลือกวันที่ผู้พูดต้องการจริง นอกจากนี้ยังสามารถลบคำเอื้อนอย่าง “เอ่อ” หรือ “อา” พร้อมจัดโครงสร้างประโยคและรูปแบบข้อความให้อ่านง่ายโดยอัตโนมัติ