Story

गूगल ने Gemini 3.5 Transcribe मॉडल लॉन्च किया, स्पीच-टू-टेक्स्ट तकनीक में सटीकता और गति बढ़ी

ENTHMSVIIDZHZH-TWJAKOHI
Aug 26, 20262 min read
गूगल ने Gemini 3.5 Transcribe मॉडल लॉन्च किया, स्पीच-टू-टेक्स्ट तकनीक में सटीकता और गति बढ़ी
Text size
Background

गूगल (NASDAQ:GOOGL) ने बुधवार को अपना नया स्पीच-टू-टेक्स्ट मॉडल, Gemini 3.5 Transcribe, लॉन्च किया। यह मॉडल अपने पिछले संस्करण की तुलना में बेहतर सटीकता और कम विलंबता (latency) के साथ रीयल-टाइम ट्रांसक्रिप्शन के लिए डिज़ाइन किया गया है, जो ऑडियो को तुरंत टेक्स्ट में बदलता है।

मॉडल का प्रदर्शन और मुख्य विशेषताएँ

Gemini 3.5 Transcribe को चुनौतीपूर्ण ऑडियो स्थितियों, जैसे कि बैकग्राउंड शोर, तकनीकी शब्दावली और बोलते समय सुधार, को संभालने के लिए विकसित किया गया है। यह ऑडियो को फ़ॉर्मेट किए गए टेक्स्ट में परिवर्तित करता है, जिससे यह उद्यमों और डेवलपर्स के लिए एक शक्तिशाली उपकरण बन जाता है।

Artificial Analysis द्वारा किए गए मापन के अनुसार, इस मॉडल ने प्रभावशाली प्रदर्शन मेट्रिक्स हासिल किए हैं:

  • स्ट्रीमिंग अनुप्रयोगों के लिए वर्ड एरर रेट (WER) 4.0% है।
  • नॉन-स्ट्रीमिंग (पहले से रिकॉर्ड किए गए ऑडियो) के लिए वर्ड एरर रेट 2.6% है।
  • यह पिछले Chirp 3 मॉडल की तुलना में फाइनल ट्रांसक्रिप्शन तैयार करने में लगने वाले समय को 70% तक कम कर देता है।

इसके अतिरिक्त, मॉडल में फिलर शब्दों (जैसे "अह", "उम्म") को हटाने, टेक्स्ट को स्वचालित रूप से फ़ॉर्मेट करने और विशेष शब्दावली के लिए कस्टम वोकैबुलरी को पहचानने जैसी सुविधाएँ भी शामिल हैं।

Sample IUX Markets – In-articleAd

उपलब्धता और तकनीकी एकीकरण

गूगल इस मॉडल को दो एप्लीकेशन प्रोग्रामिंग इंटरफेस (API) के माध्यम से उपलब्ध करा रहा है। `gemini-3.5-transcribe-live` का उपयोग करने वाला लाइव API सब-सेकंड विलंबता के साथ रीयल-टाइम स्ट्रीमिंग प्रदान करता है, जबकि `gemini-3.5-transcribe` का उपयोग करने वाला इंटरेक्शन API स्पीकर की पहचान के साथ मीटिंग और कॉल लॉग जैसे पहले से रिकॉर्ड किए गए ऑडियो को ट्रांसक्राइब करता है।

यह तकनीक 85 से अधिक भाषाओं का स्वतः पता लगाकर उन्हें ट्रांसक्राइब कर सकती है और पहले से रिकॉर्ड किए गए ऑडियो में तीन वक्ताओं तक की पहचान कर सकती है। गूगल इस मॉडल को अपने उत्पादों में एकीकृत कर रहा है, जिसमें macOS पर Gemini ऐप, Android पर Gboard के माध्यम से Rambler फ़ीचर और Google AI Studio शामिल हैं। यह क्षमता भविष्य में क्रोम ब्राउज़र में भी जोड़ी जाएगी।

बाजार के लिए मायने

Gemini 3.5 Transcribe का लॉन्च AI-संचालित सेवाओं, विशेष रूप से ट्रांसक्रिप्शन बाजार में गूगल की प्रतिस्पर्धी स्थिति को मजबूत करता है। उद्यम ग्राहकों के लिए, जैसे कि कॉल सेंटर, मीडिया हाउस और हेल्थकेयर, बेहतर सटीकता और रीयल-टाइम क्षमता का मतलब परिचालन दक्षता में वृद्धि और लागत में कमी हो सकता है। यह कदम गूगल द्वारा अपने AI अनुसंधान को क्लाउड-आधारित एंटरप्राइज समाधानों में बदलकर राजस्व उत्पन्न करने की व्यापक रणनीति का हिस्सा है।

Back to latest news

LATEST