Mô hình chuyển giọng nói thành văn bản mạnh nhất của Google đã ra mắt: độ chính xác lọt top 5, nhưng vẫn chưa vượt qua được ElevenLabs.

Động sát Beating AI tin nhanh, Google phát hành Gemini 3.5 Transcribe, đây là mô hình chuyển giọng nói thành văn bản chính xác nhất hiện nay của Google, cũng là lần đầu tiên Google thêm chế độ Smart vào mô hình chuyển văn bản chuyên dụng. Mô hình có hai phiên bản: chuyển văn bản thời gian thực và chuyển văn bản từ bản ghi âm, hiện đã mở beta công khai qua Gemini API. Trong đánh giá của Artificial Analysis, WER (tỷ lệ lỗi từ, càng thấp càng tốt) phiên bản không phát trực tiếp là 2,6%, phiên bản thời gian thực là 4,0%. Độ trễ chuyển văn bản cuối cùng giảm 70% so với thế hệ Chirp 3 trước đó.

Chế độ Smart không chỉ đơn thuần chuyển giọng nói thành chữ từng từ một. Ví dụ, khi bạn nói "Họp vào thứ Ba, không, thứ Tư", nó sẽ trực tiếp giữ lại "thứ Tư"; các từ đệm như "ừm, à" cũng sẽ tự động bị xóa, đồng thời có thể sắp xếp lời nói thành đoạn văn, danh sách, ngày tháng và số liệu. Khi cần ghi chú cuộc họp nguyên văn, bạn vẫn có thể tiếp tục sử dụng chế độ chuyển văn bản từng từ mặc định.

Mô hình hỗ trợ hơn 85 ngôn ngữ và có thể chuyển đổi ngôn ngữ giữa chừng, đồng thời có thể thêm từ vựng chuyên ngành tùy chỉnh. Chuyển văn bản từ bản ghi âm có giá khoảng 0,005 USD mỗi phút, tức 5 USD cho mỗi 1000 phút; phiên bản thời gian thực khoảng 0,009 USD mỗi phút. Trên bảng xếp hạng độc lập, nó chính xác hơn mức 3,3% của OpenAI GPT Transcribe, nhưng vẫn chưa vượt qua ElevenLabs Scribe v2: mô hình này có WER là 2,2%, giá khoảng 3,67 USD cho mỗi 1000 phút.

Bộ mô hình này đã được sử dụng trong Rambler trên Android và Gemini trên macOS, sắp tới sẽ được tích hợp vào Chrome. Khi đó, bạn có thể nói và nhập văn bản trực tiếp trong ô nhập liệu trên trang web.