Nový přepisovací model od Googlu promění mluvené blábolení v čistý text

Google představil nový hlasový model Gemini 3.5 Transcribe, určený k přepisu mluveného slova do přehledného písemného textu. Model dokáže z rozvláčné a nesouvislé řeči poskládat strukturovaný text, který dává smysl i bez poslechu původní nahrávky.

Podle Googlu model rozpozná přirozený záměr mluvčího i jeho způsob vyjadřování, místo aby vyžadoval předem strukturovaný projev. Automaticky odstraňuje slovní vatu, plynule zvládá opravy během mluvení a umí pracovat jak s živým přepisem, tak se zpracováním starší nahrávky.

Model podle Googlu rozpozná přes 85 jazyků a dokáže se naučit vlastní slovní zásobu uživatele včetně neobvyklých jmen nebo výrazů z oboru. Zvládá přesně zachytit i alfanumerické údaje, jako jsou čísla objednávek nebo poštovní směrovací čísla.

Přepis navíc umí rozlišit až tři různé mluvčí a ke každé promluvě přiřadit časovou značku na úrovni jednotlivých slov. Uživatelé díky tomu mohou v textu i hlasem provádět úpravy a zadávat příkazy přímo během přepisu.

Technologie zatím pohání funkci Rambler v klávesnici Gboard na telefonech řady Pixel 11 a přepisování v aplikaci Gemini pro macOS. Google plánuje model postupně nasadit i do prohlížeče Chrome, kde půjde použít v libovolném textovém poli na webu.

Dál se model chystá do funkcí Search Live a Gemini Live, do Dokumentů Google, poznámkové aplikace Keep, Gmailu i vývojářského nástroje Google Antigravity. Přístup k modelu Google zpřístupní i vývojářům prostřednictvím rozhraní API pro vlastní aplikace.