rozpoznawanie mowy

Google zaprezentowało Gemini 3.5 Transcribe, nowy model zamieniający głos na tekst, który zastępuje Chirp 3 w najnowszych systemach firmy. System potrafi rozpoznawać ponad 85 języków, robić autokorekty, usuwać wtrącenia i automatycznie formatować wypowiedzi. Google przekonuje, że nowy model jest także wyraźnie szybszy od poprzednika. Sprawdzamy, co naprawdę potrafi Gemini 3.5 Transcribe i jak wypada na tle Whisper Large v3 Turbo od OpenAI.

Firma Google wrzuciła do App Store nową aplikację i zrobiła to bez żadnych fanfar, jakby chodziło jedynie o drobną ciekawostkę. Tymczasem sprawa jest znacznie poważniejsza. Google AI Edge Eloquent nie próbuje imponować rozmachem, lecz użytecznością. Rejestruje mowę, czyści ją z potknięć i oddaje tekst, który da się od razu wkleić do maila, notatki albo dowolnego komunikatora. Właśnie takie ruchy potrafią najmocniej namieszać na rynku.

Napisy w filmach zawsze były funkcjonalne, ale pozbawione życia. Suche słowa na ekranie, które przekazują treść, ale tracą emocję. YouTube właśnie to zmienia. Uruchomiło na wszystkich urządzeniach system Ekspresyjnych Napisów (Expressive Captions), który wykorzystuje AI do analizy nie tylko tego, co mówią ludzie, ale przede wszystkim, jak to mówią. Krzyk zamieniony na wielkie litery, westchnienia opisane w nawiasach, oklaski w tle. Na razie po angielsku.