Google, konuşurken yaşanan duraksama, tekrarlama ve kendini düzeltme gibi doğal konuşma alışkanlıklarını daha iyi anlayabilen yeni konuşmadan metne modeli Gemini 3.5 Transcribe’ı duyurdu. Şirket, modeli şimdiye kadar geliştirdiği en hassas konuşma-metin modeli olarak konumlandırıyor.
Gemini 3.5 Transcribe, konuşmacının kusursuz ve akıcı konuşmasını beklemek yerine dağınık ve doğal konuşmayı temiz, düzenli bir metne dönüştürmeye odaklanıyor. Model, “ıı” ve “eee” gibi dolgu kelimelerini otomatik olarak ayıklarken, konuşma sırasında yapılan düzeltmeleri de gerçek zamanlı olarak anlayabiliyor.
Örneğin bir kullanıcı “Salı günü buluşalım, hayır bekle, Çarşamba” dediğinde model, konuşmadaki düzeltmeyi algılayarak metne Çarşamba bilgisini yansıtıyor. Böylece kullanıcıların konuşmalarını önceden düzenlemesine veya her kelimeyi kusursuz biçimde seçmesine gerek kalmıyor.
Google’ın paylaştığı verilere göre Gemini 3.5 Transcribe, gerçek zamanlı ses akışında yüzde 4, önceden kaydedilmiş seslerde ise yüzde 2,6 kelime hata oranına ulaşıyor. Model ayrıca 85’ten fazla dili, bölgesel aksanları ve uzmanlık alanlarına özgü terimleri destekliyor.
Birden fazla kişinin konuştuğu kayıtlar için de özellikler sunan model, üç farklı konuşmacıya kadar konuşmaları birbirinden ayırabiliyor ve konuşmalara zaman damgaları ekleyebiliyor.
Gemini 3.5 Transcribe, tek başına sunulmuyor. Google’ın “Gemini Audio” olarak markaladığı ses odaklı yapının içerisinde Gemini 3.5 Live ve Gemini 3.5 Live Experimental modelleri de bulunuyor.
Modelin kullanım alanları ise şimdiden genişlemeye başladı. Gemini 3.5 Transcribe, Android cihazlardaki Gboard’un Rambler dikte özelliğine ve macOS için Gemini uygulamasına güç veriyor. Google ayrıca yakında Chrome desteğinin de geleceğini belirtiyor. Bu destek sayesinde kullanıcıların web üzerindeki herhangi bir metin alanına doğrudan konuşarak yazı yazabilmesi mümkün olacak.
Gemini 3.5 Transcribe’ın dikkat çeken noktası ise yalnızca konuşmayı yazıya dökmek değil, konuşmanın doğal akışını anlayarak ortaya daha kullanılabilir bir metin çıkarması. Bu yaklaşım, sesli girişte kullanıcıların “mükemmel konuşma” zorunluluğunu azaltmayı hedefliyor.
