Google hat das bislang „präziseste“ Sprach-zu-Text-Modell vorgestellt, das den Übergang von der „wörtlichen Protokollierung“ zur „verständnisorientierten Transkription“ vollzieht.
Am 26. August Ortszeit veröffentlichte Google das neueste Sprach-zu-Text-Modell Gemini 3.5 Transcribe. Dieses Modell zeichnet sich nicht nur durch eine höhere Erkennungsgenauigkeit aus, sondern erweitert seine Fähigkeiten von der wörtlichen Aufzeichnung hin zum Verstehen der Absicht des Sprechers und der automatischen Aufbereitung der Ausgaberesultate, was einen Schritt nach vorne für die Spracherkennungstechnologie in Richtung tiefergehenden Sprachverständnisses markiert.
Im Gegensatz zu herkömmlichen Spracherkennungstools kann Gemini 3.5 Transcribe Selbstkorrekturen des Sprechers erkennen, Füllwörter automatisch entfernen und unstrukturierte gesprochene Sprache direkt in formatierten Text umwandeln.
Google bezeichnet es als das bislang „genaueste“ Sprach-zu-Text-Modell und hat es bereits in die Gboard-Version für Android sowie die Gemini-App für Mac integriert, während es Entwicklern über die Gemini-API eine Vorschauversion zur Verfügung stellt.
Diese Veröffentlichung erfolgte zeitgleich mit der Vorstellung von Gemini 3.5 Live und Gemini 3.5 Live Experimental, die gemeinsam die neue Gemini Audio-Serie von Google bilden.
Analysten weisen darauf hin, dass mit der zunehmenden Durchdringung von Spracheingaben in häufig genutzten Google-Produkten wie Chrome und Gboard die Sprachinteraktion allmählich die Tastatureingabe ersetzen und zur Hauptverbindung zwischen Nutzern und KI-Systemen werden dürfte.
Bis zum Redaktionsschluss fiel der Aktienkurs von Google am Donnerstag im Handelsverlauf um 1,37 %.
01
Von der „wörtlichen Aufzeichnung“ zum „Verstehen der Absicht“
Die zentrale Aktualisierung von Gemini 3.5 Transcribe liegt in seiner Fähigkeit, den Kontext natürlicher Sprache zu verstehen. Analysen weisen darauf hin, dass der Schlüssel dieser Veröffentlichung nicht nur die Verbesserung der Erkennungsgenauigkeit im herkömmlichen Sinne ist, sondern dass das Modell während des Transkriptionsprozesses die Absicht des Sprechers verstehen und die ursprüngliche Sprache „bearbeiten“ kann.
Konkret ausgedrückt: Wenn ein Nutzer sagt „Treffen wir uns am Dienstag – nein, am Mittwoch“, kann das Modell erkennen, dass es sich um eine Selbstkorrektur handelt, anstatt beide Äußerungen vollständig aufzuzeichnen.
Gleichzeitig entfernt das Modell automatisch Füllwörter wie „ähm“ und „äh“ und erledigt die Aufbereitung von Satzzeichen und Textformat. Dieses Modell kann unordentliche, unstrukturierte mündliche Inhalte direkt in formatierten Text umwandeln.
In Bezug auf die Sprachabdeckung unterstützt das Modell mehr als 85 Sprachen, verfügt über eine automatische Spracherkennungsfunktion und kann Szenarien mit gemischter Nutzung mehrerer Sprachen verarbeiten. Google erlaubt Nutzern zudem, benutzerdefinierte Vokabeln hinzuzufügen, damit das Modell Fachbegriffe, spezielle Schreibweisen sowie alphanumerische Kombinationen wie Bestellnummern und Postleitzahlen genauer erkennen kann. Für voraufgezeichnete Audios unterstützt das Modell zudem Sprechererkennung und Zeitstempel für jedes einzelne Wort.
02
Zweispuriger Fortschritt bei Entwicklerschnittstellen und Produktimplementierung
Auf der Ebene der Öffnung von Fähigkeiten für Entwickler ist Gemini 3.5 Transcribe über die Gemini-API in die Vorschauphase eingetreten und unterstützt zwei Verarbeitungsszenarien: Echtzeit-Sprachströme und aufgezeichnete Audiodateien.
Laut der offiziellen Dokumentation von Google unterstützt die Transkription von Dateien maximal eine Stunde, während die Echtzeit-Transkription für Anwendungsszenarien mit niedriger Latenz ausgelegt ist. Entwickler können Funktionen wie Transkription mit niedriger Latenz, benutzerdefinierte Vokabeln und intelligente Formatierung aufrufen, um Spracherkennungsfähigkeiten in ihre eigenen Anwendungen zu integrieren.
Auf der Produktseite ist Gemini 3.5 Transcribe bereits in die Spracheingabefunktion Gboard Rambler für die Android-Plattform und die Gemini-App für Mac implementiert.
Google plant zudem, es in den Chrome-Browser zu integrieren. Zu diesem Zeitpunkt können Nutzer Inhalte direkt über Spracheingabe in die Texteingabefelder von Webseiten eingeben, was Szenarien wie das Antworten auf Nachrichten, das Verfassen von Beiträgen und das Übermitteln von Anweisungen an Gemini abdeckt.
03
Die wirtschaftliche Logik hinter dem Wettbewerb um den Spracheingabepunkt
Diese Veröffentlichung ist Teil von Googles systematischer Umsetzung der Gemini-Strategie für den „Spracheingabepunkt“.
Google erweitert die Fähigkeiten von Gemini weiter von Text und Bildern auf Szenarien wie Echtzeit-Dialoge, Sprachübersetzung und Spracheingabe. Gemini 3.5 Transcribe, Gemini 3.5 Live und Gemini 3.5 Live Experimental bilden gemeinsam seine Gemini Audio-Serie.
Aus kommerzieller Sicht entwickelt sich Sprach-zu-Text von einer reinen grundlegenden Hintergrundfähigkeit zu einem wichtigen Interaktionseingangspunkt für KI-Anwendungen. Da das Modell über die integrierte Fähigkeit „Verstehen – Begreifen – Aufbereiten – Ausführen“ verfügt, dürfte sich die Interaktionsweise zwischen Nutzern und KI von der Tastatureingabe hin zu Sprachbefehlen verlagern.
Für Google wird die Integration von Gemini 3.5 Transcribe in häufig genutzte Produkte wie Chrome, Gboard, Docs und Gmail voraussichtlich die Durchdringungstiefe von Gemini in alltäglichen Produktivitätsszenarien weiter erhöhen und seine Wettbewerbsposition an diesem aufstrebenden Eingangspunkt für Sprachinteraktion festigen.
Dieser Artikel stammt aus dem WeChat-Offiziellen Konto „Wallstreetcn Max“, Autor: Yang Chen, veröffentlicht mit Genehmigung von 36Kr.