Gemini 3.5 Transcribe wkracza na Maca. Google pokazuje nową definicję wprowadzania tekstu głosem
Pozornie to tylko nowy „silnik” odpowiedzialny za dyktowanie komputerowi tekstów, w rzeczywistości to jednak rewolucja, o której powinniście przeczytać.
Przez ostatnie dwadzieścia lat korzystanie z wprowadzania tekstu głosem wymagało specyficznej tresury: nienaturalnej dykcji, recytowania znaków interpunkcyjnych („cześć wykrzyknik nowy akapit” itd.) i żmudnego poprawiania każdego przejęzyczenia. Premiera modelu Gemini 3.5 Transcribe to moment, w którym pisanie głosem ma szansę przekształcić się ze znośnej ciekawostki w pełnoprawne narzędzie codziennej pracy redakcyjnej i biurowej. Tym samym, z czegoś co traktowaliśmy jako ciekawostkę, ma szansę stać się interfejsem pierwszego wyboru w wielu sytuacjach.
Najważniejsza zmiana nie sprowadza się wyłącznie do niższego wskaźnika błędów (Word Error Rate na poziomie 2,6–4,0 proc.). Sedno innowacji tkwi w sposobie, w jaki algorytm interpretuje ludzką mowę.
Semantyka zamiast fonetyki: model, który rozumie intencję
Tradycyjne silniki typu Speech-to-Text (STT) skupiały się na czysto fonetycznym mapowaniu dźwięków na litery. Każde zawieszenie głosu, wtrącenie „yyy” czy zmiana koncepcji w połowie zdania skutkowały chaotycznym ciągiem wyrazów na ekranie.
Gemini 3.5 Transcribe łączy moduł audio bezpośrednio z dużym modelem językowym (LLM). Umożliwia to semantyczną obróbkę strumienia audio w czasie rzeczywistym. W praktyce oznacza to filtrowanie myśli w locie. Przykładem jest funkcja nazwana w systemie Android jako Rambler. Usuwa ona pauzy, powtórzenia, wszelkie dźwięki, które wydajemy z siebie, gdy się namyślamy. Celem jest ułożenie wypowiedzi w logiczny ciąg, czyli np. zamiast „Będę w domu, yyy, o godzinieeee, hmmm, dwunastej”, zinterpretowany tekst będzie po prostu brzmiał „Będę w domu o dwunastej.”. Tylko tyle i aż tyle. Ale to nie wszystko!
Równie istotnym mechanizmem jest autokorekta intencji. W naszej mowie jesteśmy dość chaotyczni (nawet nie zwracamy na to uwagi). Na przykład wypowiedzenie frazy „Spotkanie w czwartek… a nie, przepraszam, w piątek o dziesiątej” do nowego Gemini 3.5 Transcribe ma zaowocować czystym zapisem typu „Spotkanie w piątek o 10:00”.
Do tego dochodzi naturalna interpunkcja. Kropki, przecinki oraz podział na akapity wynikają bezpośrednio z kontekstu semantycznego i rytmu mowy, eliminując potrzebę ręcznego dyktowania interpunkcji i formatowania. Ale nowość wiąże się ze znacznie ciekawszym wątkiem, który z racji zajmowania się ekosystemem Apple dostrzegliśmy natychmiast.
Google wchodzi na podwórko Apple z dedykowaną aplikacją na macOS
Dla użytkowników sprzętu z logo nadgryzionego jabłka najciekawszy jest kierunek dystrybucji nowej technologii. Podczas gdy Apple stopniowo dawkuje nowości związane z Apple Intelligence i kontekstem ekranowym w Siri (w przypadku Siri i Polski trudno w ogóle mówić nawet o dawkowaniu), Google udostępniło możliwości Gemini 3.5 Transcribe w swojej natywnej aplikacji Gemini na system macOS.
Dzięki mechanizmowi wywoływania funkcji (function calling) narzędzie na Macu nie tylko zamienia swobodną mowę w gotowy tekst, ale potrafi zestawić ją z zawartością wyświetlaną na ekranie. Pozwala to na wydawanie poleceń w rodzaju streszczenia aktywnego dokumentu, przeformatowania zaznaczonego tekstu czy wygenerowania grafiki w miejscu kursora – w oparciu o naturalną mowę, bez dotykania klawiatury.
Głos jako podstawowy interfejs roboczy w Chrome i Gboardzie
Tym samym rozwiązanie Google redefiniuje rolę asystentów głosowych. Wczesne systemy – od Siri po pierwszą wersję Asystenta Google – projektowano głównie pod kątem prostych zapytań („jaka jest pogoda”) i przełączników systemowych.
Zintegrowanie Gemini 3.5 Transcribe z polami tekstowymi w przeglądarce Chrome oraz na klawiaturze Gboard przekształca głos w pełnowartościowe środowisko wprowadzania danych. Możliwość podyktowania wielowątkowego maila lub draftu artykułu bez obawy o błędy składniowe usuwa psychologiczną barierę, która dotąd zniechęcała użytkowników do rezygnacji z fizycznej klawiatury.
Perspektywa wdrożenia języka polskiego
Architektura modelu obsługuje wielojęzyczność (ponad 85 języków), radząc sobie z regionalnymi akcentami oraz płynnym przełączaniem języków w trakcie jednej wypowiedzi. Warto jednak odnotować, że zaawansowane funkcje kontekstowe – w tym pełna integracja z aplikacją na macOS oraz wczesny dostęp do modułu Rambler – debiutują w pierwszej kolejności w języku angielskim na wybranych rynkach.
Biorąc pod uwagę tempo adaptacji polszczyzny w modelach z rodziny Gemini, pełna integracja semantycznego dyktowania w polskich realiach jest naturalnym kolejnym krokiem. Maszyny wreszcie zaczynają rozumieć naturalny język człowieka, zamiast zmuszać go do mówienia w sposób zrozumiały dla komputera.
Premiera Gemini 3.7 Flash. Google tnie ceny o połowę i ulepsza osobistego agenta AI
