Googles nye talemodel skriver ren tekst ud af rodet tale

Fra rodet tale til færdig tekst

De fleste kender frustrationen ved automatisk diktering: Man siger noget, fortryder halvvejs, starter forfra — og bagefter står der præcis den rodede version på skærmen. Det er netop dét problem, Google forsøger at løse med Gemini 3.5 Transcribe, som blev offentliggjort den 26. august.

Modellen laver ikke bare en ordret afskrift. Den fjerner fyldord, fanger de steder, hvor man retter sig selv midt i en sætning, og leverer teksten færdigformateret. Google fremhæver samtidig, at den kan håndtere baggrundsstøj og fagudtryk — to ting, der traditionelt får taleteknologi til at fejle.

Over 85 sprog og flere stemmer

Ifølge Google genkender og transskriberer modellen automatisk mere end 85 sprog og kan håndtere regionale accenter og dialekter. I forvejen indspillede lydfiler kan den skelne mellem op til tre forskellige talere. Virksomheder kan desuden lære den særlige ord og navne, som ellers sjældent bliver gættet rigtigt.

En mere usædvanlig funktion er, at modellen kan sende opgaver videre til andre Gemini-modeller undervejs. Det åbner for, at man ikke bare får skrevet ned, hvad man siger — man kan også få handlet på det.

Hurtigere og med færre fejl

Google oplyser en ordfejlrate på 2,6 procent, når lyden behandles som en færdig fil, og 4,0 procent, når teksten skrives løbende, mens man taler. På den uafhængige testsamling FLEURS lander tallene på henholdsvis 5,04 og 5,50 procent. Samtidig skal ventetiden være 70 procent kortere end i den tidligere model, Chirp 3.

Hvor kan man møde den?

Udviklere kan afprøve modellen gennem Googles udviklerværktøjer i en offentlig prøveudgave, og det samme gælder Googles platform til virksomheder. For almindelige brugere er modellen på vej ind i produkter, man rent faktisk bruger: appen Rambler på Android og Gemini-appen på macOS. Google oplyser, at den også er på vej til browseren Chrome, men uden at sætte en dato på.

Dagen før, den 25. august, viste Google, hvordan intelligent diktering fungerer i Gemini-appen på macOS. Her kan man tale ind i et hvilket som helst vindue på skrivebordet og få den færdige tekst indsat, hvor markøren står. Google har ikke oplyst priser for den nye model.