বিশ্ব যখন এখনও Gemini 3.5 Pro প্রকাশের অপেক্ষায়, তখন গুগল 3.5 সিরিজের আরেকটি মডেল আগে প্রকাশ করল। কোম্পানিটি আজ Gemini 3.5 Transcribe স্পিচ-টু-টেক্সট মডেল প্রকাশ করেছে। এটি ভয়েস ইনপুটের অভিজ্ঞতা উন্নত করার জন্য তৈরি একটি AI মডেল, যা কথার মধ্যকার “উম”, “আহ” ইত্যাদি মুখের ফিলার শব্দ এবং ভুল বলার পর নিজে থেকে সংশোধন করা অংশ স্বয়ংক্রিয়ভাবে মুছে দিয়ে আরও সাবলীল ও পরিচ্ছন্ন লেখা তৈরি করতে পারে।
মডেলটি বর্তমানে Pixel 11-এর Gboard কিবোর্ডের “Rambler” ফিচারে সহায়তা দিচ্ছে। পরবর্তী সময়ে এটি গুগলের আরও পণ্য ও পরিষেবায় ধীরে ধীরে যুক্ত হবে।
গুগল জানিয়েছে, আগে Chirp 3 নামে পরিচিত স্পিচ-টু-টেক্সট ইঞ্জিনের তুলনায় Gemini 3.5 Transcribe গতি ও নির্ভুলতা উভয় ক্ষেত্রেই উন্নত। ব্যবহারকারীর কথা বলা থেকে চূড়ান্ত ট্রান্সক্রিপশন তৈরি হওয়া পর্যন্ত সামগ্রিক গতি প্রায় 70% বাড়তে পারে। রিয়েল-টাইম কথোপকথনের ক্ষেত্রে এর ত্রুটির হার কমে 5.5%-এ নেমেছে।
তবে নির্ভুলতার উন্নতির মাত্রা খুব বেশি নয়। গুগলের তথ্য অনুযায়ী, Chirp 3-এর ত্রুটির হার 7.32%। কিন্তু যারা নিয়মিত ভয়েস ইনপুট ব্যবহার করেন, তাদের জন্য কয়েকটি ভুল অক্ষর কম টাইপ করাও পরবর্তী সময়ে হাতে সংশোধন করতে হওয়া বিষয়বস্তু কমিয়ে দেয়। তাই এটি এখনও একটি ব্যবহারিক উন্নতি।
Gemini 3.5 Transcribe-এর ক্ষমতা শুধু ব্যবহারকারী কী বলছেন তা “স্পষ্টভাবে শোনা”তে সীমাবদ্ধ নয়, বরং ব্যবহারকারী আসলে কী বোঝাতে চাইছেন তা বোঝারও চেষ্টা করে। কথা বলার সময় মডেলটি বাক্যের সাবলীলতায় বাধা সৃষ্টি করা “উম”, “আহ” ইত্যাদি মুখের ফিলার শব্দ স্বয়ংক্রিয়ভাবে মুছে দিতে পারে। ব্যবহারকারী কিছু ভুল বলার পর সঙ্গে সঙ্গে সংশোধন করলে, এটি রিয়েল-টাইমে ইতিমধ্যে তৈরি হওয়া লেখা সমন্বয় করতে পারে। এ ছাড়া, ব্যবহারকারী কাস্টম শব্দভান্ডার দিতে পারেন, যাতে মডেলটি পেশাগত পরিভাষা ও নির্দিষ্ট ক্ষেত্রের শব্দ আরও ভালোভাবে শনাক্ত করতে পারে।
মডেলটি বর্তমানে 85টি ভাষা সমর্থন করে এবং সর্বাধিক 3 জন বক্তা থাকা পূর্বে রেকর্ড করা অডিও প্রক্রিয়া করতে পারে।
অবশ্য এই ফিচারের একটি স্পষ্ট সমস্যাও রয়েছে: ব্যবহারকারীকে বিশ্বাস করতে হবে যে AI তার প্রকৃত বক্তব্য সঠিকভাবে বুঝতে পারবে। অন্তত ছোট লেখার ক্ষেত্রে, Rambler ফিচার ব্যবহারের অভিজ্ঞতা অনুযায়ী, মডেলটি অসামঞ্জস্যপূর্ণ অভিব্যক্তি এবং কথা বলার সময়ের জড়তা ভালোভাবে পরিষ্কার করতে পারে, ফলে লেখাটি আরও স্বাভাবিক দেখায়।
তবে একই সঙ্গে Gemini 3.5 Transcribe শুধু কথাকে লেখায় রূপান্তর করে না। AI বিষয়বস্তু গোছানোর সময় ব্যবহারকারীর মূল শব্দচয়ন বদলে দিতে পারে। তাই যেসব পরিস্থিতিতে হুবহু বক্তব্য সংরক্ষণ করা জরুরি এবং অভিব্যক্তি ইচ্ছেমতো পরিবর্তন করা যায় না, সেখানে এই “স্মার্ট সম্পাদনা” ব্যবহার উপযুক্ত নাও হতে পারে।