جب دنیا اب بھی Gemini 3.5 Pro کے اجرا کی منتظر ہے، گوگل نے پہلے ہی 3.5 سیریز کا ایک اور ماڈل پیش کر دیا ہے۔ کمپنی نے آج Gemini 3.5 Transcribe اسپیچ ٹو ٹیکسٹ ماڈل جاری کیا، جو صوتی ان پٹ کے تجربے کو بہتر بنانے کے لیے تیار کیا گیا AI ماڈل ہے۔ یہ آواز میں شامل “اُم” اور “اَہ” جیسے تکلمی الفاظ، نیز بولنے کے بعد خود کی جانے والی تصحیحات کو ازخود حذف کر کے زیادہ رواں اور صاف متن تیار کر سکتا ہے۔
یہ ماڈل فی الحال Pixel 11 پر Gboard کی بورڈ کے “Rambler” فیچر کو سپورٹ فراہم کر رہا ہے، اور آئندہ گوگل کی مزید مصنوعات اور خدمات میں بھی مرحلہ وار شامل کیا جائے گا۔
گوگل کے مطابق، پہلے Chirp 3 نامی اسپیچ ٹو ٹیکسٹ انجن کے مقابلے میں Gemini 3.5 Transcribe کی رفتار اور درستگی دونوں بہتر ہیں۔ صارف کے بولنے سے لے کر حتمی ٹرانسکرپٹ تیار ہونے تک مجموعی رفتار میں تقریباً 70 فیصد اضافہ متوقع ہے، جبکہ حقیقی وقت میں صوتی ان پٹ کے دوران اس کی غلطیوں کی شرح 5.5 فیصد تک کم ہو گئی ہے۔
تاہم، درستگی میں اضافہ بہت نمایاں نہیں ہے۔ گوگل کے اعداد و شمار کے مطابق، Chirp 3 کی غلطیوں کی شرح 7.32 فیصد تھی۔ لیکن جو صارفین اکثر صوتی ان پٹ استعمال کرتے ہیں، ان کے لیے چند کم غلط ہجے بھی بعد میں دستی طور پر درست کیے جانے والے متن میں کمی کا باعث بنتے ہیں، اس لیے یہ پھر بھی ایک عملی بہتری ہے۔
Gemini 3.5 Transcribe کی صلاحیت صرف یہ سمجھنے تک محدود نہیں کہ صارف نے کیا کہا؛ یہ صارف کے اصل مطلب کو سمجھنے کی بھی کوشش کرتا ہے۔ بولنے کے دوران، ماڈل “اُم” اور “اَہ” جیسے ایسے تکلمی الفاظ خودکار طور پر حذف کر سکتا ہے جو جملے کی روانی متاثر کرتے ہیں۔ اگر صارف کچھ غلط کہنے کے فوراً بعد اپنی بات درست کرے تو ماڈل پہلے سے تیار کیے گئے متن کو بھی حقیقی وقت میں ایڈجسٹ کر سکتا ہے۔ اس کے علاوہ، صارف حسبِ ضرورت الفاظ کی فہرست فراہم کر سکتے ہیں، تاکہ ماڈل پیشہ ورانہ اصطلاحات اور مخصوص شعبوں کے الفاظ کو بہتر طور پر شناخت کر سکے۔
یہ ماڈل فی الحال 85 زبانوں کو سپورٹ کرتا ہے اور زیادہ سے زیادہ 3 افراد پر مشتمل پہلے سے ریکارڈ شدہ آڈیو پر کارروائی کر سکتا ہے۔
یقیناً، اس فیچر میں ایک واضح مسئلہ بھی موجود ہے: صارفین کو اعتماد کرنا ہوگا کہ AI ان کے اصل مدعا کو درست طور پر سمجھ سکتا ہے۔ کم از کم مختصر متن میں، Rambler فیچر کے عملی تجربے کے مطابق، ماڈل متضاد اظہار اور گفتگو کے دوران آنے والی لڑکھڑاہٹ کو کافی حد تک صاف کر کے متن کو زیادہ فطری بنا سکتا ہے۔
لیکن دوسری جانب، Gemini 3.5 Transcribe صرف آواز کو متن میں تبدیل نہیں کرتا۔ AI مواد کو ترتیب دیتے وقت صارف کے اصل الفاظ تبدیل بھی کر سکتا ہے۔ لہٰذا، ایسے مواقع پر جہاں اصل بیان کو سختی سے برقرار رکھنا ضروری ہو اور اظہار میں من مانی تبدیلی کی اجازت نہ ہو، یہ “ذہین تدوین” موزوں نہیں بھی ہو سکتی۔