Trong lúc bên ngoài vẫn đang chờ Gemini 3.5 Pro ra mắt, Google đã giới thiệu một mô hình khác thuộc dòng 3.5. Hôm nay, công ty đã ra mắt mô hình chuyển giọng nói thành văn bản Gemini 3.5 Transcribe. Đây là mô hình AI được thiết kế để tối ưu trải nghiệm nhập liệu bằng giọng nói, có thể tự động xóa các từ đệm như “ừm”, “ờ” trong giọng nói cũng như những nội dung người dùng tự sửa sau khi nói sai, từ đó tạo ra văn bản trôi chảy và gọn gàng hơn.
Hiện tại, mô hình này đang hỗ trợ tính năng “Rambler” trên bàn phím Gboard của Pixel 11, đồng thời sẽ lần lượt được tích hợp vào nhiều sản phẩm và dịch vụ khác của Google.
Google cho biết, so với công cụ chuyển giọng nói thành văn bản trước đây có tên Chirp 3, Gemini 3.5 Transcribe đã được cải thiện cả về tốc độ lẫn độ chính xác. Từ lúc người dùng bắt đầu nói đến khi văn bản chuyển đổi được tạo hoàn tất, tốc độ tổng thể dự kiến tăng khoảng 70%; trong các tình huống sử dụng giọng nói theo thời gian thực, tỷ lệ lỗi đã giảm xuống còn 5,5%.
Tuy nhiên, mức cải thiện độ chính xác chưa thực sự lớn. Theo dữ liệu của Google, tỷ lệ lỗi của Chirp 3 là 7,32%. Dù vậy, với những người thường xuyên nhập liệu bằng giọng nói, ngay cả việc giảm vài lỗi chính tả cũng đồng nghĩa với việc phải chỉnh sửa thủ công ít hơn về sau, vì thế đây vẫn là một cải tiến thiết thực.
Khả năng của Gemini 3.5 Transcribe không chỉ dừng ở việc “nghe rõ” người dùng nói gì, mà còn cố gắng hiểu điều người dùng thực sự muốn diễn đạt. Trong quá trình nói, mô hình có thể tự động xóa các từ đệm như “ừm”, “ờ” làm ảnh hưởng đến sự trôi chảy của câu nói. Nếu người dùng lập tức sửa lại sau khi nói sai, mô hình cũng có thể điều chỉnh văn bản đã tạo theo thời gian thực. Ngoài ra, người dùng có thể cung cấp bảng từ vựng tùy chỉnh để mô hình nhận diện tốt hơn các thuật ngữ chuyên môn và từ ngữ trong những lĩnh vực cụ thể.
Hiện tại, mô hình này hỗ trợ 85 ngôn ngữ và có thể xử lý tệp âm thanh thu sẵn có tối đa 3 người nói.
Tất nhiên, tính năng này cũng tồn tại một vấn đề rõ ràng: người dùng cần tin rằng AI có thể hiểu chính xác điều mình thực sự muốn diễn đạt. Ít nhất trong các đoạn văn bản ngắn, dựa trên trải nghiệm thực tế với tính năng Rambler, mô hình thực sự có thể khá tốt trong việc làm rõ những cách diễn đạt thiếu nhất quán và các đoạn ngập ngừng khi nói, giúp văn bản trông tự nhiên hơn.
Nhưng đồng thời, Gemini 3.5 Transcribe không chỉ đơn giản chuyển giọng nói thành văn bản. Trong quá trình sắp xếp nội dung, AI trên thực tế có thể thay đổi cách diễn đạt ban đầu của người dùng. Vì vậy, trong những tình huống cần giữ nguyên lời nói, không được tùy ý sửa đổi cách diễn đạt, tính năng “biên tập thông minh” này chưa chắc phù hợp để sử dụng.