Skip to content
Vest Google Blog avg 2026.

Google: Gemini 3.5 Transcribe — inteligentni speech-to-text

Google je najavio Gemini 3.5 Transcribe 26. avgusta 2026. godine u blog postu Dijega Melenda Kasada i Luka Leonarda iz Gemini Audio tima. Model pretvara audio u poliran, formatiran tekst sa mogućnostima koje prevazilaze jednostavnu transkripciju.

Ključni pokazatelj tačnosti je 2,6% word error rate na unapred snimljenom audiu na više od 85 jezika sa automatskim prepoznavanjem jezika. U streaming režimu pokazatelj iznosi 4,0%, što je i dalje značajno poboljšanje u odnosu na prethodni model Chirp 3, a tekst se isporučuje otprilike 70% brže. Model se nosi sa pozadinskom bukom, preklapajućim govorom i tehničkim terminima bez posebnog podešavanja.

Pored osnovne transkripcije, nekoliko funkcija odgovara konkretnim potrebama pisaca i novinara. Uklanjanje filera — „hm”, „ə” i ispravki usred rečenice — stvara čistije nacrte iz snimljenih intervjua bez ručnog uređivanja. Diarizacija po govornicima identifikuje do tri učesnika sa vremenskim oznakama — korisno za okrugle stolove, intervjue i panel snimke. Podrška za korisnički rečnik obezbeđuje ispravno pisanje naziva proizvoda, tehničkih termina i nestandardnih vlastitih imenica bez naknadne obrade.

Dve opcije za implementaciju pokrivaju različite scenarije upotrebe. API za unapred snimljeni audio obrađuje fajlove do jednog sata sa punom diarizacijom i vremenskim oznakama na nivou reči. Streaming API obezbeđuje transkripciju u realnom vremenu sa kašnjenjem ispod jedne sekunde — pogodan za žive titlove i pravljenje beleški u toku sesije. Obe opcije podržavaju function calling za preusmeravanje složenih zadataka na druge Gemini modele.

Model je već dostupan u Google AI Studio i Gemini Enterprise Agent Platform. Potrošačka implementacija odvija se kroz Gboard, Gemini aplikaciju, Chrome i Google Antigravity.

Za novinare i pisce koji rade sa snimcima intervjua, ovo skraćuje jednu od najzahtevnijih faza tipičnog istraživačkog procesa. Kombinacija visoke tačnosti, identifikacije govornika i uklanjanja filera pokriva veći deo onoga što profesionalni servisi transkripcije pružaju — uz znatno niže troškove.