Google ยกระดับ AI ถอดเสียงด้วย Gemini 3.5 Transcribe
จาก AI ที่แค่ “ฟังแล้วพิมพ์ตาม” กำลังกลายเป็น AI ที่เข้าใจว่าคนกำลังพูดอะไรจริง ๆ Google เปิดตัว Gemini 3.5 Transcribe โมเดล Speech-to-Text รุ่นใหม่ที่ออกแบบมาเพื่อรับมือกับรูปแบบการสนทนาของมนุษย์ได้ดีขึ้น ทั้งการพูดติดขัด การเปลี่ยนคำกลางประโยค การสลับภาษา และคำศัพท์เฉพาะ
Google ระบุว่า Gemini 3.5 Transcribe เป็นโมเดล Speech-to-Text ที่มีความแม่นยำสูงที่สุดของบริษัทในขณะนี้ โดยรองรับทั้งการถอดเสียงแบบ Real-time Streaming และการนำไฟล์เสียงที่บันทึกไว้ล่วงหน้ามาประมวลผล เหมาะตั้งแต่งานประชุมและสัมภาษณ์ ไปจนถึงระบบ Voice AI และ Voice Agent
ไม่ได้แค่ถอดคำ แต่เข้าใจการพูดของคน
หนึ่งในจุดเด่นของโมเดลรุ่นนี้คือการจัดการกับบทสนทนาที่ไม่ได้พูดเป็นประโยคสมบูรณ์ตลอดเวลา เช่น หากผู้พูดบอกว่า “เจอกันวันอังคาร… ไม่ใช่ วันพุธ” ระบบสามารถเข้าใจได้ว่าข้อมูลล่าสุดคือ “วันพุธ” ไม่ใช่การถอดข้อความออกมาแบบคำต่อคำโดยไม่สนใจบริบท นอกจากนี้ Gemini3.5 Transcribe ยังสามารถจัดเรียงข้อความให้อ่านง่ายขึ้น และลดคำฟุ่มเฟือยอย่าง “เอ่อ” หรือ “อืม” ออกจาก Transcript ได้ ทำให้ผลลัพธ์เหมาะกับการนำไปใช้งานต่อมากขึ้น
การใช้งานหลักแบ่งออกเป็น 2 รูปแบบ ได้แก่
Real-time Streaming — ฟังและแปลงเสียงเป็นข้อความอย่างต่อเนื่อง โดย Google ระบุว่า Latency หรือความหน่วงต่ำกว่า 1 วินาที เหมาะกับ Voice Agent และแอปที่ต้องตอบสนองต่อเสียงทันที
Pre-recorded Audio — นำไฟล์เสียง เช่น การประชุมหรือบทสัมภาษณ์มาถอดเป็นข้อความ พร้อมรองรับการแยกผู้พูดและ Timestamp ระดับคำ
สำหรับนักพัฒนา ยังสามารถกำหนด Custom Vocabulary เพื่อเพิ่มคำศัพท์เฉพาะ เช่น ชื่อแบรนด์ ชื่อบุคคล หรือศัพท์เทคนิค ช่วยให้ระบบรู้จักคำที่มีโอกาสถูกถอดผิดได้มากขึ้น
รองรับมากกว่า 85 ภาษา พร้อมสลับภาษาในบทสนทนา
Gemini 3.5 Transcribe รองรับมากกว่า 85 ภาษา พร้อมความสามารถในการตรวจจับภาษาอัตโนมัติ รวมถึงรองรับสำเนียงและภาษาถิ่นที่หลากหลาย ระบบยังสามารถจัดการบทสนทนาที่มีการสลับภาษาไปมาได้ จึงเหมาะกับสถานการณ์ที่ไม่ได้จำกัดอยู่เพียงภาษาเดียว
ในกรณีที่ไฟล์เสียงมีหลายคนพูด ระบบสามารถแยก Speaker หรือระบุผู้พูดออกจากกันได้ โดยฟีเจอร์หลักรองรับสูงสุด 3 คน ขณะที่การรองรับจำนวนผู้พูดมากกว่านี้ยังอยู่ระหว่างการทดลอง
Google เตรียมนำไปใช้กับ Ecosystem ของตัวเอง
ความสามารถของ Gemini3.5 Transcribe ไม่ได้จำกัดอยู่แค่ API แต่ Google กำลังนำเทคโนโลยีด้านเสียงไปผสานกับผลิตภัณฑ์ต่าง ๆ ใน Ecosystem ของบริษัท
ตัวอย่างเช่น Rambler บน Android ที่เปิดให้ผู้ใช้พูดเพื่อสร้างข้อความ รวมถึงสั่งแก้ไขหรือปรับรูปแบบข้อความด้วยเสียง ขณะที่ Gemini บน macOS สามารถรับคำสั่งเสียงเพื่อทำงานต่าง ๆ เช่น สรุปไฟล์ วิเคราะห์ข้อมูล และดำเนินงานต่อผ่าน AI ส่วน Google AI Studio เปิดทางให้นักพัฒนาใช้เสียงสั่งสร้างแอปผ่าน Build Mode ขณะที่ Google ยังเตรียมนำความสามารถด้านการป้อนข้อความด้วยเสียงไปใช้บน Chrome ในอนาคต
การมาของ Gemini3.5 Transcribe แสดงให้เห็นว่า Google ต้องการพัฒนา Speech-to-Text ให้ไปไกลกว่าการ “ฟังแล้วพิมพ์ตาม” โดยเพิ่มความสามารถในการเข้าใจบริบท จัดการคำพูดที่ติดขัด การแก้ประโยคกลางทาง การสลับภาษา และคำศัพท์เฉพาะ
tags : blog.google
