Google เปิดตัวโมเดล Gemini 3.5 Transcribe แปลงเสียงพูดสเปะสปะเป็นข้อความมีโครงสร้าง พร้อมรองรับกว่า 85 ภาษา

Google เปิดตัว Gemini 3.5 Transcribe โมเดลแปลงเสียงพูดเป็นข้อความอัจฉริยะ รองรับกว่า 85 ภาษา จัดระเบียบข้อความอัตโนมัติ และใช้งานได้หลากหลายแพลตฟอร์ม

Google ประกาศเปิดตัวโมเดลปัญญาประดิษฐ์ด้านเสียงรุ่นล่าสุด ซึ่งถูกออกแบบมาเพื่อยกระดับประสิทธิภาพการจดจำเสียงและการแปลงเสียงพูดให้เป็นข้อความ โดยมีความแม่นยำสูงขึ้นกว่ารุ่นก่อนหน้าอย่างเห็นได้ชัด

โมเดลใหม่นี้มีความสามารถในการปรับเปลี่ยนคำพูดที่ไม่มีโครงสร้างของผู้ใช้งาน ให้กลายเป็นข้อความที่มีการจัดรูปแบบอย่างเป็นระเบียบเรียบร้อย พร้อมทั้งมีความสามารถในการตรวจจับภาษาต่าง ๆ ได้มากกว่า 85 ภาษาโดยอัตโนมัติ

ความสามารถขั้นสูงในการประมวลผลเสียง

ระบบดังกล่าวสามารถตัดคำฟุ่มเฟือยออกไปจากบทพูดที่แปลงเป็นข้อความแล้วได้อย่างแม่นยำ ผู้ใช้งานยังสามารถใช้คำสั่งเสียงเพื่อทำการแก้ไขข้อความได้ตามต้องการ รวมถึงสามารถเรียนรู้คำศัพท์เฉพาะตัวและการสะกดคำที่ไม่เหมือนใครได้อีกด้วย

สินค้าแนะนำ

มือถือและอุปกรณ์เสริม

เลือกดูสมาร์ตโฟน แท็บเล็ต และอุปกรณ์เสริมที่เกี่ยวข้องบน Shopee

ดูสินค้าบน Shopee

ลิงก์นี้เป็นลิงก์ Affiliate เว็บไซต์อาจได้รับค่าคอมมิชชันจากการสั่งซื้อ โดยไม่มีค่าใช้จ่ายเพิ่มเติมสำหรับผู้ซื้อ

นอกจากนี้ โมเดลยังมีความเชี่ยวชาญเป็นพิเศษในการจับชุดอักขระผสมตัวเลขและตัวอักษร เช่น หมายเลขคำสั่งซื้อและรหัสไปรษณีย์ สำหรับไฟล์เสียงที่บันทึกไว้ล่วงหน้า ระบบยังสามารถแยกแยะเสียงของผู้พูดได้สูงสุดถึงสามคน พร้อมระบุเวลาตามระดับคำพูด ซึ่งมีประโยชน์อย่างยิ่งสำหรับการถอดเสียงพอดแคสต์

การใช้งานบนอุปกรณ์และแพลตฟอร์มต่าง ๆ

Gemini 3.5 Transcribe ทำหน้าที่ขับเคลื่อนฟีเจอร์ Rambler บนอุปกรณ์ Android เช่น สมาร์ทโฟนตระกูล Pixel 11 รวมถึงแอปพลิเคชัน Gemini บน macOS ซึ่งสามารถทำงานร่วมกับโมเดล Gemini ตัวอื่น ๆ เพื่อปฏิบัติงานเชิงเอเจนต์ได้

ในอนาคตอันใกล้นี้ ผู้ใช้งานจะสามารถใช้ฟังก์ชันแปลงเสียงพูดเป็นข้อความในช่องกรอกข้อมูลบนหน้าเว็บใดก็ได้ผ่านเบราว์เซอร์ Chrome ตัวอย่างเช่น การใช้วิธี dictation เพื่อพิมพ์ข้อความตอบกลับหรือโพสต์เนื้อหา รวมถึงการใช้เสียงเพื่อป้อนคำสั่งกระตุ้นการทำงานให้กับ Gemini

การขยายสู่บริการและเครื่องมือของนักพัฒนา

โมเดลรุ่นใหม่นี้เปิดให้ใช้งานแล้วบน Google Antigravity ซึ่งเป็นแพลตฟอร์มการพัฒนาแบบเอเจนต์ของบริษัท และกำลังจะทยอยให้บริการบน Search Live, Gemini Live, Docs, Keep รวมถึง Gmail

ในส่วนของนักพัฒนาซอฟต์แวร์ จะสามารถเข้าถึงและดึงความสามารถของโมเดลนี้ไปใช้งานผ่านระบบ API ได้ เพื่อนำไปต่อยอดสร้างสรรค์ฟีเจอร์แปลงเสียงพูดเป็นข้อความในลักษณะเดียวกัน