ਗੂਗਲ ਨੇ ਮੰਗਲਵਾਰ ਨੂੰ Gemini 3.5 Transcribe ਲਾਂਚ ਕੀਤਾ। ਇਹ speech-to-text ਮਾਡਲ ਫਿਲਰ ਸ਼ਬਦਾਂ (filler words) ਨੂੰ ਹਟਾ ਦਿੰਦਾ ਹੈ, ਉਪਭੋਗਤਾ ਦੁਆਰਾ ਦਿੱਤੀਆਂ ਗਈਆਂ ਸ਼ਬਦਾਵਲੀਆਂ ਦਾ ਸਤਿਕਾਰ ਕਰਦਾ ਹੈ ਅਤੇ ਇੱਕ ਸਿੰਗਲ ਰਿਕਾਰਡਿੰਗ ਵਿੱਚ ਤਿੰਨ ਬੋਲਣ ਵਾਲਿਆਂ ਤੱਕ ਨੂੰ ਟੈਗ ਕਰਦਾ ਹੈ। ਬਿਨਾਂ ਕਿਸੇ ਮਨੁੱਖੀ ਸੰਪਾਦਕ ਦੇ ਕੱਚੀ ਆਡੀਓ ਨੂੰ ਸੁਧਰੇ ਹੋਏ, ਸੰਰਚਿਤ ਟੈਕਸਟ ਵਿੱਚ ਬਦਲ ਕੇ, ਇਹ ਸੇਵਾ ਮੀਟਿੰਗ ਨੋਟਸ, ਕਾਨੂੰਨੀ ਫਾਈਲਾਂ ਅਤੇ ਹੋਰਾਂ ਲਈ ਟ੍ਰਾਂਸਕ੍ਰਿਪਟਾਂ ਨੂੰ ਸਾਫ਼ ਕਰਨ ਵਿੱਚ ਡਿਵੈਲਪਰਾਂ ਦੁਆਰਾ ਲਗਾਏ ਜਾਣ ਵਾਲੇ ਸਮੇਂ ਨੂੰ ਘਟਾਉਂਦੀ ਹੈ।

ਗੂਗਲ ਨੇ ਹੁਣ ਹੀ ਇਹ ਕਦਮ ਕਿਉਂ ਚੁੱਕਿਆ

ਗੂਗਲ ਦਾ ਆਡੀਓ-ਪ੍ਰੋਸੈਸਿੰਗ ਸਟੈਕ ਸਾਲਾਂ ਤੋਂ ਵਿਕਸਿਤ ਹੋ ਰਿਹਾ ਹੈ, ਪਰ ਇਸਦੀ ਪਹਿਲਾਂ ਦੀ ਪੇਸ਼ਕਸ਼, Chirp 3, ਅਜੇ ਵੀ ਰੁਕਾਵਟਾਂ, ਤਕਨੀਕੀ ਸ਼ਬਦਾਂ ਅਤੇ ਬੋਲਣ ਵਾਲਿਆਂ ਦੇ ਬਦਲਾਅ 'ਤੇ ਅਟਕ ਜਾਂਦੀ ਸੀ। ਰਿਮੋਟ ਵਰਕ ਅਤੇ ਪੋਡਕਾਸਟਿੰਗ ਨੇ ਟ੍ਰਾਂਸਕ੍ਰਿਪਸ਼ਨ ਮਾਰਕੀਟ ਨੂੰ ਵਧਾ ਦਿੱਤਾ ਹੈ, ਫਿਰ ਵੀ ਕਈ ਉੱਦਮ (enterprises) ਅਜੇ ਵੀ ਮੈਨੂਅਲ ਪੋਸਟ-ਪ੍ਰੋਸੈਸਿੰਗ ਜਾਂ ਮਹਿੰਗੇ ਨਿਸ਼ (niche) ਵੈਂਡਰਾਂ 'ਤੇ ਨਿਰਭਰ ਹਨ। Gemini 3.5 Transcribe ਉਸ ਮੁਸ਼ਕਲ ਦਾ ਹੱਲ ਕਰਦਾ ਹੈ: ਇੱਕ ਅਜਿਹਾ ਮਾਡਲ ਜੋ ਨਾ ਸਿਰਫ਼ ਬੋਲ ਨੂੰ ਪਛਾਣਦਾ ਹੈ ਬਲਕਿ ਉਸ ਨੂੰ ਤੁਰੰਤ (on the fly) ਐਡਿਟ ਵੀ ਕਰਦਾ ਹੈ।

ਨਵਾਂ ਮਾਡਲ ਅਸਲ ਵਿੱਚ ਕੀ ਕਰਦਾ ਹੈ

  • ਆਟੋਮੈਟਿਕ ਫਿਲਰ-ਵਰਡ ਰਿਮੂਵਲ – ਜਿਵੇਂ ਹੀ ਟ੍ਰਾਂਸਕ੍ਰਿਪਟ ਤਿਆਰ ਹੁੰਦੀ ਹੈ, “um”, “uh” ਅਤੇ ਇਸ ਤਰ੍ਹਾਂ ਦੀਆਂ ਅਸਪਸ਼ਟਤਾਵਾਂ ਦੂਰ ਹੋ ਜਾਂਦੀਆਂ ਹਨ, ਜਿਸ ਨਾਲ ਇੱਕ ਸਾਫ਼ ਰਿਡ-ਆਊਟ ਮਿਲਦਾ ਹੈ।
  • ਕਸਟਮ ਸ਼ਬਦਾਵਲੀ – ਉਪਭੋਗਤਾ ਖੇਤਰ-ਵਿਸ਼ੇਸ਼ ਸ਼ਬਦਾਂ ਦੀ ਇੱਕ ਸੂਚੀ ਅਪਲੋਡ ਕਰਦੇ ਹਨ, ਜੋ ਮਾਡਲ ਨੂੰ ਉਹਨਾਂ ਨੂੰ ਆਮ ਸ਼ਬਦਾਂ ਵਿੱਚ “ਸਹੀ” ਕਰਨ ਤੋਂ ਰੋਕਦਾ ਹੈ। ਇਹ ਉਹਨਾਂ ਖੇਤਰਾਂ ਲਈ ਮਹੱਤਵਪੂਰਨ ਹੈ ਜੋ ਸੰਖੇਪਾਂ (acronyms), ਉਤਪਾਦਾਂ ਦੇ ਨਾਮ ਜਾਂ ਵਿਦੇਸ਼ੀ ਸਪੈਲਿੰਗਾਂ ਨਾਲ ਭਰੇ ਹੋਏ ਹਨ।
  • ਸਪੀਕਰ ਐਟਰੀਬਿਊਸ਼ਨ – ਸਿਸਟਮ ਤਿੰਨ ਵੱਖ-ਵੱਖ ਆਵਾਜ਼ਾਂ ਤੱਕ ਦੀ ਪਛਾਣ ਕਰਦਾ ਹੈ, ਹਰ ਬੋਲ ਨੂੰ ਇੱਕ ਸਪੀਕਰ ਲੇਬਲ ਦਿੰਦਾ ਹੈ ਅਤੇ ਸ਼ਬਦ-ਪੱਧਰ ਦਾ ਟਾਈਮਸਟੈਂਪ ਜੋੜਦਾ ਹੈ। ਕਾਨੂੰਨੀ ਟੀਮਾਂ, ਮੈਡੀਕਲ ਸਕ੍ਰਾਈਬਸ ਅਤੇ ਪੱਤਰਕਾਰ ਸਿੱਧੇ ਸਰੋਤ ਫਾਈਲ ਤੋਂ ਟਾਈਮ-ਕੋਡਡ ਰਿਕਾਰਡ ਤਿਆਰ ਕਰ ਸਕਦੇ ਹਨ।
  • ਬਹੁ-ਭਾਸ਼ਾਈ ਪਹੁੰਚ – ਗੂਗਲ ਦਾ ਦਾਅਵਾ ਹੈ ਕਿ 85 ਤੋਂ ਵੱਧ ਭਾਸ਼ਾਵਾਂ ਵਿੱਚ ਸ਼ੁੱਧਤਾ ਵਿੱਚ ਸੁਧਾਰ ਹੋਇਆ ਹੈ, ਜੋ ਕਿ ਇਸਦੇ ਪਿਛਲੇ ਮਾਡਲ ਦੇ ਸੀਮਤ ਸੰਸਕਰਣ ਨਾਲੋਂ ਇੱਕ ਵੱਡਾ ਕਦਮ ਹੈ।

ਇਹ ਸਾਰੀਆਂ ਸਮਰੱਥਾਵਾਂ ਇੱਕ ਡਿਵੈਲਪਰ-ਕੇਂਦਰਿਤ API ਦੇ ਅਧੀਨ ਹਨ। ਐਪਸ ਇੱਕ ਟ੍ਰਾਂਸਕ੍ਰਿਪਟ ਦੀ ਬੇਨਤੀ ਕਰਦੇ ਹਨ ਅਤੇ ਇੱਕ JSON ਪੇਲੋਡ ਪ੍ਰਾਪਤ ਕਰਦੇ ਹਨ ਜਿਸ ਵਿੱਚ ਪਹਿਲਾਂ ਹੀ ਸਾਫ਼ ਕੀਤਾ ਗਿਆ ਟੈਕਸਟ, ਸਪੀਕਰ ਟੈਗ ਅਤੇ ਟਾਈਮਸਟੈਂਪ ਸ਼ਾਮਲ ਹੁੰਦੇ ਹਨ।

Gemini ਆਡੀਓ ਦਾ ਵਿਆਪਕ ਰੋਲਆਊਟ

Gemini 3.5 Transcribe ਆਡੀਓ ਮਾਡਲਾਂ ਦੇ ਇੱਕ ਵਿਸ਼ਾਲ ਪਰਿਵਾਰ ਨਾਲ ਸਬੰਧਤ ਹੈ:

  • Gemini 3.5 Live – ਰੀਅਲ-ਟਾਈਮ ਇੰਟਰੈਕਸ਼ਨ ਲਈ ਅਨੁਕੂਲਿਤ, ਇਹ ਪਹਿਲਾਂ ਦੇ ਲਾਈਵ ਮਾਡਲਾਂ ਨਾਲੋਂ ਵਾਕ ਦੇ ਵਿਚਕਾਰ ਹੋਣ ਵਾਲੀਆਂ ਰੁਕਾਵਟਾਂ ਨੂੰ ਬਿਹਤਰ ਤਰੀਕੇ ਨਾਲ ਸੰਭਾਲਦਾ ਹੈ।
  • Gemini 3.5 Live Experimental – ਇੱਕ ਉੱਚ-ਪੱਧਰੀ ਤਰਕ ਵਾਲਾ ਵੇਰੀਐਂਟ ਜੋ ਗੁੰਝਲਦਾਰ ਕੰਮਾਂ ਨੂੰ ਹੱਲ ਕਰਦੇ ਸਮੇਂ ਆਪਣੀ ਸਟੈਪ-ਬਾਈ-ਸਟੈਪ ਸੋਚ ਨੂੰ ਦੱਸਦਾ ਹੈ।

ਦੋਵੇਂ ਲਾਈਵ ਮਾਡਲ ਵਰਤਮਾਨ ਵਿੱਚ macOS Gemini ਐਪ 'ਤੇ ਅੰਗਰੇਜ਼ੀ ਵਿੱਚ ਅਤੇ ਕੁਝ ਖੇਤਰਾਂ ਵਿੱਚ Android 'ਤੇ Rambler ਡਿਕਟੇਸ਼ਨ ਫੀਚਰ ਰਾਹੀਂ ਉਪਲਬਧ ਹਨ।

ਕਿਸ ਨੂੰ ਫਾਇਦਾ ਹੋ ਸਕਦਾ ਹੈ

ਡਿਵੈਲਪਰ ਸਹਿਯੋਗ ਸਾਧਨਾਂ (collaboration tools), ਕੰਟੈਂਟ-ਕ੍ਰਿਏਸ਼ਨ ਪਲੇਟਫਾਰਮਾਂ ਅਤੇ ਵੌਇਸ-ਡਰਿਵਨ ਸਹਾਇਕਾਂ ਵਿੱਚ “clean-as-you-speak” ਪਾਈਪਲਾਈਨ ਨੂੰ ਜੋੜ ਸਕਦੇ ਹਨ। ਉੱਦਮ (Enterprises) ਪ੍ਰਕਾਸ਼ਿਤ ਕਰਨ ਲਈ ਤਿਆਰ ਟ੍ਰਾਂਸਕ੍ਰਿਪਟ ਤਿਆਰ ਕਰ ਸਕਦੇ ਹਨ, ਜਿਸ ਨਾਲ ਉਹਨਾਂ ਤੀਜੀ-ਪਾਰਟੀ ਸੇਵਾਵਾਂ 'ਤੇ ਨਿਰਭਰਤਾ ਘਟਦੀ ਹੈ ਜੋ ਪ੍ਰਤੀ ਮਿੰਟ ਚਾਰਜ ਕਰਦੀਆਂ ਹਨ ਅਤੇ ਸਖ਼ਤ ਡਾਟਾ-ਹੈਂਡਲਿੰਗ ਸ਼ਰਤਾਂ ਲਗਾਉਂਦੀਆਂ ਹਨ। ਕੰਟੈਂਟ ਕ੍ਰਿਏਟਰ ਬਿਨਾਂ ਕਿਸੇ ਵੱਖਰੇ ਐਡੀਟਿੰਗ ਪਾਸ ਦੇ ਸੁਧਰੇ ਹੋਏ ਕੈਪਸ਼ਨ ਪ੍ਰਕਾਸ਼ਿਤ ਕਰ ਸਕਦੇ ਹਨ, ਜਿਸ ਨਾਲ ਵੀਡੀਓ ਅਤੇ ਪੋਡਕਾਸਟ ਦੇ ਕੰਮ ਦੀ ਰਫ਼ਤਾਰ ਵਧਦੀ ਹੈ।

ਕਿਸ ਨੂੰ ਨੁਕਸਾਨ ਹੋ ਸਕਦਾ ਹੈ

ਵਿਸ਼ੇਸ਼ ਟ੍ਰਾਂਸਕ੍ਰਿਪਸ਼ਨ ਵੈਂਡਰ ਜੋ ਸਪੀਕਰ ਡਾਇਰਾਈਜ਼ੇਸ਼ਨ (speaker diarization) ਅਤੇ ਜਾਰਗਨ (jargon) ਹੈਂਡਲਿੰਗ ਲਈ ਪ੍ਰੀਮੀਅਮ ਦਰਾਂ ਲੈਂਦੇ ਹਨ, ਉਹਨਾਂ ਦੀ ਮੰਗ ਵਿੱਚ ਗਿਰਾਵਟ ਆ ਸਕਦੀ ਹੈ, ਖਾਸ ਕਰਕੇ ਲਾਗਤ-ਸੰਵੇਦਨਸ਼ੀਲ ਸਟਾਰਟਅੱਪਸ ਵਿੱਚ। ਮਾਡਲ ਦੀ ਤਿੰਨ-ਸਪੀਕਰ ਦੀ ਸੀਮਾ ਵੱਡੀਆਂ ਸੰਸਥਾਵਾਂ ਨੂੰ ਉਹਨਾਂ ਸਮਰਪਿਤ ਹੱਲਾਂ ਵੱਲ ਵੀ ਧੱਕ ਸਕਦੀ ਹੈ ਜੋ ਇੱਕ ਸਿੰਗਲ ਕਾਲ ਵਿੱਚ ਵਧੇਰੇ ਭਾਗੀਦਾਰਾਂ ਦਾ ਸਮਰਥਨ ਕਰਦੇ ਹਨ।

ਸੀਮਾਵਾਂ ਅਤੇ ਖੁੱਲ੍ਹੇ ਸਵਾਲ

  • ਸਪੀਕਰ ਦੀ ਗਿਣਤੀ – ਪ੍ਰਤੀ ਫਾਈਲ ਸਿਰਫ਼ ਤਿੰਨ ਸਪੀਕਰਾਂ ਦੀ ਪਛਾਣ ਕੀਤੀ ਜਾ ਸਕਦੀ ਹੈ; ਵੱਡੇ ਪੈਨਲਾਂ ਵਾਲੀਆਂ ਮੀਟਿੰਗਾਂ ਲਈ ਅਜੇ ਵੀ ਬਾਹਰੀ ਸਾਧਨਾਂ ਦੀ ਲੋੜ ਹੋਵੇਗੀ।
  • ਭਾਸ਼ਾ ਰੋਲਆਊਟ – ਬਹੁ-ਭਾਸ਼ਾਈ ਸਹਾਇਤਾ ਦੀ ਘੋਸ਼ਣਾ ਕੀਤੀ ਗਈ ਹੈ, ਪਰ ਲਾਈਵ ਮਾਡਲ ਅਜੇ ਵੀ ਸਿਰਫ਼ ਅੰਗਰੇਜ਼ੀ ਵਿੱਚ ਹਨ, ਜਿਸ ਕਾਰਨ ਗੈਰ-ਅੰਗਰੇਜ਼ੀ ਉਪਭੋਗਤਾਵਾਂ ਨੂੰ ਪੂਰੀ ਕਾਰਜਸ਼ੀਲਤਾ ਲਈ ਉਡੀਕ ਕਰਨੀ ਪੈ ਰਹੀ ਹੈ।
  • ਪ੍ਰਾਈਵੇਸੀ – ਕਿਸੇ ਵੀ ਕਲਾਊਡ-ਅਧਾਰਤ ਸਪੀਚ ਸੇਵਾ ਵਾਂਗ, ਉੱਦਮਾਂ ਨੂੰ ਸੰਵੇਦਨਸ਼

ਮੁੱਖ ਨੁਕਤਾ: Gemini 3.5 Transcribe ਬੋਲੀਆਂ ਗਈਆਂ ਰਿਕਾਰਡਿੰਗਾਂ ਨੂੰ ਸੁਧਾਰਨ ਦੇ ਉਬਾਊ ਕੰਮ ਨੂੰ ਇੱਕ ਸਿੰਗਲ API ਕਾਲ ਵਿੱਚ ਬਦਲ ਦਿੰਦਾ ਹੈ, ਜੋ ਡਿਵੈਲਪਰਾਂ ਨੂੰ ਸਾਫ਼ ਅਤੇ ਸਪੀਕਰ-ਟੈਗਡ ਟੈਕਸਟ ਲਈ ਇੱਕ ਤਿਆਰ ਟੂਲ ਪ੍ਰਦਾਨ ਕਰਦਾ ਹੈ। ਇਸਦੀ ਸਫਲਤਾ ਇਸ ਗੱਲ 'ਤੇ ਨਿਰਭਰ ਕਰਦੀ ਹੈ ਕਿ ਗੂਗਲ ਕਿੰਨੀ ਤੇਜ਼ੀ ਨਾਲ ਭਾਸ਼ਾ ਸਹਾਇਤਾ ਦਾ ਵਿਸਤਾਰ ਕਰਦਾ ਹੈ, ਸਪੀਕਰ ਦੀ ਸੀਮਾ ਵਧਾਉਂਦਾ ਹੈ ਅਤੇ ਐਂਟਰਪ੍ਰਾਈਜ਼ ਪ੍ਰਾਈਵੇਸੀ ਦੀਆਂ ਚਿੰਤਾਵਾਂ ਨੂੰ ਹੱਲ ਕਰਦਾ ਹੈ।