Gemini 3.5 Transcribe: แปลงเสียงเป็นข้อความที่จัดย่อหน้าแล้ว พร้อมบอกว่าใครพูด
ถอดเสียงประชุมแล้วยังต้องลบคำว่า “อ่า” เอง หรือฟังไม่รู้ว่าใครพูดตอนไหน คืองานที่กินเวลาหลังประชุมนานกว่าตัวประชุม กูเกิลเปิด Gemini 3.5 Transcribe เมื่อ 26 สิงหาคม 2026 โดยวางให้แปลงเสียงดิบเป็นข้อความที่จัดรูปแบบแล้ว ไม่ใช่แค่ถอดทีละคำ
สองทางใช้ ที่คนไม่เขียนโปรแกรมก็แยกได้
กูเกิลแยกเอพีไอเป็นสองแบบ
- ถอดสดแบบสตรีม ผ่าน Live API ชื่อรุ่น
gemini-3.5-transcribe-liveกูเกิลระบุว่าหน่วงต่ำกว่าหนึ่งวินาที สำหรับแอปสนทนา - ถอดไฟล์อัด ผ่าน Interactions API ชื่อ
gemini-3.5-transcribeมีการระบุผู้พูดและประทับเวลาถึงระดับคำ
นักพัฒนาทดลองได้ใน Gemini API ผ่าน Google AI Studio และ Google Antigravity องค์กรทดลองผ่าน Gemini Enterprise Agent Platform คนทั่วไปเจอในแอป Gemini บน macOS ภาษาอังกฤษ และฟีเจอร์ Rambler บนแป้น Gboard ของแอนดรอยด์ในบางประเทศ กำลังจะมาใน Chrome ให้พูดแล้วพิมพ์ลงช่องเว็บ
สิ่งที่กูเกิลบอกว่าโมเดลทำได้
- เก็บคำพูดธรรมชาติ จัดการแก้เองกลางประโยค เช่น นัดอังคาร ไม่ใช่ พุธ แล้วตัดคำเติม
- รับคำศัพท์ที่เรากำหนดเอง เช่น ชื่อยาหรือรหัสสินค้า
- ตรวจภาษาอัตโนมัติกว่า 85 ภาษา
- ระบุผู้พูดในไฟล์อัดได้สูงสุดสามคน เกินสามคนยังเป็นทดลอง
- บนแอป Gemini สำหรับ macOS โมเดลส่งงานซับซ้อนต่อให้โมเดล Gemini อื่นได้ เช่น วิเคราะห์ไฟล์หรือสร้างภาพ ด้วยเสียง
กูเกิลอ้างตัวเลขจาก Artificial Analysis ว่าอัตราคำผิดเฉลี่ยร้อยละ 4.0 แบบสตรีม และร้อยละ 2.6 แบบไม่สตรีม บนชุด FLEURS ระบุร้อยละ 5.50 และ 5.04 ตามลำดับ และเวลาได้ข้อความสุดท้ายเร็วขึ้นร้อยละ 70 เมื่อเทียบกับ Chirp 3 ตัวเลขทั้งหมดมาจากกูเกิลและผู้วัดที่กูเกิลอ้าง ไม่ใช่การวัดของบล็อกนี้
ใช้ให้ถูกงาน
ถอดประชุมทีมเล็กที่พูดสลับไม่เกินสามคน และอยากได้ข้อความไปค้นหา รุ่นนี้ตรงโจทย์ ถ้าเป็นห้องศาลหรืองานที่ต้องถอดคำต่อคำโดยไม่ตัดคำเติม ต้องปิดความฉลาดด้านจัดประโยค หรือใช้โหมดที่คงคำพูดดิบ ถ้ามีข้อมูลสุขภาพหรือความลับลูกค้า ตรวจนโยบายของ Gemini Enterprise ก่อนส่งไฟล์ขึ้นคลาวด์
อย่าป้อนผลถอดเสียงเข้าเอไอที่กดรันคำสั่งในเครื่องโดยไม่มีการตรวจ เช่น เรื่องที่เล่าใน /blog/llms-txt-agent-supply-chain
Recap
Gemini 3.5 Transcribe ขายการถอดเสียงที่อ่านรู้เรื่องพร้อมผู้พูดและเวลา ไม่ใช่แค่ตัวอักษรต่อแถว มีทั้งโหมดสดและโหมดไฟล์ ตัวเลขความแม่นยำมาจากกูเกิลและ Artificial Analysis ตอนนี้ยังเป็นพรีวิวสาธารณะ ลองกับงานถอดประชุมก่อน แล้วค่อยตัดสินว่าจะปล่อยไฟล์ลูกค้าขึ้นคลาวด์หรือไม่ครับ