Google: Gemini 3.5 Transcribe

Google Gemini 3.5 Transcribe je synchronní model pro převod úplných předem nahraných zvukových souborů na psaný text. Vychází ze schopností Gemini pro porozumění zvuku, má však vstupní a výstupní kontrakt specifický pro přepis. Samostatná edice Gemini 3.5 Transcribe Live přijímá zvukový stream a vrací průběžné výsledky. Tento model pro zaznamenaný zvuk vytváří dokončený přepis s volitelným časováním slov nebo přiřazením mluvčích podle zvolené konfigurace.

Připravte zřetelnou nahrávku s řečí bez výrazného ořezu signálu a pokud možno s dobře rozlišitelnými jednotlivými hlasy. Synchronní příklady výrobce předávají zvuk WAV jako bajty souboru nebo uložený zvukový prostředek s uvedením jeho typu MIME. Uchovávejte původní zvuk pro kontrolu. Zamýšleným výsledkem může být ověřený přepis rozhovoru, záznam pro časové přiřazení titulků nebo čitelný diktát; před kombinováním funkcí měnících znění nebo přidávajících metadata rozhodněte, který výstup potřebujete.

Google dokumentuje automatickou detekci jazyka ve více než 85 jazycích včetně střídání jazyků v rámci jedné relace. Úrovně jazykové podpory se liší a uvedení známého jazyka jako nápovědy může zlepšit rozpoznávání. Vlastní slovník obsahuje konkrétní jména, značky nebo odborné výrazy, které se pravděpodobně vyskytnou. Výrobce umožňuje až 1,000 výrazů a uvádí, že obvykle nejlépe fungují soustředěné seznamy přibližně do 100 výrazů. Do seznamu zařazujte neobvyklé výrazy související s nahrávkou a ověřte je podle zvuku, místo abyste předpokládali, že nápověda ve slovníku dokazuje jejich vyslovení.

VERBATIM je výchozí režim. Zachovává výplňová slova, opakování, nedokončené začátky výpovědí a opravy pronesené mluvčím, aby text zůstal záznamem znění. Tento režim použijte, pokud úloha potřebuje časové značky na úrovni slov nebo diarizaci mluvčích. U rozhovoru například zachovejte původní repliky a časování a poté poslechem příslušné pasáže opravte důležitá jména a množství. Pozdější shrnutí nebo uhlazený článek mohou využít tento ověřený záznam, aniž by bez upozornění nahrazovaly to, co mluvčí řekl.

Režim SMART je navržen pro čitelný diktát. Odstraňuje neplynulosti, zapracovává opravy, které mluvčí provede během řeči a strukturuje mluvený materiál do odstavců nebo seznamů s normalizovanými daty a čísly tam, kde je to vhodné. Diktovaný seznam úkolů se může stát čitelným seznamem namísto řetězce mluvených přechodů. Toto zpracování mění podobu přepisu. Google výslovně uvádí, že SMART není kompatibilní s časovými značkami slov a diarizací, proto jej volte, pokud je požadovaným výstupem čitelný text, místo abyste jej zkoušeli použít jako časovaný záznam s přiřazenými mluvčími.

Pokud je časování slov zapnuto, odpověď obsahuje rozpoznaná slova s počátečními a koncovými časovými posuny. Ty pomáhají najít opravu v nahrávce nebo připravit titulky. Výrobce při zapnutí časových značek na úrovni slov upozorňuje na kompromis v přesnosti. Kontrolujte text i časové přiřazení, zejména u rychlé řeči, překryvů nebo neobvyklé terminologie. Užitečný časovaný přepis uchovává záznam slov a zdrojový zvuk společně, místo aby považoval plynulou větu za důkaz správného časového přiřazení.

Diarizace mluvčích identifikuje a označuje hlasy v zaznamenaném zvuku s dokumentovanou podporou až osmi mluvčích. Přiřazování tří nebo více mluvčích výrobce popisuje jako experimentální. Označení považujte za odhadované přiřazení úseků jednotlivým mluvčím a přechody kontrolujte podle nahrávky. Označení mluvčího není nezávislým důkazem identity nebo role osoby. Pokud úloha potřebuje jména, propojte označení se známými informacemi o nahrávce namísto vymýšlení identit z rozpoznaných slov.

Tabulka funkcí výrobce uvádí 15minutové okno zaznamenaného zvuku, přičemž při zapnutých funkcích, jako jsou časové značky nebo diarizace, je zpracování souboru omezeno na tuto délku. Delší zdrojový materiál připravte jako vhodné segmenty se zachováním jejich pořadí a původní časové pozice. Přepis modelu, časovaná slova a části označené mluvčím jsou různé reprezentace výsledku; uchovejte reprezentaci potřebnou pro úlohu. Tyto limity specifické pro zvuk by neměly být nahrazovány údaji o kontextu nebo délce obecného multimodálního modelu Gemini. Google uvádí formátování SMART, časové značky na úrovni slov a diarizaci mluvčích jako experimentální funkce.

Výstupní kontrakt je specifický pro přepis. Formátování SMART vytváří čitelný text, nepřidává však obecný kontrakt odpovědi podle JSON schématu, schopnost volání nástrojů ani pracovní postup asistenta dodržujícího instrukce. U konečného výstupu ověřte důležité znění, čísla a zápory podle zvuku, zachovejte nevyřešené segmenty k opravě a s výsledkem uchovejte zvolený režim. Díky tomu je jasné, zda výstup zaznamenává původní mluvené znění, nebo předkládá z něj odvozenou upravenou verzi ke čtení.