Google เปิดตัว Gemini 3.5 Transcribe โมเดล Speech-to-Text รุ่นใหม่ในตระกูล Gemini Audio ที่ออกแบบมาเพื่อถอดเสียงให้แม่นขึ้น เร็วขึ้น และได้ข้อความที่พร้อมใช้งานมากกว่าเดิม ไม่ใช่แค่แปลงเสียงเป็นตัวอักษรแบบตรง ๆ แต่ยังช่วยจัดรูปแบบข้อความ ลดคำฟุ่มเฟือย และเข้าใจบริบทของเสียงพูดได้ดีขึ้น
Google ระบุว่า Gemini 3.5 Transcribe เป็นโมเดลถอดเสียงที่แม่นยำที่สุดของบริษัทในตอนนี้ โดยออกแบบมาสำหรับงานที่ต้องการการถอดเสียงแบบอัจฉริยะ เช่น Voice Agent, ระบบถอดเสียงแบบเรียลไทม์, คำบรรยายสด, การถอดเสียงประชุม หรือระบบวิเคราะห์บทสนทนาหลังจบสาย
ถอดเสียงแบบใหม่ ไม่ใช่แค่พิมพ์ตามที่พูด
จุดขายของ Gemini 3.5 Transcribe คือการเปลี่ยนเสียงพูดดิบให้กลายเป็นข้อความที่อ่านรู้เรื่องขึ้น โดยระบบสามารถจัดการกับคำพูดที่ไม่ลื่นไหล เช่น “เอ่อ”, “อ่า”, การพูดแก้กลางประโยค หรือการหยุดคิดระหว่างพูด แล้วแปลงออกมาเป็นข้อความที่เรียบร้อยกว่าเดิม
สิ่งนี้ทำให้ Gemini 3.5 Transcribe ต่างจากระบบถอดเสียงทั่วไป เพราะแทนที่จะได้ข้อความยาว ๆ ที่ต้องมานั่งลบคำซ้ำและจัดย่อหน้าเอง ระบบจะพยายามทำให้ข้อความสุดท้ายดูเหมือนโน้ตหรือเอกสารที่พร้อมนำไปใช้ต่อมากขึ้น
รองรับทั้งเสียงสดและไฟล์เสียงที่บันทึกไว้
สำหรับนักพัฒนา Google เปิดให้ใช้ Gemini 3.5 Transcribe ผ่าน 2 รูปแบบหลัก ได้แก่ Real-time Streaming ผ่าน Live API ด้วยโมเดล gemini-3.5-transcribe-live และการถอดเสียงจากไฟล์เสียงที่บันทึกไว้ผ่าน Interactions API ด้วยโมเดล gemini-3.5-transcribe
รูปแบบ Real-time Streaming เหมาะกับแอปที่ต้องตอบสนองทันที เช่น ผู้ช่วยเสียง ระบบซับไตเติลสด หรือแอปประชุม ส่วนการประมวลผลไฟล์เสียงเหมาะกับการถอดเสียงประชุม บันทึกการโทร พอดแคสต์ สัมภาษณ์ หรือคอนเทนต์ที่ต้องการ Speaker Attribution และ Word-level Timestamp
แม่นขึ้น เร็วขึ้น และรองรับหลายภาษา
Google ระบุว่า Gemini 3.5 Transcribe พัฒนาต่อจากโมเดล Chirp 3 โดยมีความแม่นยำดีขึ้นและลดเวลารอผลลัพธ์สุดท้ายลงอย่างชัดเจน ตามข้อมูลที่ Google อ้างอิงจาก Artificial Analysis ระบุว่า Time to Final Transcription ดีขึ้น 70% เมื่อเทียบกับรุ่นก่อนหน้า
ในด้านความแม่นยำ Google ระบุว่าโมเดลนี้ทำ Word Error Rate บนชุดทดสอบ FLEURS ได้ 5.50% ในโหมด Streaming และ 5.04% ในการใช้งานแบบ Non-streaming พร้อมรองรับการถอดเสียงหลายภาษาและการสลับภาษาระหว่างพูดได้ดีขึ้น
มี Speaker Attribution และ Word-level Timestamp
อีกฟีเจอร์ที่สำคัญสำหรับงานประชุมหรือสัมภาษณ์คือ Speaker Attribution หรือการระบุว่าใครเป็นคนพูด และ Word-level Timestamp ที่บอกตำแหน่งเวลาในระดับคำ ทำให้สามารถนำผลถอดเสียงไปใช้ต่อกับระบบค้นหา ตัดต่อวิดีโอ ทำบันทึกประชุม หรือวิเคราะห์บทสนทนาได้ง่ายขึ้น
เอกสารสำหรับนักพัฒนาของ Google ยังระบุว่า Gemini 3.5 Transcribe สามารถตรวจจับภาษาได้มากกว่า 85 ภาษา รองรับการพูดสลับภาษา การแยกผู้พูด และการใช้ Custom Vocabulary เพื่อช่วยให้ระบบรู้จักศัพท์เฉพาะทางหรือคำที่ใช้ในองค์กรได้แม่นขึ้น
ใช้งานจริงใน Gboard, Gemini บน macOS และเครื่องมือนักพัฒนา
Google ระบุว่า Gemini 3.5 Transcribe เริ่มถูกนำไปใช้ในหลายพื้นผิวของ Google เช่น ฟีเจอร์ Rambler บน Gboard สำหรับ Android ที่ช่วยเปลี่ยนความคิดที่พูดออกมาให้เป็นข้อความที่จัดรูปแบบดีขึ้น รวมถึงช่วยตัดคำฟุ่มเฟือยออก และยังใช้เสียงสั่งแก้ข้อความ เปลี่ยนสไตล์ หรือแก้คำผิดได้
อีกตัวอย่างคือ Gemini app บน macOS ที่สามารถใช้เสียงเพื่อสร้าง แก้ไข หรือสรุปข้อความในหน้าต่างที่กำลังทำงานอยู่ โดยระบบจะถอดเสียงเป็นข้อความที่สะอาดขึ้นและวางลงในตำแหน่งเคอร์เซอร์โดยตรง
สำหรับฝั่งนักพัฒนา Gemini 3.5 Transcribe เปิดให้ใช้งานผ่าน Gemini API ใน Google AI Studio และ Gemini Enterprise Agent Platform เพื่อให้ทีมพัฒนานำไปสร้างระบบเสียง เช่น Voice Interface, Call Analytics, ระบบช่วยจดประชุม หรือแอปถอดเสียงเฉพาะอุตสาหกรรมได้ง่ายขึ้น
ใครที่ควรจะใช้?
ถ้ามองในมุมผู้ใช้ทั่วไป Gemini 3.5 Transcribe น่าสนใจสำหรับคนที่ต้องจดประชุม สัมภาษณ์ เรียนออนไลน์ ทำพอดแคสต์ หรือเขียนข้อความยาว ๆ ด้วยเสียง เพราะช่วยลดขั้นตอนจาก “พูดแล้วต้องมาแก้เอง” ให้กลายเป็น “พูดแล้วได้ข้อความที่พร้อมใช้มากขึ้น”
ส่วนในมุมองค์กรและนักพัฒนา ฟีเจอร์นี้น่าจะเหมาะกับงานที่ต้องใช้เสียงจำนวนมาก เช่น Contact Center, ระบบวิเคราะห์การสนทนาหลังการขาย, ระบบประชุมองค์กร, แพลตฟอร์มเรียนออนไลน์ หรือบริการที่ต้องการคำบรรยายสดแบบหน่วงต่ำ
สรุป Gemini 3.5 Transcribe น่าสนใจตรงไหน
Gemini 3.5 Transcribe เป็นอีกก้าวของ Google ในการทำให้ AI เข้าใจเสียงพูดได้เป็นธรรมชาติมากขึ้น จุดเด่นไม่ได้อยู่แค่ความแม่นยำ แต่คือการทำให้เสียงพูดกลายเป็นข้อความที่สะอาด อ่านง่าย และนำไปใช้งานต่อได้ทันที
สำหรับคนทำคอนเทนต์ นักข่าว นักเรียน คนทำงานประชุมบ่อย หรือทีมพัฒนาที่อยากสร้างแอปเสียงแบบเรียลไทม์ นี่คือโมเดลที่น่าจับตา เพราะมันช่วยลดเวลางานถอดเสียงและจัดเอกสารลงได้มาก โดยเฉพาะเมื่อรวมกับฟีเจอร์อย่าง Speaker Attribution, Word-level Timestamp, การรองรับหลายภาษา และ Custom Vocabulary
ที่มา : Google
