Google เปิดตัว Gemini 3.5 Transcribe โมเดล AI สำหรับแปลงเสียงพูดเป็นข้อความรุ่นใหม่ ที่ไม่ได้เน้นเพียงการฟังแล้วพิมพ์ตาม แต่ถูกพัฒนาให้เข้าใจบริบทและรูปแบบการพูดของมนุษย์ได้ดีขึ้น ทั้งการพูดติดขัด การแก้คำกลางประโยค การพูดหลายภาษา และคำศัพท์เฉพาะ
โดย Google ระบุว่า Gemini 3.5 Transcribe เป็นโมเดล Speech-to-Text ที่มีความแม่นยำสูงที่สุดของบริษัทในขณะนี้ และรองรับทั้งการถอดเสียงแบบ Real-time Streaming และการประมวลผลไฟล์เสียงที่บันทึกไว้ล่วงหน้า
จุดเด่นสำคัญของ Gemini 3.5 Transcribe คือความสามารถในการจัดการกับภาษาที่เกิดขึ้นจริงในบทสนทนา ซึ่งไม่ได้พูดออกมาเป็นประโยคที่สมบูรณ์เสมอไป เช่น หากผู้ใช้งานพูดว่า “เจอกันวันอังคาร… ไม่ใช่ วันพุธ” ระบบสามารถเข้าใจว่าผู้พูดกำลังแก้ข้อมูลจาก “วันอังคาร” เป็น “วันพุธ” พร้อมจัดเรียงข้อความให้อ่านง่ายขึ้น และลดคำฟุ่มเฟือยอย่าง “เอ่อ” หรือ “อืม” ออกจาก Transcript ได้ ทำให้เหมาะกับการใช้งานที่ต้องรับมือกับบทสนทนาจริง มากกว่าการถอดเสียงแบบคำต่อคำเพียงอย่างเดียว
รองรับทั้ง Real-time และไฟล์เสียง
Gemini 3.5 Transcribe รองรับการใช้งานหลัก 2 รูปแบบ ได้แก่
- Real-time Streaming: สามารถฟังและถอดเสียงอย่างต่อเนื่อง โดย Google ระบุว่า Latency ต่ำกว่าหนึ่งวินาที เหมาะสำหรับการสร้าง Voice Agent หรือแอปพลิเคชันที่ต้องตอบสนองต่อเสียงแบบทันที
- Pre-recorded Audio: สามารถนำไฟล์เสียงที่บันทึกไว้ เช่น การประชุม การสัมภาษณ์ หรือการสนทนา มาถอดเป็นข้อความ พร้อมรองรับการแยกผู้พูดและ Timestamp ระดับคำ
นอกจากนี้ นักพัฒนายังสามารถกำหนด Custom Vocabulary เพื่อให้ระบบรู้จักคำศัพท์เฉพาะ เช่น ชื่อแบรนด์ ชื่อบุคคล หรือศัพท์เทคนิค ซึ่งช่วยลดปัญหาการถอดคำเฉพาะผิดได้
รองรับมากกว่า 85 ภาษา
อีกหนึ่งความสามารถสำคัญคือ Gemini 3.5 Transcribe รองรับได้มากกว่า 85 ภาษา พร้อมตรวจจับภาษาโดยอัตโนมัติ และรองรับสำเนียงและภาษาถิ่นที่หลากหลาย รวมถึงสามารถจัดการบทสนทนาที่มีการสลับภาษาไปมาได้ จึงเหมาะกับการใช้งานในสภาพแวดล้อมที่มีการพูดหลายภาษา
สำหรับไฟล์เสียงที่มีผู้พูดหลายคน ระบบยังสามารถแยก Speaker ออกจากกันได้ โดยฟีเจอร์หลักรองรับการระบุผู้พูดสูงสุด 3 คน ขณะที่การรองรับผู้พูดมากกว่านี้ยังอยู่ระหว่างการทดลอง
พัฒนาต่อยอดจาก Chirp 3 พร้อมลด Latency 70%
Google ระบุว่า Gemini 3.5 Transcribe ได้รับการพัฒนาต่อยอดจากโมเดล Speech-to-Text อย่าง Chirp 3 โดยหนึ่งในการปรับปรุงสำคัญคือการลด Latency ลงถึง 70% จากการประเมินของ Artificial Analysis โมเดลมี Word Error Rate (WER) เฉลี่ยอยู่ที่ 4.0% สำหรับ Streaming และ 2.6% สำหรับ Non-streaming ซึ่งสะท้อนถึงความแม่นยำในการแปลงเสียงเป็นข้อความ
ผสานเข้ากับ Google Ecosystem
Gemini 3.5 Transcribe ไม่ได้ถูกเปิดให้ใช้งานเฉพาะในรูปแบบ API เท่านั้น แต่ Google กำลังนำความสามารถดังกล่าวไปผสานเข้ากับผลิตภัณฑ์ต่าง ๆ ใน Ecosystem ของตัวเอง โดยหนึ่งในตัวอย่างคือ Rambler บน Android ที่ช่วยให้ผู้ใช้พูดเพื่อสร้างข้อความ รวมถึงสามารถสั่งแก้ไขข้อความหรือปรับรูปแบบการเขียนด้วยเสียงได้
ขณะที่ Gemini บน macOS สามารถใช้เสียงเป็นช่องทางในการสั่งงาน AI เช่น สรุปไฟล์ วิเคราะห์ข้อมูล หรือทำงานอื่น ๆ ต่อ โดย Gemini สามารถเรียกใช้โมเดลที่เกี่ยวข้องเบื้องหลังเพื่อจัดการงานดังกล่าวได้
ด้าน Google AI Studio นักพัฒนาสามารถใช้เสียงเพื่อสั่งสร้างแอปผ่าน Build Mode เปิดทางให้การสร้างแอปแบบ Vibe Coding สามารถทำผ่านเสียงได้มากขึ้น ส่วนบน Chrome Google เตรียมนำความสามารถด้านการพูดมาใช้เพื่อให้ผู้ใช้สามารถกรอกข้อความในช่องต่าง ๆ บนเว็บไซต์ด้วยเสียงได้ในอนาคต
เปิดให้สร้าง Voice AI และ Voice Agent
สำหรับนักพัฒนา Google เปิดให้ Gemini 3.5 Transcribe เข้าถึงผ่าน Gemini API, Google AI Studio และ Google Antigravity ในรูปแบบ Public Preview แล้ว โดยสามารถนำไปต่อยอดร่วมกับแพลตฟอร์มด้าน Voice AI เช่น Agora, LangChain, LiveKit, Pipecat, Vercel และ Vision Agents เพื่อสร้างระบบ Voice Interface, Voice Agent และแอปพลิเคชันที่รองรับคำสั่งด้วยเสียง
การเปิดตัว Gemini 3.5 Transcribe จึงสะท้อนทิศทางของ Google ที่ต้องการทำให้การสื่อสารกับ AI เป็นธรรมชาติมากขึ้น จากเดิมที่ระบบ Speech-to-Text มีหน้าที่เพียงเปลี่ยนเสียงให้กลายเป็นข้อความ แต่โมเดลรุ่นใหม่นี้พยายามก้าวไปอีกขั้น ตั้งแต่ ฟังสิ่งที่พูด, เข้าใจบริบท, เรียบเรียง ไปจนถึงการนำคำสั่งไปทำงานต่อ
ทำให้ Gemini 3.5 Transcribe มีศักยภาพในการนำไปใช้กับงานหลากหลาย ตั้งแต่การประชุมและการสัมภาษณ์ ไปจนถึง Voice Agent, Call Analytics, Caption, Dictation และการสั่งงาน AI ด้วยเสียงโดยตรง
จึงสรุปการเปิดตัวครั้งนี้ได้ว่า Gemini 3.5 Transcribe คือโมเดล AI ถอดเสียงรุ่นใหม่จาก Google ที่พัฒนาให้มากกว่าการแปลงเสียงเป็นข้อความ โดยสามารถเข้าใจบริบทของการสนทนา จัดการคำพูดที่ติดขัดหรือการแก้ประโยคกลางทาง รองรับมากกว่า 85 ภาษา แยกผู้พูด และถอดเสียงแบบ Real-time ได้ พร้อมเปิดให้นักพัฒนานำไปต่อยอดสร้าง Voice AI และ Voice Agent ผ่าน Gemini API เพื่อทำให้การสื่อสารและสั่งงาน AI ด้วยเสียงเป็นธรรมชาติและแม่นยำมากขึ้นนั่นเอง
ที่มา: https://blog.google/innovation-and-ai/models-and-research/gemini-models/gemini-3-5-transcribe/
