Google Gemini 3.5 Transcribe Konuşma Hatalarını Düzeltebilen Yeni Modelini Duyurdu

Google, konuşmaları yazıya dönüştüren Gemini 3.5 Transcribe modelini kullanıma sundu. Model 85 dili desteklerken gürültülü ortamlardaki konuşmaları daha doğru ayırıyor, günlük konuşmalarda yapılan bazı kelime hatalarını düzeltiyor, dolgu ifadelerini temizliyor. Gemini 3.5 Transcribe, Android ile macOS uygulamalarında kullanılmaya başlanırken geliştiriciler için Gemini API üzerinden de erişime açıldı.

Gemini 3.5 Transcribe Konuşmayı Daha Doğal Biçimde Metne Aktarıyor

Google’ın yeni konuşma tanıma modeli, yalnızca ses sinyalindeki kelimeleri metne çevirmek yerine konuşmanın bağlamını da değerlendirmeye odaklanıyor. Model, konuşma sırasında kullanılan “ııı” veya “eee” gibi dolgu ifadelerini kaldırırken bazı sözcük hatalarını düzelterek daha düzenli bir metin oluşturabiliyor. Gemini 3.5 Transcribe ayrıca kullanıcıların önceden belirlediği özel kelimeleri, farklı yazımları ile sektörel terimleri tanıyabiliyor.

Konuşma tanıma teknolojilerinde bağlamın değerlendirilmesi, özellikle doğal dil kullanımında doğruluk açısından önem taşıyor. İnsanlar günlük konuşmalarda cümlelerini yarıda bırakabildiği, kelimeleri düzeltebildiği veya standart dışı ifadeler kullanabildiği için yalnızca ses ile kelime eşleştiren sistemler anlam kaymalarına daha fazla açık oluyor. Google, yeni modelle birlikte sesli komutların daha doğal biçimde kullanılmasını hedefliyor.

Google’ın ölçümlerine göre Gemini 3.5 Transcribe canlı konuşmaların metne dönüştürülmesinde ortalama yüzde 4,0 kelime hata oranına ulaşıyor. Önceden kaydedilmiş seslerde ise kelime hata oranı yüzde 2,6 seviyesine kadar geriliyor. Kelime Hata Oranı yani WER, konuşma tanıma sistemlerinin performansını değerlendirirken yanlış tanınan, atlanan veya fazladan eklenen kelimelerin toplam kelime sayısına oranını ölçüyor.

Arka plan gürültüsünün yoğun olduğu ortamlar, konuşma tanıma sistemleri için en zor kullanım senaryoları arasında bulunuyor. Gemini 3.5 Transcribe özellikle gürültülü ses kayıtlarında konuşmayı çevredeki seslerden ayırmaya odaklanırken sipariş numarası, posta kodu veya harf-rakam kombinasyonlarından oluşan ifadelerin aktarımında da daha yüksek doğruluk sağlamayı hedefliyor.

Gemini 3.5 Transcribe toplam 85 dili desteklerken Google modelin farklı bölgesel aksanları ile lehçeleri tanıyabildiğini belirtiyor. Dil kapsamının geniş tutulması, modeli yalnızca İngilizce konuşmalara odaklanan sesli yazım araçlarından ayırırken farklı ülkelerdeki kullanıcıların doğal konuşma biçimlerini kullanmasına da alan açıyor.

Önceden kaydedilmiş ses dosyalarında model üç farklı konuşmacıya kadar kişileri birbirinden ayırabiliyor. Zaman damgası desteği, uzun toplantı kayıtlarında belirli bir konuşmanın hangi anda gerçekleştiğini belirlemeyi kolaylaştırırken özel kelime listeleri şirket isimleri, ürün adları ile teknik terimlerin doğru biçimde yazılmasına yardımcı oluyor.

Google’ın yeni modeli, yalnızca ses transkripsiyonu gerçekleştiren bağımsız bir araç olarak tasarlanmadı. Gemini 3.5 Transcribe, dosya analizi veya görsel üretimi gibi farklı yetenekler gerektiğinde görevi Gemini ailesindeki diğer modellere aktarabiliyor. Böylece sesli bir komut, yalnızca yazıya dönüştürülmek yerine daha geniş bir yapay zekâ iş akışının başlangıç noktası hâline gelebiliyor.

Bu yaklaşım, konuşmadan metne dönüşüm teknolojisinin geleneksel dikte araçlarından daha geniş kullanım alanlarına taşınmasını sağlayabilir. Bir kullanıcı toplantı kaydını metne dönüştürdükten sonra aynı içerik üzerinden özet, analiz veya görsel içerik oluşturmak istediğinde farklı yapay zekâ yeteneklerinin aynı süreç içerisinde kullanılabilmesi üretkenlik açısından önem taşıyor.

Google, Gemini 3.5 Transcribe desteğini macOS’taki Gemini uygulamasına eklerken Android tarafında Gboard’un Rambler özelliği üzerinden kullanıma sundu. Kullanıcıların konuşarak metin girişi yapmasını sağlayan sistem, klavye kullanımının zor olduğu durumlarda sesli yazımı alternatif bir giriş yöntemi olarak öne çıkarıyor.

Chrome desteği ise Google’ın planladığı bir sonraki genişleme olarak açıklanıyor. Chrome entegrasyonu devreye girdiğinde kullanıcılar web sitelerindeki metin alanlarına konuşarak içerik girebilecek. Böyle bir kullanım, e-posta hazırlama, form doldurma, arama sorgusu oluşturma ile web tabanlı üretkenlik araçlarında sesli girişin daha geniş bir kullanım alanına ulaşmasını sağlayabilir.

Google, Gemini 3.5 Transcribe modelini geliştiricilere Gemini API üzerinden genel önizleme kapsamında açtı. Google AI Studio ile Google Antigravity üzerinden erişilebilen model, sesli asistanlar, gerçek zamanlı altyazı sistemleri, toplantı transkripsiyonu ile konuşma sonrası analiz araçlarına entegre edilebiliyor.

Kurumsal yazılım geliştiren ekipler açısından API erişimi, konuşma tanıma özelliğinin hazır bir uygulamayla sınırlı kalmamasını sağlıyor. Çağrı merkezi kayıtlarının analiz edilmesi, müşteri görüşmelerinin metne aktarılması, toplantı notlarının otomatik oluşturulması ve erişilebilirlik araçlarının geliştirilmesi gibi senaryolar Gemini 3.5 Transcribe’ın kullanım alanlarını genişletebilir.