Google เปิดตัว Gemini 3.5 Transcribe ถอดเสียงแม่น รองรับกว่า 85 ภาษา

Google เปิดตัว Gemini 3.5 Transcribe โมเดลแปลงเสียงเป็นข้อความ หรือ Speech-to-text ซึ่งบริษัทระบุว่าเป็นระบบถอดความที่แม่นยำที่สุดเท่าที่เคยพัฒนามา โดยออกแบบขึ้นสำหรับการโต้ตอบด้วยเสียงอัจฉริยะ ทั้งการสร้าง Voice Agent ระบบคำบรรยายแบบเรียลไทม์ และการวิเคราะห์ข้อมูลจากไฟล์เสียงหลังจบการสนทนา

จุดต่างสำคัญของ Gemini 3.5 Transcribe เมื่อเทียบกับระบบจดจำเสียงแบบเดิม คือ ความสามารถในการรับมือกับเสียงรบกวน คำศัพท์เฉพาะทาง รวมถึงรูปแบบการพูดตามธรรมชาติที่มีทั้งคำเอื้อน คำฟุ่มเฟือย หรือการพูดแก้ไขตัวเองระหว่างประโยค ก่อนแปลงเสียงดิบให้เป็นข้อความที่ผ่านการจัดรูปแบบและพร้อมนำไปใช้งานต่อได้ทันที

Google เริ่มนำโมเดลดังกล่าวไปใช้ในผลิตภัณฑ์ของบริษัทแล้ว อาทิ แอป Gemini และระบบปฏิบัติการ Android ผ่านฟีเจอร์เสียงใหม่อย่าง Rambler รวมถึงแอป Gemini บน macOS ขณะที่นักพัฒนาสามารถเข้าถึงความสามารถเดียวกันผ่าน Gemini API ใน Google AI Studio และ Gemini Enterprise Agent Platform

เปิด 2 API รองรับทั้งงานสดและไฟล์บันทึก

Gemini 3.5 Transcribe ได้รับการออกแบบให้เชื่อมต่อกับขั้นตอนการทำงานของนักพัฒนาได้โดยตรง โดยแบ่งรูปแบบการให้บริการออกเป็น 2 API ตามลักษณะการใช้งาน

รูปแบบแรกคือ Real-time streaming สำหรับการสตรีมเสียงแบบต่อเนื่องสองทิศทาง มีความหน่วงต่ำกว่า 1 วินาที เหมาะกับแอปพลิเคชันเสียงที่ต้องโต้ตอบกับผู้ใช้งานทันที เช่น Voice Agent หรือระบบสร้างคำบรรยายสด โดยให้บริการผ่าน Live API ภายใต้โมเดล gemini-3.5-transcribe-live

อีกรูปแบบคือ Pre-recorded audio processing สำหรับประมวลผลไฟล์เสียงที่บันทึกไว้ เช่น การประชุม บันทึกการโทร หรือบทสัมภาษณ์ รองรับการระบุตัวผู้พูดและประทับเวลาแบบรายคำ ผ่าน Interactions API โดยใช้โมเดล gemini-3.5-transcribe

การแยก API ออกเป็น 2 รูปแบบ ช่วยให้ภาคธุรกิจเลือกใช้ตามโจทย์ได้ชัดเจน ตั้งแต่บริการลูกค้าที่ต้องสื่อสารแบบเรียลไทม์ ไปจนถึงการถอดบทสนทนาเพื่อจัดเก็บ ค้นหา วิเคราะห์ หรือเชื่อมต่อกับระบบงานหลังบ้าน

เข้าใจภาษาพูด ไม่ได้ถอดทุกคำแบบตรงตัว

หนึ่งในความสามารถหลักของโมเดลรุ่นใหม่คือ Smart transcription ซึ่งไม่ได้จำกัดอยู่เพียงการถอดเสียงตามคำพูด แต่สามารถทำความเข้าใจเจตนาและรูปแบบการสื่อสารตามธรรมชาติของผู้พูดได้มากขึ้น

ตัวอย่างเช่น หากผู้ใช้งานพูดว่า “เจอกันวันอังคาร—ไม่ใช่สิ วันพุธ” ระบบจะเข้าใจการแก้ไขประโยคและเลือกวันที่ผู้พูดต้องการจริง นอกจากนี้ยังสามารถลบคำเอื้อนอย่าง “เอ่อ” หรือ “อา” พร้อมจัดโครงสร้างประโยคและรูปแบบข้อความให้อ่านง่ายโดยอัตโนมัติ

โมเดลยังรองรับ Custom vocabulary หรือคลังคำศัพท์ที่ผู้ใช้งานกำหนดเอง เพื่อช่วยจดจำชื่อเฉพาะ ศัพท์เทคนิค และคำในแต่ละอุตสาหกรรมได้แม่นยำขึ้น ซึ่งมีความสำคัญต่อการนำระบบไปใช้ในภาคธุรกิจ การแพทย์ เทคโนโลยี ตลอดจนงานที่มีรหัส ตัวเลข หรือชื่อผลิตภัณฑ์เฉพาะจำนวนมาก

อีกความสามารถคือ Function calling ซึ่งเปิดให้ Gemini 3.5 Transcribe ส่งต่อภารกิจที่ซับซ้อนไปยังโมเดล Gemini ตัวอื่นผ่าน Function Calls เช่น การวิเคราะห์ไฟล์หรือการสร้างภาพ ปัจจุบันความสามารถนี้เริ่มเปิดให้ใช้งานแล้วในแอป Gemini บน macOS

WER ต่ำสุด 2.6% รองรับกว่า 85 ภาษา

Google อ้างอิงผลการวัดประสิทธิภาพโดย Artificial Analysis ซึ่งพบว่า Gemini 3.5 Transcribe มีค่าเฉลี่ยอัตราความผิดพลาดของคำ หรือ Word Error Rate: WER อยู่ที่ 4.0% สำหรับการถอดความแบบสตรีมมิ่ง และ 2.6% สำหรับการถอดความแบบไม่สตรีมมิ่ง

โมเดลได้รับการออกแบบให้ทำงานในสภาพแวดล้อมจริงที่มีเสียงรบกวน พร้อมเพิ่มความแม่นยำในการจับข้อมูลที่ประกอบด้วยตัวเลขและตัวอักษร เช่น รหัสไปรษณีย์และหมายเลขคำสั่งซื้อ ซึ่งเป็นข้อมูลที่ระบบถอดเสียงทั่วไปอาจเกิดข้อผิดพลาดได้ง่าย

ด้านภาษา Gemini 3.5 Transcribe สามารถตรวจจับและถอดความได้มากกว่า 85 ภาษาโดยอัตโนมัติ พร้อมรองรับสำเนียงท้องถิ่นและภาษาถิ่นที่หลากหลาย โดยไม่จำเป็นต้องกำหนดภาษาก่อนเริ่มใช้งาน

สำหรับไฟล์เสียงที่มีผู้พูดหลายคน ระบบสามารถระบุผู้พูด พร้อมประทับเวลาได้สูงสุด 3 คน ส่วนการรองรับผู้พูดมากกว่า 3 คนยังอยู่ในช่วงทดลอง

Google ระบุว่า ประสิทธิภาพดังกล่าวถือเป็นการยกระดับจากโมเดลถอดความรุ่นก่อนอย่าง Chirp 3 ทั้งในด้านฟีเจอร์ ความเร็ว และความแม่นยำ โดยผลทดสอบจาก Artificial Analysis พบว่า ระยะเวลาจนถึงการถอดความเสร็จสมบูรณ์ หรือ Time to final transcription เร็วขึ้นถึง 70%

ขณะที่ผลทดสอบ FLEURS Benchmark ในกลุ่มภาษาหลัก Gemini 3.5 Transcribe มีค่า WER อยู่ที่ 5.50% ในโหมดสตรีมมิ่ง และ 5.04% ในโหมดไม่สตรีมมิ่ง ซึ่งทำได้ดีกว่า Chirp 3

กระจายสู่ Gboard, AI Studio และ Chrome

Gemini 3.5 Transcribe จะไม่ได้จำกัดอยู่เพียงการให้บริการผ่าน API แต่กำลังถูกนำไปเชื่อมต่อกับผลิตภัณฑ์สำคัญในระบบนิเวศของ Google ทั้ง Gboard, Google Antigravity, Google AI Studio, แอป Gemini และ Chrome

บน Gboard สำหรับ Android โมเดลทำงานผ่านฟีเจอร์ Rambler ซึ่งสามารถเปลี่ยนความคิดที่ผู้ใช้งานพูดออกมาให้เป็นข้อความที่จัดรูปแบบแล้ว พร้อมตัดคำเอื้อนออก ผู้ใช้ยังสามารถออกคำสั่งเสียงเพื่อแก้ไขข้อความ แก้คำสะกด หรือเปลี่ยนสไตล์การเขียนได้

ส่วน Google Antigravity จะนำบริบทจากหน้าจอและประวัติการสนทนามาช่วยเพิ่มความแม่นยำ โดยต้องได้รับอนุญาตจากผู้ใช้งานก่อน ระบบจึงสามารถเข้าใจรายละเอียดเฉพาะหน้า เช่น ชื่อไฟล์ เอกสารที่เปิดอยู่ หรือความคิดของ Agent ได้ตรงกับบริบทมากขึ้น

ใน Google AI Studio นักพัฒนาสามารถใช้โมเดลผ่าน Build mode เพื่อสั่งเขียนโค้ดแอปด้วยเสียง หรือ Vibe code ได้ทันที ขณะที่แอป Gemini บน macOS สามารถใช้คำสั่งเสียงร่วมกับบริบทบนหน้าจอ เพื่อทำ Workflow ที่ซับซ้อน เช่น สรุปไฟล์ในเครื่อง แปลงรูปแบบข้อความระหว่างแอป หรือสร้างภาพตรงตำแหน่งเคอร์เซอร์

Google ยังเตรียมนำความสามารถ “พูดเพื่อพิมพ์” ไปเปิดใช้งานบน Chrome ในเร็วๆ นี้ เพื่อให้ผู้ใช้งานพูดใส่ช่องข้อความบนเว็บไซต์ได้ ไม่ว่าจะเป็นการตอบข้อความ ร่างโพสต์ หรือป้อน Prompt ให้ Gemini

นักพัฒนาเร่งต่อยอด Voice Interface

Gemini 3.5 Transcribe ยังทำงานร่วมกับ Gemini Live API และแพลตฟอร์มสำหรับนักพัฒนาหลายราย ได้แก่ Agora, Fishjam, LangChain, LiveKit, Pipecat, Vercel และ Vision Agents

แพลตฟอร์มเหล่านี้เข้ามาช่วยดูแลโครงสร้างพื้นฐานด้านการสตรีมสื่อแบบเรียลไทม์ ทำให้นักพัฒนาสามารถมุ่งพัฒนาประสบการณ์ใช้งานและส่วนติดต่อที่ขับเคลื่อนด้วยเสียง โดยไม่ต้องสร้างระบบเบื้องหลังทั้งหมดขึ้นใหม่

ขณะเดียวกัน บริษัทกลุ่มแรกที่เริ่มใช้งานอย่าง Vivo, Intellitek Health และ Lingopal ได้สะท้อนผลตอบรับในด้านความหน่วงต่ำ ความแม่นยำ และการรองรับภาษาที่หลากหลาย

การเปิดตัวครั้งนี้สะท้อนทิศทางของ Google ที่ต้องการขยายเทคโนโลยี Speech-to-text จากเครื่องมือถอดคำ ไปสู่ส่วนเชื่อมต่อระหว่างผู้ใช้งาน AI และระบบธุรกิจ โดยเสียงจะไม่ได้ทำหน้าที่เพียงแทนการพิมพ์ แต่สามารถใช้เรียกคำสั่ง ประมวลผลข้อมูล และดำเนิน Workflow ที่ซับซ้อนได้โดยตรง