26 ऑगस्ट 2026 रोजी Gemini 3.5 Transcribe लाँच
Google चा Gemini 3.5 Transcribe आणि OpenAI चा GPT-Transcribe एकाच वेळी लाँच झाले, जे ट्रान्सक्रिप्शन तंत्रज्ञानातील महत्त्वपूर्ण प्रगती दर्शवतात.
Gemini 3.5 Transcribe आपल्या पूर्ववर्तीच्या तुलनेत ट्रान्सक्रिप्शन गतीत 70% सुधारणा करते.
OpenAI चा GPT-Transcribe शब्द त्रुटी दर 19.27% पर्यंत कमी करतो.
दोन्ही मॉडेल विविध गरजा पूर्ण करतात: Gemini बहु-वार्ताकार परिस्थितीत उत्कृष्ट आहे, तर GPT-Transcribe एकल-वार्ताकार ट्रान्सक्रिप्शनसाठी अनुकूलित आहे.
26 ऑगस्ट 2026 रोजी, Google ने आपल्या नवीनतम ट्रान्सक्रिप्शन मॉडेल, Gemini 3.5 Transcribe, सादर केले, जे OpenAI च्या GPT-Transcribe च्या 28 जुलै 2026 रोजी लाँच झाल्यानंतर काही आठवड्यांनी आले. या वेळेत दोन्ही प्रगत ट्रान्सक्रिप्शन तंत्रज्ञानाची महत्त्वपूर्ण तुलना करण्याची संधी मिळते, जी ऑडिओ ट्रान्सक्रिप्शनमध्ये विशिष्ट वापर प्रकरणे पूर्ण करण्यासाठी डिझाइन केलेली आहे.
Gemini 3.5 Transcribe, Google च्या पूर्वीच्या मॉडेल, Chirp 3, चा उत्तराधिकारी आहे आणि यात ट्रान्सक्रिप्शन गतीत 70% चा उल्लेखनीय सुधार आहे. हे दोन वेगळ्या मॉडेल आयडी अंतर्गत कार्य करते: gemini-3.5-transcribe-live रिअल-टाइम स्ट्रीमिंगसाठी आणि gemini-3.5-transcribe प्री-रिकॉर्डेड ऑडिओसाठी. हे मॉडेल स्ट्रीमिंगसाठी 4.0% आणि नॉन-स्ट्रीमिंगसाठी 2.6% चा शब्द त्रुटी दर (WER) प्राप्त करते, आणि यात बहु-वार्ताकार ओळख आणि शब्द-स्तरीय टाइमस्टॅम्प यांसारख्या अतिरिक्त क्षमतांचा समावेश आहे, जे 85 हून अधिक भाषांचे समर्थन करतात.
याच्या उलट, OpenAI चा GPT-Transcribe, जो gpt-4o-transcribe मॉडेलचा अनुसरण करतो, महत्त्वपूर्ण सुधारणा दर्शवतो. याने आपल्या पूर्ववर्ती, Whisper, च्या तुलनेत शब्द त्रुटी दर अर्धा केला आहे, जो Common Voice बेंचमार्कवर सुमारे 19.27% प्राप्त करतो. याची किंमत रचना देखील स्पर्धात्मक आहे, ज्यामध्ये फाइल ट्रान्सक्रिप्शनसाठी $0.0045 प्रति मिनिट आणि स्ट्रीमिंग ऑडिओसाठी $0.017 प्रति मिनिट किंमत निश्चित केली आहे. तथापि, यामध्ये अंतर्निहित स्पीकर डायरीझेशन आणि शब्द-स्तरीय टाइमस्टॅम्प यांची कमतरता आहे, ज्यासाठी या सुविधांसाठी अतिरिक्त मॉडेलची आवश्यकता असते.
या प्रगतीचे परिणाम विविध क्षेत्रांसाठी महत्त्वाचे आहेत. Gemini 3.5 Transcribe त्या वातावरणांसाठी विशेषतः फायदेशीर आहे जिथे अनेक वार्ताकार समाविष्ट असतात, जसे की बैठक किंवा परिषद, जे स्पीकरच्या दरम्यान स्पष्ट भेद करण्यास सक्षम बनवते. दुसरीकडे, GPT-Transcribe त्या परिस्थितींमध्ये चांगले कार्य करते जिथे जलद, खर्च-कुशल ट्रान्सक्रिप्शन आवश्यक आहे, जसे की लाइव्ह इव्हेंट किंवा एकल-वार्ताकार रेकॉर्डिंग.
आगामी काळात, Google आणि OpenAI दोन्ही त्यांच्या ट्रान्सक्रिप्शन तंत्रज्ञानात सुधारणा करण्याची अपेक्षा आहे. वापरकर्ते अचूकता आणि कार्यक्षमता सुधारण्यात पुढील सुधारणा अपेक्षित करू शकतात, तसेच किंमत मॉडेलमध्ये संभाव्य अद्यतने, जे ऑडिओ प्रक्रिया क्षेत्रात विविध अनुप्रयोगांसाठी या साधनांना अधिक सुलभ बनवतात.
