כל מה שחם בעולם הבינה המלאכותית · בעברית
המהדורה שלי הפודקאסט הפיד החי בית הספר ל-AI הצטרפו לערוץ הטלגרםגוגל פרסמה בתוך כשבוע שני עדכונים נפרדים למשפחת Gemini: מודל תמלול חדש בשם Gemini 3.5 Transcribe עם שיעור שגיאות של 2.6% ביותר מ-85 שפות, ועדכון למודל יצירת ועריכת הווידאו Gemini Omni 1.1 Flash הכולל שליטה מדויקת יותר בהרחבת סצנות ובעקביות דמויות.
גוגל פרסמה בתוך פחות משבוע שני עדכונים נפרדים למשפחת מודלי ה-AI שלה: Gemini 3.5 Transcribe, מודל חדש לתמלול דיבור-לטקסט, ו-Gemini Omni 1.1 Flash, גרסה מעודכנת של מודל יצירת ועריכת הווידאו המולטימודלי-נטיבי של החברה.
בניגוד למודלים קודמים, Gemini 3.5 Transcribe מגיע כשני endpoints נפרדים במקום מודל אחד. גרסת ה-streaming מספקת תמלול בפחות משנייה, אך מוותרת על זיהוי דוברים (speaker diarization) ועל חותמות זמן למילים. גרסת ה-batch שומרת על שתי היכולות הללו, ועולה מחצית מהמחיר. גוגל מדווחת על שיעור שגיאות מילים (WER) של 4.0% בגרסת ה-streaming לעומת 2.6% בגרסת ה-batch, על פני יותר מ-85 שפות. החברה מציינת גם שהתמלול מסתיים (finalization) מהר יותר ב-70% בהשוואה למודל הקודם, Chirp 3.
Gemini Omni 1.1 Flash הוא עדכון ייצור (production) למודל היצירה והעריכה של גוגל, ולפי כותרת הדיווח מגיעה בו יכולת הרחבת סצנות (scene extension) של עד 40 שניות. בפועל, השיפור המרכזי הוא שהמודל קורא כעת עד 10 שניות של הקשר קודם מתוך הסרטון, במקום להסתמך רק על הפריים האחרון שלו — מה שאמור לשפר את הרציפות בין קטעים מחוברים. בנוסף נוספה אפשרות לקבוע פריים ראשון ואחרון (first/last frame control) כדי לשלוט בתנועת המצלמה, ואפשרות להעביר קליפים קיימים כרפרנס לשמירה על עקביות דמויות (character consistency) בין סצנות. המודל תומך גם בשדרוג רזולוציה ל-4K.
הפיצול של Transcribe לשני endpoints נותן למפתחים בחירה ברורה בין מהירות לבין דיוק ועלות, בהתאם לשימוש: עוזר קולי בזמן אמת זקוק בעיקר למהירות, ואילו תמלול פגישות עסקיות או הפקת כתוביות מרוויחים יותר מדיוק גבוה וזיהוי דוברים. ככל הנראה, גוגל מנסה בכך לתפוס נתח משוק כלי ה-voice AI שגדל בשנה האחרונה, מול מתחרות כמו OpenAI ו-ElevenLabs.
השיפורים ב-Omni 1.1 Flash, מצדם, מכוונים כנראה לאתגר מוכר בכלי וידאו מבוססי AI: יצירת סרטונים בודדים קצרים היא כבר יכולת נפוצה, אבל שמירה על רצף חזותי — תאורה, תנועת מצלמה ודמויות זהות — לאורך קליפים מחוברים ומורחבים היא הרבה יותר קשה. אם השיפורים אכן משתקפים בשימוש בפועל, הם עשויים לקרב כלים כאלה לשימוש מעשי בעריכת תוכן מקצועית ולא רק בהפקת קליפים בודדים לרשתות חברתיות.