گوگل کا نیا جیمنی 3.5 ٹرانسکرائب: گفتگو سے فضول الفاظ اور شور کا خاتمہ

گوگل نے 26 اگست 2026 کو اپنے نئے جیمنی 3.5 ٹرانسکرائب اور جیمنی 3.5 لائیو آڈیو ماڈلز متعارف کروا دیے ہیں، جو گفتگو کے دوران بولے جانے والے غیر ضروری الفاظ جیسے "امم" اور "آہ" کو خودکار طریقے سے حذف کرنے کی صلاحیت رکھتے ہیں۔ 85 سے زائد زبانوں کی معاونت کرنے والا یہ نیا سسٹم پیچیدہ فنی اصطلاحات، پس منظر کے شور اور بات چیت کے دوران پیدا ہونے والے خلل کے باوجود انتہائی درست تحریری مواد فراہم کرتا ہے۔

گفتگو کے غیر ضروری الفاظ اور وقت کا ضیاع ختم

صدیوں سے آٹومیٹک اسپیچ ریکگنیشن (ASR) سافٹ ویئر لفظ بہ لفظ نقل پر کام کرتے رہے ہیں۔ بولنے والے کی ہچکچاہٹ، غلط شروعات اور گلے کی صفائی جیسی آوازیں بھی ٹیکسٹ میں شامل ہو جاتی تھیں، جس کے بعد صحافیوں، وکلاء اور پیشہ ور افراد کو ان کی تصحیح میں گھنٹوں صرف کرنے پڑتے تھے۔ جیمنی 3.5 ٹرانسکرائب نے آڈیو پروسیسنگ میں ریئل ٹائم ترمیم کو شامل کر کے اس مسئلے کو حل کر دیا ہے۔

یہ نیا ماڈل محض آواز کو لفظوں میں ڈھالنے کے بجائے جملے کے مفہوم کا جائزہ لیتا ہے۔ جب کوئی بولنے والا ہچکچاتا ہے یا اضافی الفاظ دہراتا ہے، تو سسٹم جملے کے اصل مفہوم کو برقرار رکھتے ہوئے ان فضول الفاظ کو خودکار طور پر الگ کر دیتا ہے۔ اس پروسیسنگ کی بدولت طبی نسخوں، قانونی کارروائیوں اور سافٹ ویئر انجینئرنگ کی پیچیدہ گفتگو کو پہلی ہی بار میں صاف ستھری تحریر میں تبدیل کرنا ممکن ہو گیا ہے۔

شوروغل میں کارکردگی اور 85 زبانوں کی معاونت

انفرادی اندازِ گفتگو کی اصلاح کے ساتھ ساتھ، گوگل نے جیمنی 3.5 لائیو اور 3.5 لائیو ایکسپریمنٹل ماڈلز کو ماحول کے شور سے نمٹنے کے لیے تیار کیا ہے۔ مصروف دفاتر، کال سینٹرز یا بورڈ روم کی میٹنگز میں جہاں ایک وقت میں کئی افراد بول رہے ہوں، پرانے ماڈلز اکثر غلط الفاظ تحریر کرتے تھے یا ایک دوسرے کی بات کاٹنے پر کام کرنا چھوڑ دیتے تھے۔

نئے ماڈلز پس منظر کے شور کو الگ کر کے مرکزی بولنے والے کی آواز پر توجہ مرکوز رکھتے ہیں۔ اگر گفتگو کے دوران کوئی دوسرا شخص مداخلت کرے، تو جیمنی 3.5 ٹرانسکرائب جملے کے سیاق و سباق کو برقرار رکھتا ہے اور بولنے والے کے دوبارہ شروع کرنے پر بغیر کسی غلطی کے مکمل تحریر تیار کرتا ہے۔

جنوبی ایشیا اور خلیجی ممالک کے ملٹی لینگوئج ماحول میں کام کرنے والے پیشہ ور افراد کے لیے 85 سے زائد زبانوں کی سپورٹ ایک اہم پیشرفت ہے۔ یہ ماڈل ایک ہی جملے میں مختلف زبانوں کے ملاپ (کوڈ سوئچنگ) یعنی اردو اور انگریزی یا عربی کو ملا کر بولنے والے لہجوں کو بھی آسانی سے سمجھ لیتا ہے۔

پرچم بردار ماڈل میں تاخیر اور مارکیٹ کا مقابلہ

جیمنی 3.5 ٹرانسکرائب کی آمد ایسے وقت میں ہوئی ہے جب مصنوعی ذہانت کی دنیا جون 2026 سے گوگل کے سب سے بڑے جیمنی 3.5 پرو ماڈل کی ریلیز کا انتظار کر رہی ہے۔ اگرچہ پرو ماڈل کی مکمل فراہمی ابھی باقی ہے، لیکن آڈیو کے لیے مخصوص یہ ماڈلز کارپوریٹ صارفین اور ڈویلپرز کے لیے فوری طور پر کارآمد ثابت ہو رہے ہیں۔

ریئل ٹائم آڈیو پروسیسنگ کو بڑے عمومی ماڈلز سے الگ کر کے گوگل نے لیٹنسی (تاخیر) اور کمپیوٹنگ لاگت کو نمایاں طور پر کم کر دیا ہے۔ صوتی ہدایات اور لائیو ترجمہ کے لیے فوری جواب کی ضرورت ہوتی ہے، اور گوگل کا یہ اقدام اوپن اے آئی کے وسپر (Whisper) اور دیگر متبادل ماڈلز کے مقابلے میں ایک مضبوط جواب تصور کیا جا رہا ہے۔

اکثر پوچھے گئے سوالات

What is Google Gemini 3.5 Transcribe?

Gemini 3.5 Transcribe is a dedicated audio AI model launched on August 26, 2026, designed to convert speech to text across 85+ languages while filtering out speech pauses, filler words, and background noise.

How does Gemini 3.5 Transcribe handle speech disfluencies like 'ums' and 'ahs'?

The model uses integrated semantic evaluation within the acoustic processing layer, allowing it to identify conversational intent and strip away stutters, repeated syllables, and non-verbal pauses.

Is Gemini 3.5 Pro included in this product release?

No, Gemini 3.5 Transcribe and the updated Gemini 3.5 Live audio models were released independently while Google continues work on the broader Gemini 3.5 Pro flagship model announced earlier in June 2026.