أعلنت Google عن Gemini 3.5 Transcribe في 26 أغسطس عند 17:00 UTC، وهو نموذج تحويل كلام إلى نص موجّه لواجهات الصوت. ويتضمن المنشور أربعة أرقام لمعدل خطأ في الكلمات. سيجري الاستشهاد باثنين منها؛ أما الآخران فهما اللذان يصفان الأداء متعدد اللغات.

الزوجان

يُنسب الزوج الأول إلى Artificial Analysis، وهي جهة تقييم خارجية: إذ «يحقق النموذج متوسط معدل خطأ في الكلمات (WER) يبلغ 4.0% في البث و2.6% في حالات الاستخدام غير البثية». أما الزوج الثاني فهو من Google نفسها، على معيار FLEURS متعدد اللغات عبر اللغات واللهجات العليا: «5.50% WER في وضع البث و5.04% WER في حالات الاستخدام غير البثية». وبين أفضل رقم في المنشور وأسوأه، تبلغ الفجوة 2.1 مرة.

ما الذي تخطئ فيه الصياغة الشائعة

الرقم الذي ينتشر هو 2.6%، ويُقرن بادعاء أن النموذج يتعامل مع 85+ languages. هذان قياسان مختلفان. فـ2.6% هو متوسط لما يصفه المنشور بحالات الاستخدام الأساسية؛ أما الرقم متعدد اللغات، على معيار قياسي متعدد اللغات، فهو 5.04% — أي ما يقرب من الضعف. لا تكون دلالة معدل خطأ أي نموذج نسخ مفهومة إلا إلى جانب مجموعة اللغات وظروف الصوت التي قيس عليها، وهذا المنشور واضح على نحو غير مألوف لأنه ينشر الرقمين معًا. ويقع التشويه لاحقًا، حين يُلصق رقم الجهة الخارجية بادعاء التعدد اللغوي لإنتاج مواصفة لا تظهر في المصدر أصلًا.

معاينة، لا إطلاق

الحالة هي public preview. وهذه العبارة مهمة. يمكن الوصول إلى النموذج عبر Gemini API في Google AI Studio ومنصة Gemini Enterprise agent، كما يظهر في Rambler على Android في بلدان ولغات محددة، وفي تطبيق Gemini على macOS، وفي Gboard وGoogle Antigravity. ويُذكر Chrome على أنه قادم قريبًا. ولا تنطوي المعاينة العامة على التزام بمستوى الخدمة، ولا ضمان لاستقرار التسعير، ولا تأكيد على بقاء نقطة النهاية على حالها الحالية.

لماذا تهم فجوة البث أكثر من العنوان

في كلا الزوجين، أداء البث أسوأ من الأداء غير البثي — 4.0% مقابل 2.6%، و5.50% مقابل 5.04%. وهذا أمر متوقع: فالنموذج في وضع البث يلتزم بالكلمات قبل أن يسمع بقية الجملة. لكن الرقم الذي يحكم وكلاء الصوت المباشرين، وهو التطبيق الذي يتموضع له هذا النموذج، هو رقم البث. وأي جهة تقيس منتجًا صوتيًا على أساس 2.6% إنما تقيسه على حالة الدفعات وفي مجموعة فرعية من الظروف، بينما الرقم الذي سيحدد ما إذا كان المنتج يبدو قابلًا للاستخدام هو الرقم المتعدد اللغات في وضع البث، عند 5.50%.