Google DeepMinden Cueri buruzko kasu-azterketa gure produktu bati buruzko kanpoko froga bakarra da; horregatik aipatzen da, guk eta beste batzuek. Mezu honek orriak zer dioen azaltzen du, aipuak harekin egiaztatu ahal izateko. Orria hemen dago: deepmind.google/models/gemma/gemmaverse/cue-ai; bertako zifrak 2026ko maiatzean eguneratu ziren azkenekoz.
Zer neurtu zuen
- Cueren diktaketa fintzeko urratsaren latentziaren mediana 876 ms-tik 488 ms-ra jaitsi zen, urratsa hodeiko eredu batetik Ollamaren bidez lokalean exekutatzen den Gemma 4 E4B batera igaro ondoren. Orriak dio hori ehuneko 44ko murrizketa dela.
- Neurketa Apple Siliconen (M seriea) egin zen Ollamaren bidez, ingelesezko eta hizkuntza mistoko sarrerak biltzen dituzten 227 ahots-lagin errealeko benchmark baten gainean.
- Erabiltzaile bakoitzeko diktaketa ehuneko 30 inguru hazi zen, beta erabiltzaile aktiboen artean neurtuta, tokiko eredua lehenetsi bihurtu aurreko eta ondorengo lau asteetan.
- Fintze-urratsaren inferentzia-kostu marjinala zerora jaitsi zen. Orriaren arabera, hori da diktaketa maila guztietan mugagabea izateko arrazoia, doakoan barne.
Zer non exekutatzen den, orriaren arabera
- Erabiltzaileak lasterbide bat sakatuta mantentzen du eta hitz egiten du. Audioa testu gordin bihurtzen da hodeiko ahotsa testu bihurtzeko zerbitzu baten bidez.
- Testu gordina erabiltzailearen makinan Ollamaren bidez lokalean exekutatzen den Gemma 4 batera bidaltzen da, 400 token inguruko sistemako gonbita batekin, zeinak puntuazioa leheneratzen, esaldiak segmentatzen eta betegarri-hitzak kentzen baititu.
- Ollama exekutatzen ez badago, mahaigaineko aplikazioak hori detektatzen du abiaraztean eta fintze-urratsa hodeiko eredu batera bideratzen du.
- Cue aplikazioaren agente moduak hodeiko eredu bat erabiltzen du. Orrialdeak Gemma 4 ereduaren funtzio-deien lehen ebaluazioen berri ematen du zeregin autonomoetarako, eta goiztiar gisa deskribatzen ditu.
Beraz, orri horretan, “local” hitzak ezaugarri baten urrats bakarra esan nahi du. Transkripzioa hodeikoa da; agentea hodeikoa da; fintzea, berriz, lokala da lehenespenez, hodeiko alternatiba batekin.
Nola aipatzen dugun
Hasierako orrialdeak bertako bi zifra erabiltzen ditu: 488 ms, 876 ms-tik jaitsita, eta Cue “a voice-activated AI agent that lives on the user's desktop.” dela dioen esaldia. Biak agertzen dira orrialdean hitzez hitz. Hasierako orrialdeak Gemma taldearen hitzaldi baten 45 segundoko zati bat ere erakusten du, non hizlariak parte-hartzea % 30 igo zela dioen; idatzizko kasu-azterketak ezaugarrien erabilera aipatzen du. Guk idatzizko zifra inprimatzen dugu eta zatiaren ondoan aldea adierazten dugu.
Zer ez duen onartzen
- Ez da produktu baten iritzia eta ez du baieztapenik egiten transkripzioaren zehaztasunari edo agentearen zereginen arrakastari buruz.
- Deskribatzen duen 227 lagineko benchmarka Cue aplikazioaren barnekoa da eta ez da argitaratzen. Gure datu-sorta publikoa, Voice Agent Benchmark Landscape, beste gauza bat da: beste pertsona batzuen benchmark publikoen mapa bat, puntuaziorik gabea.
- Bere zifrek 2026ko maiatzeko data dute. Data horren ondoren argitaratutako Cue aplikazioaren bertsio bat ez dago orrialdean deskribatuta.
Zifren orrialdeak latentzia-zenbakia hasierako orrialdean nola erabiltzen den jasotzen du, eta frogen orrialdeak kasu-azterketa zerrendatzen du gure produktuei buruz argitaratu den beste guztiarekin batera.