Hoy presentamos Gemini 3.5 Transcribe, nuestro modelo de conversión de voz a texto más preciso hasta el momento, diseñado para interacciones de voz inteligentes. A diferencia de los modelos convencionales de reconocimiento de voz que luchan con el ruido de fondo, la jerga compleja y la limpieza de la falta de fluidez, Gemini 3.5 Transcribe convierte el audio sin procesar directamente en texto formateado, preciso y pulido.
En todos nuestros productos, como la aplicación Gemini y en Android, hemos visto que los consumidores ya se benefician de este modelo de transcripción con nuevas capacidades de voz como Rambler en Android y en la aplicación Gemini en macOS. Ahora, los desarrolladores pueden crear capacidades similares con Gemini 3.5 Transcribe en la API de Gemini en Google AI Studio y Gemini Enterprise Agent Platform.
Hemos creado Transcribe 3.5 para integrarse perfectamente en los flujos de trabajo de sus desarrolladores, ya sea que esté creando agentes de voz, herramientas de subtítulos en tiempo real o canales de análisis posteriores a la llamada. El modelo está disponible en dos API independientes:
Transmisión en tiempo real: ofrece transmisión bidireccional continua con latencia inferior a un segundo para aplicaciones de voz interactivas a través de Live API usando gemini-3.5-transcribe-live. Procesamiento de audio pregrabado: transcribe audio grabado, reuniones, registros de llamadas y más con atribución de orador y marcas de tiempo a nivel de palabra a través de Interactions API usando gemini-3.5-transcribe.
Obtenga una transcripción más precisa e inteligente
Gemini 3.5 Transcribe está diseñado para capturar su estilo natural de hablar para comprender mejor su intención y reconocer vocabulario personalizado, para que pueda ejecutar tareas con su voz.
Transcripción inteligente: maneja sin problemas las autocorrecciones (como “nos vemos el martes, no, miércoles”), elimina las palabras de relleno (“ums” y ‘”ahs”) y formatea automáticamente el texto. Llamada de funciones: el modelo puede delegar tareas complejas (como generación de imágenes y análisis de archivos) a otros modelos de Gemini a través de llamadas de funciones. Actualmente disponible en la aplicación Gemini macOS. Transcripción más precisa: según lo medido por análisis artificial, logra una tasa de error de palabras (WER) promedio del 4,0 % para streaming y del 2,6 % para casos de uso sin streaming. Muestra un rendimiento sólido en entornos ruidosos del mundo real, capturando con precisión entidades alfanuméricas como códigos postales e ID de pedidos. Vocabulario personalizado: reconoce jerga especializada y ortografía única adaptando perfectamente las transcripciones al vocabulario personalizado proporcionado. Compatibilidad con idiomas globales: detecta y transcribe automáticamente más de 85 idiomas, manejando sin problemas acentos regionales y dialectos diversos. Identificación de múltiples hablantes: atribuye con precisión la voz en audio pregrabado con marcas de tiempo para hasta tres hablantes (La compatibilidad con más de 3 altavoces es experimental).