Google lanzó Gemini 3.5 Transcribe, un modelo de voz a texto para interfaces de voz en tiempo real y audio grabado. Se envía como dos puntos finales, no como uno. gemini-3.5-transcribe maneja archivos pregrabados a través de la API de Interacciones. gemini-3.5-transcribe-live maneja la transmisión bidireccional a través de Live API. Google informa tasas promedio de error de palabras del 4,0% en transmisión y del 2,6% en no transmisión, según lo medido por Análisis Artificial. El tiempo hasta la transcripción final mejora un 70 % con respecto a Chirp 3, el modelo anterior. La detección automática cubre más de 85 idiomas, incluido el cambio de código a mitad de frase. La división entre los dos puntos finales es la parte que vale la pena planificar. No comparten el mismo conjunto de funciones, límites o precio.
¿Es desplegable?
Sí, pero solo API. No hay pesos abiertos ni rutas autohospedadas. Esta es una decisión de servicio administrado, no de infraestructura.
Nivel de empresa: Cualquiera. Los desarrolladores individuales y las nuevas empresas pueden comenzar con el nivel gratuito de API Gemini a través de Google AI Studio. Los equipos del mercado medio pasan al nivel pago para obtener límites de tarifas más altos. El nivel pago también garantiza que el contenido no se utilice para mejorar los productos de Google. Las empresas reguladas se dirigen a través de la plataforma Gemini Enterprise Agent, que agrega rendimiento aprovisionado, controles de cumplimiento y descuentos por volumen. Tanto la pista de desarrollador como la de empresa están en versión preliminar pública, así que trate los compromisos de producción en consecuencia. Industrias: centros de contacto y plataformas CX, documentación clínica, subtitulado y localización de medios, admisión legal y de seguros, herramientas para reuniones y herramientas para desarrolladores impulsadas por voz. Aplicaciones: Agentes de voz en tiempo real, subtítulos en vivo, canales de análisis posteriores a las llamadas, transcripción de reuniones con atribución del orador, dictado e interfaces controladas por voz.
Dos superficies API, dos productos diferentes
Live API ofrece transcripción continua en menos de un segundo. Emite interim_input_transcription para parciales especulativos mientras alguien todavía está hablando, luego input_transcription cuando finaliza el turno. El audio entra como PCM sin procesar de 16 bits a mono de 16 kHz, en fragmentos de 100 ms. Admite detección de actividad de voz automática, híbrida y manual. Los tokens efímeros permiten a los clientes web y móviles transmitir sin tener una clave API.
Las limitaciones son reales. Las sesiones en vivo tienen un límite de 10 minutos de transmisión continua. No se admite la grabación por diario de los oradores. No se admiten marcas de tiempo a nivel de palabra.
La API de Interactions cubre lo que el streaming no puede cubrir. Ofrece registro del hablante, desplazamientos de inicio y final a nivel de palabra y personalización de vocabulario personalizado. La lista de vocabulario ocupa hasta 1000 términos, con mejores resultados por debajo de 100. Las solicitudes estándar aceptan hasta una hora de audio. Eso se reduce a 30 minutos una vez que se habilitan la diarioización o las marcas de tiempo de palabras.
Verbatim e inteligente son la verdadera decisión de diseño
Ambos puntos finales exponen dos modos. textual es el valor predeterminado y devuelve todo, incluidos rellenos, repeticiones y comienzos en falso. Smart elimina las disfluencias, resuelve las autocorrecciones habladas en línea y aplica formato estructurado.
El propio ejemplo documentado de Google: “Um, entonces para la reunión, creo que deberíamos invitar a Alice y, espera, no, a Bob y Carol”. Verbatim lo conserva todo. Smart responde: “Para la reunión, creo que deberíamos invitar a Bob y Carol”.
El modo inteligente no se puede combinar con marcas de tiempo de palabras o diarios. Ésa es la compensación para planificar. Un resumen legible y una transcripción auditable son ahora dos llamadas API diferentes.
Actuación
Según lo medido por Artificial Analysis, Google informa una tasa promedio de error de palabras del 4,0% para streaming y del 2,6% para no streaming. En el punto de referencia multilingüe FLEURS, en un conjunto de idiomas y regiones principales, el modelo reporta un 5,50% de transmisión y un 5,04% de no transmisión.
Comparado con Chirp 3, el modelo de transcripción anterior de Google, el tiempo hasta la transcripción final mejora en un 70%. La cobertura de idiomas abarca más de 85 idiomas con detección automática y cambio de código manejado sin configuración.
Ecosistema
La Live API ya está conectada a LiveKit, Pipecat, Agora, Fishjam, Vercel y Vision Agents. Del lado del consumidor, el modelo impulsa Rambler en Android, la aplicación Gemini en macOS y Google Antigravity. Chrome aparece como próximamente.
Conclusiones clave
Dos puntos finales, no uno: la transmisión intercambia el diario y las marcas de tiempo de las palabras para una latencia inferior a un segundo. El WER informado es del 4,0% en streaming y del 2,6% en no streaming, según Artificial Analysis. El modo inteligente no se puede combinar con marcas de tiempo o registro diario; elija uno por llamada. El costo combinado es de aproximadamente $0,005/min por lote y $0,009/min en vivo; sin pesas abiertas. Límites estrictos: sesiones en vivo de 10 minutos, archivos de 1 hora, 30 minutos con la diarioización activada.
Consulta los detalles técnicos aquí. Además, no dude en seguirnos en Twitter y no olvide unirse a nuestro SubReddit de más de 150.000 ml y suscribirse a nuestro boletín. ¡Esperar! estas en telegrama? Ahora también puedes unirte a nosotros en Telegram.
¿Necesita asociarse con nosotros para promocionar su repositorio de GitHub O su página principal de Hugging O su lanzamiento de producto O seminario web, etc.? Conéctate con nosotros
Asif Razzaq es el director ejecutivo de Marktechpost Media Inc.. Como emprendedor e ingeniero visionario, Asif está comprometido a aprovechar el potencial de la inteligencia artificial para el bien social. Su esfuerzo más reciente es el lanzamiento de una plataforma de medios de inteligencia artificial, Marktechpost, que se destaca por su cobertura en profundidad del aprendizaje automático y las noticias sobre aprendizaje profundo que es técnicamente sólida y fácilmente comprensible para una amplia audiencia. La plataforma cuenta con más de 2 millones de visitas mensuales, lo que ilustra su popularidad entre el público.