Gemini 3.5 transcribe: una nueva era en la tecnología de transcripción de voz inteligente

Gemini Audio ha presentado su último modelo de transcripción de voz, Gemini 3.5 Transcribe, que está diseñado para ofrecer transcripciones en tiempo real altamente precisas e inteligentes. Este modelo está destinado a superar las limitaciones de los sistemas convencionales de reconocimiento de voz, que a menudo tienen dificultades con el ruido de fondo, la jerga compleja y la limpieza de las disfluencias. En cambio, Gemini 3.5 Transcribe convierte el audio sin procesar directamente en texto pulido y formateado con alta precisión. El modelo ya se está utilizando en productos de consumo, como la aplicación Gemini y en Android, donde impulsa nuevas capacidades de voz como Rambler en Android y en la aplicación Gemini en macOS. Los desarrolladores ahora pueden acceder a Gemini 3.5 Transcribe a través de la API de Gemini en Google AI Studio y la plataforma Gemini Enterprise Agent, lo que les permite crear funciones similares basadas en la voz. Gemini 3.5 Transcribe está diseñado para integrarse sin problemas en los flujos de trabajo de los desarrolladores, y admite aplicaciones como agentes de voz, herramientas de subtitulación en tiempo real y tuberías de análisis posteriores a la llamada. El modelo está disponible a través de dos APIs separadas, cada una adaptada para casos de uso específicos. Está diseñado para capturar estilos de habla naturales, comprender la intención del usuario y reconocer vocabulario personalizado, lo que permite una ejecución más eficiente de tareas activadas por voz. Una de las características clave de Gemini 3.5 Transcribe es su capacidad para manejar cambios de idioma en vivo y proporcionar una transcripción fluida. También ofrece atribución de múltiples oradores y marcas de tiempo a nivel de palabra, lo que mejora la precisión y la usabilidad del contenido transcrito. Según la empresa, el modelo representa una mejora significativa con respecto a su predecesor, Chirp 3, con tasas de error de palabras mejoradas y una latencia significativamente reducida. Artificial Analysis informa que el tiempo para la transcripción final ha mejorado en un 70%. En el conjunto de datos FLEURS, que evalúa el rendimiento en varios idiomas y regiones, Gemini 3.5 Transcribe demuestra capacidades multilingüísticas precisas, logrando una tasa de error de palabras (WER) del 5,50% en modo de transmisión y del 5,04% en casos de uso sin transmisión. El modelo también integra la comprensión contextual en las superficies de Google cotidianas, como Gboard, Antigravity, la aplicación Gemini y Chrome, lo que permite interacciones más naturales e intuitivas. Gemini 3.5 Transcribe permite a los usuarios analizar archivos, generar imágenes y realizar búsquedas en la aplicación Gemini en macOS utilizando comandos de voz. También aprovecha el contexto de la pantalla en Google Antigravity para garantizar una transcripción precisa. Al utilizar la API de Gemini Live, plataformas de desarrolladores como Agora, Fishjam, LangChain, LiveKit, Pipecat, Vercel y Vision Agents pueden construir e implementar interfaces de voz de alto rendimiento con facilidad. Empresas como Vivo, Intellitek Health y Lingopal han proporcionado comentarios positivos sobre Gemini 3.5 Transcribe, destacando su baja latencia, alta precisión y amplio soporte de idiomas. La empresa anima a los usuarios a registrarse en boletines para obtener actualizaciones de productos, información de eventos y ofertas especiales, con la nota de que la información se utilizará de acuerdo con la política de privacidad de Google y que los usuarios pueden darse de baja en cualquier momento.