Gemini 3.5 transcribe: uma nova era na tecnologia de reconhecimento de fala inteligente

A Gemini Audio revelou seu mais recente modelo de reconhecimento de fala, Gemini 3.5 Transcribe, projetado para fornecer transcrições em tempo real altamente precisas e inteligentes. Este modelo tem como objetivo superar as limitações dos sistemas convencionais de reconhecimento de fala, que frequentemente lutam com ruído de fundo, jargão complexo e limpeza de hesitações. Em vez disso, o Gemini 3.5 Transcribe converte áudio bruto diretamente em texto formatado e preciso. O modelo já está sendo usado em produtos de consumo, como o aplicativo Gemini e no Android, onde impulsiona novas capacidades de voz, como o Rambler no Android e no aplicativo Gemini no macOS. Os desenvolvedores agora podem acessar o Gemini 3.5 Transcribe por meio da API Gemini no Google AI Studio e na plataforma Gemini Enterprise Agent, permitindo que eles criem recursos semelhantes baseados em voz. O Gemini 3.5 Transcribe é projetado para se integrar perfeitamente aos fluxos de trabalho de desenvolvimento, suportando aplicativos como agentes de voz, ferramentas de legendagem em tempo real e pipelines de análise pós-chamada. O modelo está disponível por meio de duas APIs separadas, cada uma adaptada para casos de uso específicos. É projetado para capturar estilos de fala naturais, entender a intenção do usuário e reconhecer vocabulário personalizado, permitindo a execução mais eficiente de tarefas ativadas por voz. Uma das principais características do Gemini 3.5 Transcribe é sua capacidade de lidar com mudanças de idioma em tempo real e fornecer transcrições contínuas sem interrupções. Também oferece atribuição de vários falantes e marcações de tempo em nível de palavra, aprimorando a precisão e a usabilidade do conteúdo transcrito. De acordo com a empresa, o modelo representa uma melhoria significativa em relação ao seu predecessor, o Chirp 3, com taxas de erro de palavras aprimoradas e latência significativamente reduzida. A Artificial Analysis relata que o tempo para a transcrição final melhorou em 70%. No benchmark FLEURS, que avalia o desempenho em vários idiomas e localidades, o Gemini 3.5 Transcribe demonstra capacidades multilinguísticas precisas, alcançando 5,50% de taxa de erro de palavras no modo de streaming e 5,04% no uso sem streaming. O modelo também integra compreensão contextual em superfícies do Google cotidianas, como o Gboard, o Antigravity, o aplicativo Gemini e o Chrome, permitindo interações mais naturais e intuitivas. O Gemini 3.5 Transcribe permite que os usuários analisem arquivos, gerem imagens e realizem pesquisas no aplicativo Gemini no macOS usando comandos de voz. Também aproveita o contexto da tela no Google Antigravity para garantir transcrições precisas. Ao utilizar a API Gemini Live, plataformas de desenvolvedores como Agora, Fishjam, LangChain, LiveKit, Pipecat, Vercel e Vision Agents podem construir e implantar interfaces de voz de alto desempenho com facilidade. Empresas como Vivo, Intellitek Health e Lingopal forneceram feedback positivo sobre o Gemini 3.5 Transcribe, destacando sua latência impressionante, precisão e amplo suporte de idioma. A empresa incentiva os usuários a se inscreverem em newsletters para obter atualizações de produtos, informações de eventos e ofertas especiais, com a nota de que as informações serão usadas em conformidade com a política de privacidade do Google e que os usuários podem optar por não receber informações a qualquer momento.