Hoy presentamos Gemini 3.5 Transcribe, nuestro modelo de voz a texto más preciso hasta la fecha, diseñado para interacciones de voz inteligentes. A diferencia de los modelos de reconocimiento de voz convencionales que luchan con el ruido de fondo, la jerga compleja y la limpieza de disfluencias, Gemini 3.5 Transcribe convierte el audio sin procesar directamente en texto preciso, pulido y formateado.

En 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 construir capacidades similares con Gemini 3.5 Transcribe en la API de Gemini en Google AI Studio y en la Plataforma de Agentes Empresariales de Gemini.

El modelo está disponible a través de dos API separadas: La transmisión en tiempo real ofrece transmisión continua bidireccional con latencia de menos de un segundo para aplicaciones de voz interactivas a través de la API Live usando gemini-3.5-transcribe-live. El procesamiento de audio pregrabado transcribe audio grabado, reuniones, registros de llamadas y más con atribución de hablante y marcas de tiempo a nivel de palabra a través de la API de Interacciones usando gemini-3.5-transcribe.

Según lo medido por Artificial Analysis, logra una tasa de error de palabra (WER) promedio de 4.0% para transmisión y 2.6% para casos de uso no transmitidos. Muestra un rendimiento sólido en entornos ruidosos del mundo real, capturando con precisión entidades alfanuméricas como códigos postales e ID de pedidos. El rendimiento de Gemini 3.5 Transcribe representa un avance importante con respecto a nuestro modelo de transcripción anterior, Chirp 3, ofreciendo nuevas capacidades, tasas de error de palabra mejoradas y una latencia significativamente mejor.

Entidades clave: Empresas: Google DeepMind, Google | Personas: Luke Leonhard