Google ha presentado Gemini 3.5 Transcribe, su modelo más avanzado de transcripción de voz a texto, diseñado para ofrecer precisión y eficiencia en tiempo real. A diferencia de los modelos tradicionales, que tienen dificultades con el ruido de fondo, la jerga técnica o las disfluencias en el habla, este nuevo modelo convierte el audio en bruto en texto pulido, formateado y listo para usar.

Vale la pena señalar que este avance no solo mejora la transcripción, sino que también redefine cómo interactuamos con la tecnología, haciendo que las tareas cotidianas sean más fluidas y accesibles gracias a la inteligencia artificial.

¿Por qué Gemini 3.5 Transcribe es un salto adelante?

Este modelo ya está disponible en productos como la aplicación Gemini y Android, donde se integran nuevas capacidades de voz como Rambler en Android. Ahora, los desarrolladores pueden construir aplicaciones similares utilizando Gemini 3.5 Transcribe a través de:

• API de Google AI Studio: Gemini API.
• Plataforma Gemini Enterprise Agent: Gemini Enterprise Agent Platform.

El modelo está optimizado para integrarse en los flujos de trabajo de los desarrolladores, ya sea para crear agentes de voz, herramientas de subtitulado en tiempo real o análisis post-llamada. Está disponible en dos modalidades:

• Transmisión en tiempo real: Ofrece transmisión continua y bidireccional con una latencia de menos de un segundo para aplicaciones interactivas a través de la Live API utilizando gemini-3.5-transcribe-live.
• Procesamiento de audio pre-grabado: Transcribe audio grabado, reuniones o registros de llamadas con atribución de hablantes y marcas de tiempo a nivel de palabra a través de la Interactions API utilizando gemini-3.5-transcribe.

Características clave de Gemini 3.5 Transcribe

Gemini 3.5 Transcribe está diseñado para capturar el estilo de habla natural del usuario, comprender su intención y reconocer vocabulario personalizado. Esto permite ejecutar tareas con la voz de manera más eficiente. Entre sus características más destacadas se encuentran:

• Transcripción inteligente: Maneja autocorrecciones (como “reunámonos el martes… no, el miércoles”), elimina palabras de relleno (“eh”, “ah”) y formatea automáticamente el texto.
• Llamadas a funciones: El modelo puede delegar tareas complejas, como generación de imágenes o análisis de archivos, a otros modelos de Gemini mediante llamadas a funciones. Actualmente disponible en la aplicación Gemini en macOS.
• Mayor precisión: Según Artificial Analysis, logra una Tasa de Error de Palabras (WER) promedio de 4.0% para transmisión en tiempo real y 2.6% para casos de uso no transmitidos. Además, ofrece un rendimiento sólido en entornos ruidosos, capturando con precisión entidades alfanuméricas como códigos postales y IDs de pedidos.
• Vocabulario personalizado: Reconoce jerga especializada y ortografías únicas, adaptándose sin problemas a las transcripciones con el vocabulario personalizado proporcionado.
• Soporte global de idiomas: Detecta y transcribe automáticamente más de 85 idiomas, manejando acentos regionales y diversos dialectos.
• Identificación de múltiples hablantes: Atribuye con precisión el discurso en audio pre-grabado con marcas de tiempo para hasta tres hablantes (el soporte para más de 3 hablantes es experimental).

Resulta particularmente interesante que este modelo representa un avance significativo respecto a su predecesor, Chirp 3, ofreciendo nuevas capacidades, una mejor tasa de error de palabras y una latencia notablemente mejorada. Según Artificial Analysis, el tiempo para la transcripción final mejora en un 70%.

En el benchmark FLEURS, que evalúa el rendimiento multilingüe, el modelo ofrece un rendimiento preciso, mejorando respecto a Chirp 3, con una WER de 5.50% en modo de transmisión y 5.04% en casos de uso no transmitidos.

Demostración de Gemini 3.5 Transcribe manejando cambios de idioma en vivo y transcripción fluida.

Transcripción inteligente y dictado avanzado en acción

Además de estar disponible en la API de Google AI Studio y la Plataforma Gemini Enterprise Agent, Gemini 3.5 Transcribe va más allá de la transcripción estándar para hacer que el trabajo en los productos de Google sea más natural e intuitivo. Al integrar una comprensión consciente del contexto directamente en superficies cotidianas como Gboard, Antigravity, la aplicación Gemini y Chrome, captura matices, intenciones y ediciones en línea con facilidad.

• En Gboard en Android: A través de la nueva función Rambler, Gemini 3.5 Transcribe transforma los pensamientos hablados en texto bien formateado, filtrando palabras de relleno. También permite usar la voz para hacer ediciones, corregir errores ortográficos y cambiar el estilo de escritura.
• En Google Antigravity: Gemini 3.5 Transcribe combina el contexto de la pantalla y el historial de chat, con el permiso del usuario, para garantizar una precisión de transcripción puntual en nombres de archivos, pensamientos de agentes y documentos activos.
• En Google AI Studio: Se puede acceder a Gemini 3.5 Transcribe en el modo Build para crear aplicaciones de código con la voz sobre la marcha.
• En la aplicación Gemini en macOS: Gemini 3.5 Transcribe no solo transcribe el habla natural en texto limpio y formateado, sino que también permite comandos de voz que pueden combinarse con el contexto de la pantalla para impulsar flujos de trabajo complejos. Al recurrir a otros modelos de Gemini en segundo plano, el modelo facilita el resumen de archivos locales, el reutilizado de texto entre aplicaciones o la generación de imágenes directamente en el cursor, todo usando solo la voz.
• Próximamente en Chrome: Se podrá dictar con la voz en cualquier campo web, lo que facilitará la redacción de respuestas, la creación de publicaciones o la interacción con Gemini en Chrome de manera más natural y sencilla.

Demostración de cómo la aplicación Gemini en macOS puede asistir en diversas tareas utilizando el contexto de la pantalla y tomando acciones.

Reseñas y testimonios tempranos

Al aprovechar la API de Gemini Live, plataformas de desarrolladores como Agora, Fishjam, LangChain, LiveKit, Pipecat, Vercel y Vision Agents permiten a los desarrolladores construir e implementar interfaces de voz de alto rendimiento con facilidad.

Empresas como vivo, Intellitek Health y Lingopal han compartido comentarios positivos sobre Gemini 3.5 Transcribe, destacando su impresionante latencia, precisión y amplio soporte de idiomas.

¿Cómo empezar a usar Gemini 3.5 Transcribe?

El modelo ya está disponible en versión de vista previa pública para:

• Desarrolladores: En la API de Gemini a través de Google AI Studio y Google Antigravity.
• Empresas: En la Plataforma Gemini Enterprise Agent y pronto en Gemini Enterprise para Experiencia del Cliente.
• Para todos: En la aplicación Gemini en macOS (en inglés), Rambler en Android en países y idiomas seleccionados, y pronto en Chrome.

Lo cierto es que este modelo está transformando la manera en que interactuamos con la tecnología, haciendo que las tareas cotidianas sean más fluidas y accesibles gracias a la inteligencia artificial.

Demostración de cómo Gemini 3.5 Transcribe utiliza Rambler en Android para eliminar palabras de relleno y limpiar el habla.