El 26 de agosto, Google lanzó Gemini 3.5 Transcribe, un modelo dedicado a convertir voz en texto, dividido en dos líneas: streaming en tiempo real y procesamiento de audio pregrabado.
Según mediciones de Artificial Analysis, la tasa media de error de palabras (WER) de la versión sin streaming es del 2,6%, y la de streaming, del 4,0%. En el benchmark multilingüe FLEURS, las cifras son 5,50% para streaming y 5,04% para no streaming. Frente a la generación anterior, Chirp 3, el tiempo hasta obtener la transcripción final se redujo un 70%. El modelo admite más de 85 idiomas, con detección automática.
Lo que entrega es un texto ya terminado
Google posiciona el modelo para convertir audio en bruto directamente en texto preciso, limpio y ya formateado. En concreto, hace tres cosas: gestiona las autocorrecciones de quien habla (el ejemplo oficial es "let's meet Tuesday—no, Wednesday", donde el modelo conserva el resultado final, miércoles); elimina muletillas como "um" o "ah"; y completa el formateo de manera automática.
Los modelos de reconocimiento de voz tradicionales solo entregan un flujo de transcripción en bruto, por lo que esas tareas de limpieza deben resolverse después, con otro modelo o un motor de reglas aparte. Al integrar esto dentro del propio modelo de transcripción, se ahorra una llamada adicional y una vuelta de latencia. Para los equipos que construyen agentes de voz en tiempo real, esa capa de retraso suele ser la línea que separa una interacción que suena a conversación real de una que no.
El modelo también admite llamadas a funciones (function calling), lo que permite delegar tareas complejas durante la propia transcripción; además incorpora listas de vocabulario personalizadas, separación de hablantes (hasta 3 personas en audio pregrabado, siendo experimental por encima de esa cifra), marcas de tiempo por palabra y cambio de idioma a mitad de llamada.
Dos APIs para dos escenarios
La línea en tiempo real se llama gemini-3.5-transcribe-live, funciona sobre la Live API y está orientada a aplicaciones de voz interactivas; la línea de audio pregrabado es gemini-3.5-transcribe, funciona sobre la Interactions API y está pensada para actas de reuniones y registros de llamadas.
Los desarrolladores pueden acceder en vista previa pública a través de la Gemini API (Google AI Studio) y de Google Antigravity; las empresas, mediante la vista previa de la Gemini Enterprise Agent Platform, con integración posterior en Gemini Enterprise for Customer Experience. Por ahora, el usuario común cuenta con tres vías de acceso: la app Gemini en macOS (solo en inglés), Rambler en Android (en algunos países e idiomas), mientras que el soporte en Chrome llegará más adelante.
Dos preguntas que las cifras no responden
Google todavía no ha anunciado el precio. La transcripción de voz es un negocio que se cobra por minuto: si una tasa de error del 2,6% viene acompañada de un precio superior al de la competencia, el ritmo real de adopción se ralentizará. En los últimos dos años este sector ha cambiado de generación con frecuencia, los clientes son sensibles al coste de migrar, y el precio suele pesar más en la decisión de compra que una diferencia de precisión de unas pocas décimas de punto porcentual.
La separación de hablantes solo garantiza precisión hasta 3 personas, un límite que deja fuera a varios escenarios muy frecuentes: reuniones con muchos participantes, control de calidad en atención al cliente, transcripción de pódcast; en todos ellos, superar las tres personas es lo habitual. Al marcar como experimental todo lo que va más allá de 3 personas, Google reconoce que esa parte aún no está estabilizada.
Haciendo un cálculo rápido de lo que significa la precisión en la práctica: una tasa de error del 2,6% equivale a unas 26 palabras erróneas en una grabación de reunión de 1.000 palabras (estimación; la distribución real depende mucho del acento y del ruido de fondo). En escenarios legales o médicos que exigen citar literalmente, ese nivel de error todavía requiere una revisión humana; para generar actas de reuniones o dar contexto a un agente, ya resulta suficiente. La frontera entre ambas necesidades no está en el modelo, sino en cómo se consume después el texto.
El sector de la voz ha tenido mucho movimiento este año, desde que OpenAI lanzara de golpe tres modelos de voz hasta que las empresas van incorporando APIs de voz a sus pilas de agentes: el criterio de comparación está pasando de "reconoce con precisión" a "ahorra esfuerzo una vez integrado en el proceso". Gemini 3.5 Transcribe, al meter la limpieza y el formateo dentro del propio modelo, sigue esa misma dirección.
Fuentes: blog oficial de Google, CocoLoop, Artificial Analysis, documentación de modelos de DeepMind; la tasa de error de palabras, la mejora de latencia y el número de idiomas se han verificado según la página oficial de lanzamiento; el precio no se ha hecho público.