Google a lancé le 26 août Gemini 3.5 Transcribe, un modèle dédié à la conversion de la voix en texte, décliné en deux versions : le streaming en temps réel et le traitement d'audio préenregistré.
Selon les mesures d'Artificial Analysis, le taux d'erreur de mots (WER) moyen de la version non-streaming est de 2,6 %, contre 4,0 % pour la version streaming. Sur le benchmark multilingue FLEURS, les chiffres atteignent 5,50 % en streaming et 5,04 % en non-streaming. Par rapport à la génération précédente, Chirp 3, le délai d'obtention de la transcription finale a été réduit de 70 %. Le modèle prend en charge plus de 85 langues, avec détection automatique.
Ce qu'il livre, c'est un texte fini
Google positionne ce modèle comme un moyen de transformer directement l'audio brut en un texte précis, propre et déjà mis en forme. Concrètement, il fait trois choses : il traite les autocorrections du locuteur (l'exemple officiel est "let's meet Tuesday—no, Wednesday", où le modèle ne conserve que le résultat final, mercredi) ; il supprime les mots de remplissage comme "euh" ; et il gère automatiquement la mise en forme.
Les modèles de reconnaissance vocale classiques ne livrent qu'un flux de transcription brute, ce qui oblige à effectuer ce nettoyage en aval, via un autre modèle ou un moteur de règles séparé. En intégrant cette étape directement dans le modèle de transcription, on économise un appel supplémentaire et un aller-retour de latence. Pour les équipes qui construisent des agents vocaux en temps réel, cette couche de latence est souvent ce qui détermine si l'échange donne vraiment l'impression d'une conversation.
Le modèle prend également en charge l'appel de fonctions (function calling), permettant de déléguer des tâches complexes en cours de transcription ; il propose aussi des listes de vocabulaire personnalisées, une séparation des locuteurs (jusqu'à 3 personnes pour l'audio préenregistré, au-delà restant expérimental), un horodatage au niveau du mot, et un changement de langue en cours d'appel.
Deux API, deux cas d'usage
La version temps réel s'appelle gemini-3.5-transcribe-live, fonctionne via la Live API et vise les applications vocales interactives ; la version audio préenregistré, gemini-3.5-transcribe, fonctionne via l'Interactions API et cible les comptes rendus de réunion et les journaux d'appels.
Côté développeurs, l'accès se fait en préversion publique via l'API Gemini (Google AI Studio) et Google Antigravity ; côté entreprises, via la préversion de la Gemini Enterprise Agent Platform, avec une intégration ultérieure à Gemini Enterprise for Customer Experience. Le grand public dispose pour l'instant de trois points d'accès : l'application Gemini sur macOS (en anglais uniquement), Rambler sur Android (dans certains pays et certaines langues), le support sur Chrome devant arriver plus tard.
Deux questions que les chiffres ne règlent pas
Google n'a pas encore annoncé de prix. La transcription vocale est un modèle économique facturé à la minute : si un taux d'erreur de 2,6 % s'accompagne d'un prix supérieur à celui des concurrents, le rythme d'adoption réel s'en trouvera ralenti. Depuis deux ans, ce secteur change fréquemment de génération, les clients sont sensibles au coût de migration, et le prix pèse souvent plus lourd dans la décision d'achat qu'un écart de précision de quelques dixièmes de point.
La séparation des locuteurs ne garantit une bonne précision que jusqu'à 3 personnes, une limite qui exclut d'emblée plusieurs cas d'usage fréquents : réunions à plusieurs, contrôle qualité en centre d'appels, transcription de podcasts — dans tous ces cas, dépasser trois participants est la norme. En classant tout ce qui dépasse 3 personnes comme expérimental, Google reconnaît que cette partie n'est pas encore stabilisée.
Un calcul rapide permet de mesurer ce que la précision signifie en pratique : un taux d'erreur de 2,6 % correspond à environ 26 mots erronés sur un enregistrement de réunion de 1 000 mots (estimation ; la répartition réelle dépend fortement de l'accent et du bruit ambiant). Dans les contextes juridiques ou médicaux, qui exigent des citations mot pour mot, ce niveau d'erreur nécessite encore une relecture humaine ; pour produire un compte rendu de réunion ou fournir du contexte à un agent, il est déjà suffisant. La frontière entre ces deux besoins ne se situe pas dans le modèle, mais dans la façon dont le texte est exploité en aval.
Le secteur de la voix a connu une activité intense cette année, entre OpenAI qui a lancé trois modèles vocaux d'un coup et les acteurs qui intègrent de plus en plus les API vocales dans leurs piles d'agents : le critère de comparaison passe de "reconnaît avec précision" à "fait vraiment gagner du temps une fois intégré au processus". En regroupant nettoyage et mise en forme à l'intérieur même du modèle, Gemini 3.5 Transcribe suit cette même direction.
Sources : blog officiel de Google, CocoLoop, Artificial Analysis, documentation des modèles DeepMind ; le taux d'erreur de mots, l'amélioration de latence et le nombre de langues ont été vérifiés à partir de la page d'annonce officielle, le prix n'a pas été communiqué.