Em 26 de agosto, o Google lançou o Gemini 3.5 Transcribe, um modelo dedicado a converter voz em texto, dividido em duas linhas: streaming em tempo real e processamento de áudio pré-gravado.
Segundo medições da Artificial Analysis, a taxa média de erro de palavras (WER) da versão sem streaming é de 2,6%, e da versão em streaming, 4,0%. No benchmark multilíngue FLEURS, os números são 5,50% para streaming e 5,04% para não streaming. Em comparação com a geração anterior, o Chirp 3, o tempo até a transcrição final caiu 70%. O modelo suporta mais de 85 idiomas, com detecção automática.
O que ele entrega é um texto pronto
O Google posiciona o modelo para transformar áudio bruto diretamente em texto preciso, limpo e já formatado. Na prática, ele faz três coisas: trata autocorreções de quem fala (o exemplo oficial é "let's meet Tuesday—no, Wednesday", em que o modelo mantém o resultado final, quarta-feira); remove palavras de preenchimento como "um" e "ah"; e completa a formatação automaticamente.
Modelos de reconhecimento de voz tradicionais entregam apenas um fluxo de transcrição bruta, e essas etapas de limpeza precisam ser feitas depois, por outro modelo ou por um conjunto de regras à parte. Ao incorporar isso dentro do modelo de transcrição, elimina-se uma chamada extra e uma volta de latência. Para equipes que constroem agentes de voz em tempo real, essa camada de atraso costuma ser o que define se a interação soa como uma conversa de verdade.
O modelo também aceita chamadas de função (function calling), podendo delegar tarefas complexas durante a própria transcrição; além disso, oferece listas de vocabulário personalizadas, separação de falantes (até 3 pessoas em áudio pré-gravado, sendo experimental acima disso), timestamps por palavra e troca de idioma no meio de uma chamada.
Duas APIs, dois cenários
A linha em tempo real se chama gemini-3.5-transcribe-live, roda na Live API e é voltada para aplicações de voz interativas; a linha de áudio pré-gravado é a gemini-3.5-transcribe, roda na Interactions API e é voltada para atas de reunião e registros de chamadas.
Do lado dos desenvolvedores, o acesso é feito via Gemini API (Google AI Studio) e Google Antigravity, atualmente em prévia pública; do lado corporativo, via prévia da Gemini Enterprise Agent Platform, com integração futura ao Gemini Enterprise for Customer Experience. Por enquanto, o usuário comum tem três portas de entrada: o app Gemini no macOS (apenas em inglês), o Rambler no Android (em alguns países e idiomas), enquanto o suporte no Chrome ainda está por vir.
Duas perguntas que os números não respondem
O Google ainda não divulgou o preço. Transcrição de voz é um negócio cobrado por minuto: se a taxa de erro de 2,6% vier acompanhada de um preço acima da concorrência, o ritmo de adoção tende a desacelerar — nos últimos dois anos esse setor trocou de geração com frequência, os clientes são sensíveis ao custo de migração, e o preço costuma pesar mais na decisão de compra do que uma diferença de precisão de poucos décimos de ponto percentual.
A separação de falantes só garante precisão até 3 pessoas, um limite que deixa de fora vários cenários frequentes: reuniões com muitos participantes, controle de qualidade de atendimento ao cliente, transcrição de podcasts — em todos esses, ultrapassar três pessoas é a regra, não a exceção. Ao classificar o que passa de 3 pessoas como experimental, o Google reconhece que essa parte ainda não está estável.
Fazendo uma conta rápida sobre o que a precisão significa na prática: uma taxa de erro de 2,6% equivale a cerca de 26 palavras erradas em uma gravação de reunião de 1.000 palavras (estimativa; a distribuição real depende muito do sotaque e do ruído de fundo). Em cenários jurídicos ou médicos, que exigem citação literal, esse nível de erro ainda exige revisão humana; já para gerar atas de reunião ou fornecer contexto a um agente, já é suficiente. A linha que separa essas duas necessidades não está no modelo, mas em como o texto é consumido depois.
O setor de voz teve muita movimentação este ano, da OpenAI lançando três modelos de voz de uma vez às empresas encaixando APIs de voz em suas pilhas de agentes — o critério de comparação está migrando de "reconhece com precisão" para "economiza esforço depois de integrado ao processo". O Gemini 3.5 Transcribe, ao incorporar limpeza e formatação dentro do próprio modelo, segue nessa mesma direção.
Fontes: blog oficial do Google, CocoLoop, Artificial Analysis, documentação de modelos da DeepMind; taxa de erro de palavras, ganho de latência e número de idiomas foram verificados conforme a página oficial de lançamento; o preço não foi divulgado.