Google ha distribuito silenziosamente due aggiornamenti significativi del modello Gemini entro 48 ore questa settimana, ed entrambi sono rivolti direttamente agli sviluppatori che creano applicazioni di produzione. Gemini 3.5 Transcribe, introdotto il 26 agosto, è il modello di sintesi vocale più preciso dell'azienda fino ad oggi, secondo il blog ufficiale di Google. Gemini Omni 1.1 Flash, annunciato il 27 agosto, offre controlli di livello professionale ai video generativi, inclusa l'estensione della scena fino a 40 secondi e l'upscaling 4K. Entrambi i modelli sono disponibili tramite l'API Gemini in Google AI Studio e Gemini Enterprise Agent Platform.
Gemini 3.5 Transcribe: sintesi vocale che si ripulisce Per maggiori informazioni su questa storia, consulta la nostra ultimi sviluppi nell'IA.
Ciò che distingue Gemini 3.5 Transcribe dal riconoscimento vocale convenzionale, afferma Google, è che converte l'audio grezzo direttamente in testo lucido e formattato anziché in una trascrizione grezza. Il modello gestisce il rumore di fondo, il gergo complesso e la pulizia delle disfluenze in modo nativo: rimuove parole di riempimento come "ums" e "ahs", risolve autocorrezioni come "ci vediamo martedì—no, mercoledì" e formatta automaticamente l'output.
I numeri di benchmark citati da Google sono notevoli. Come misurato da Artificial Analysis, il modello raggiunge un tasso medio di errore di parola (WER) del 4,0% per i casi d'uso in streaming e del 2,6% per l'audio non in streaming. Sul benchmark multilingue FLEURS nelle principali lingue, registra un WER del 5,50% in modalità streaming e del 5,04% non streaming, migliorando rispetto al precedente modello di trascrizione di Google, Chirp 3. Il tempo necessario alla trascrizione finale migliora del 70% rispetto a Chirp 3, sempre come misurato da Artificial Analysis.
Il modello viene fornito in due varianti per due flussi di lavoro. Per le applicazioni live, "gemini-3.5-transcribe-live" offre streaming bidirezionale continuo con una latenza inferiore al secondo attraverso l'API Live, mirando ad agenti vocali e sottotitoli in tempo reale. Per l'audio registrato (riunioni, registri delle chiamate, archivi) "gemini-3.5-transcribe" offre l'attribuzione degli oratori per un massimo di tre oratori (con supporto per altri in modalità sperimentale) e timestamp a livello di parola tramite l'API Interactions.
Altre funzionalità includono il rilevamento e la trascrizione automatici in più di 85 lingue con gestione di accenti e dialetti e supporto di vocaboli personalizzati in modo che il modello si adatti al gergo specializzato e all'ortografia unica. Google ha anche dato una sorta di sguardo al modello: attraverso la chiamata di funzioni, può delegare attività come la generazione di immagini o l'analisi di file ad altri modelli Gemini, una funzionalità attualmente disponibile nell'app Gemini su macOS.
Gemini Omni 1.1 Flash: la generazione di video fa crescere una timeline
Il secondo lancio affronta la lamentela più comune sui video AI: il controllo. Gemini Omni 1.1 Flash è un aggiornamento incentrato sulla produzione che rende il video generativo governabile in modi che i suoi predecessori non lo erano, con i product manager di Google DeepMind Anish Nangia e Alisa Fortin che descrivono il rilascio come se rendesse Omni 1.1 "pronto per la produzione per l'uso professionale".
L'estensione della scena è la caratteristica principale. Gli sviluppatori possono ora continuare a generare filmati senza soluzione di continuità da una clip esistente, con il modello che analizza fino a 10 secondi del contesto precedente: un salto di qualità rispetto ai modelli precedenti che facevano riferimento solo all'ultimo secondo. I video possono essere estesi con incrementi di 10 secondi fino a una durata cumulativa di 40 secondi, migliorando la coerenza visiva e l'aderenza narrativa per le storie più lunghe.
L'aggiornamento aggiunge anche l'interpolazione del primo e dell'ultimo fotogramma, consentendo agli sviluppatori di specificare i fotogrammi iniziali e finali per creare movimenti della telecamera e transizioni tra le inquadrature fluidi e deliberati. Per la consegna, i progetti finiti possono essere aggiornati alla risoluzione 4K, mentre una modalità di anteprima a 360p consente ai creatori di ripetere le richieste in modo rapido ed economico prima di impegnarsi nei rendering finali.
Dalle API alle superfici di tutti i giorni
Google sta inoltre collegando entrambi i modelli ai suoi prodotti di consumo, ed è qui che si manifesta il suo vantaggio distributivo. Su Android, la nuova funzionalità "Rambler" di Gboard utilizza 3.5 Transcribe per trasformare i pensieri pronunciati in testo ben formattato filtrando le parole di riempimento: gli utenti possono persino apportare modifiche tramite la voce. Il modello supporta anche la dettatura nell’app Gemini su macOS, funziona insieme al contesto dello schermo in Google Antigravity e viene integrato in Chrome.
Per gli sviluppatori, i due lanci si leggono come un’unica strategia: Google sta spingendo Gemini da un chatbot con cui parli a un’infrastruttura che vede, ascolta e produce media. Con OpenAI, ElevenLabs e un gruppo di startup video che competono nello stesso territorio, il tasso di errore delle parole del 2,6% e le scene coerenti di 40 secondi sono l'offerta di apertura di Google per i carichi di lavoro di produzione che effettivamente generano entrate: agenti vocali, pipeline di sottotitoli e strumenti creativi. Gli sviluppatori possono iniziare a creare con entrambi i modelli in Google AI Studio oggi stesso.
Perché il tasso di errore delle parole è ancora importante
Il tasso di errore delle parole sembra una statistica accademica, ma nella produzione rappresenta la differenza tra un prodotto vocale che funziona e uno che è frustrante. Ogni frase fraintesa in un agente vocale interrompe un compito: un ID di ordine frainteso attiva una ricerca fallita, un indirizzo confuso invia un pacco alla città sbagliata. Questo è il motivo per cui il divario tra un WER del 2,6% sull’audio non in streaming e i tassi elevati a una cifra che erano comuni una generazione di modelli fa si traduce in una differenza di ordine di grandezza in termini di usabilità.
La distinzione tra le due modalità segnalate da Google conta anche per gli architetti. La trascrizione in streaming (la cifra WER del 4,0%) baratta una certa precisione con una latenza inferiore al secondo, richiesta dai casi d'uso interattivi come gli agenti vocali dal vivo. La trascrizione batch dell'audio registrato è più lenta ma raggiunge il 2,6%, motivo per cui l'analisi post-chiamata e l'elaborazione dell'archivio possono permettersi di essere più impegnative. La decisione di Google di esporre entrambi come endpoint del modello separati piuttosto che come un'impostazione regolabile riconosce che gli sviluppatori creano prodotti diversi su entrambi i lati di questo compromesso.
Un flusso di lavoro a più livelli per la produzione video
L'aggiornamento Omni 1.1 Flash è altrettanto pragmatico riguardo al modo in cui avviene effettivamente il lavoro creativo. È stato costoso iterare con il video generativo: ogni esperimento tempestivo significava un rendering completo. La nuova modalità di anteprima a 360p separa l'esplorazione dalla consegna, consentendo ai creatori di scorrere le variazioni immediate in modo economico e pagando solo per l'upscaling 4K sugli scatti che sopravvivono alla revisione.
I meccanismi di estensione della scena affrontano il problema di coerenza che ha mantenuto il video AI nel ghetto delle dimensioni di un clip. Analizzando 10 secondi del contesto precedente anziché solo il fotogramma finale, il modello può estendere una scena con incrementi di 10 secondi fino a 40 secondi mantenendo coerenti i personaggi, l'illuminazione e lo stile visivo. In combinazione con l’interpolazione del primo e dell’ultimo fotogramma – che fornisce agli editor punti di controllo deterministici, il modo in cui i marcatori di entrata e di uscita funzionano nell’editing convenzionale – i filmati generati dall’intelligenza artificiale iniziano a adattarsi alle condutture di post-produzione reali anziché sostituirle all’ingrosso.
Il quadro competitivo
Entrambi i lanci posizionano Google come infrastruttura piuttosto che come destinazione. In parole povere, Google sta assumendo fornitori di trascrizione specializzati e gli stack vocali dei suoi rivali cloud unendo la precisione all'avanguardia nell'API Gemini che i suoi sviluppatori già utilizzano. Nei video, compete in un mercato affollato di startup ben finanziate, enfatizzando il controllo e l’integrazione del flusso di lavoro rispetto allo spettacolo puro.
Il vantaggio distributivo può essere il fattore decisivo. Lo stesso modello di trascrizione che gli sviluppatori possono richiamare dall'API Gemini alimenta già la dettatura Rambler di Gboard su Android, l'app Gemini su macOS, Google Antigravity e Chrome, il che significa che Google può ammortizzare lo sviluppo del modello attraverso miliardi di interazioni degli utenti raccogliendo al tempo stesso i diversi audio del mondo reale che continuano a migliorarlo. Per gli sviluppatori che scelgono uno stack vocale o video nel 2026, quel volano ora fa parte del campo di applicazione.
---
Rimani Aggiornato sull'IALe ultime notizie, analisi e scoperte sull'intelligenza artificiale — tutto in un posto.
Leggi altre notizie sull'IA →
