O Google lançou o Gemini 3.5 Transcribe, um novo modelo de conversão de fala em texto desenvolvido para transcrição em tempo real que reconhece mais de 85 idiomas automaticamente e aprimora a produção ao longo do caminho, eliminando palavras de preenchimento e corrigindo tropeços verbais sem ser solicitado.

O lançamento posiciona a pilha de fala do Google como um desafiante direto no mercado de transcrição em rápido crescimento, onde a precisão e a latência decidem cada vez mais quais serviços os desenvolvedores adotam para chamadas, reuniões, legendas e interfaces de voz. Para mais contexto sobre esta história, confira nossa últimos desenvolvimentos em IA.

O que o modelo pode fazer

De acordo com o anúncio do Google, cuja cobertura foi publicada pelo The Decoder, o Gemini 3.5 Transcribe vai muito além da conversão de palavras faladas em texto:

  • Detecção automática de idioma em mais de 85 idiomas, sem necessidade de configuração
  • Remoção de palavras de preenchimento, limpeza de "um", "uh" e disfluências semelhantes
  • Correção de lapsos de língua, produzindo prosa legível em vez de ruído literal
  • Formatação de texto autônoma, incluindo pontuação e estrutura

A empresa relata uma taxa de erro de palavra de 4,0% para streaming de áudio e 2,6% para áudio gravado, juntamente com reduções de latência de aproximadamente 70% em comparação com seu antecessor, Chirp 3 — uma margem substancial em cenários de legendagem ao vivo onde o atraso interrompe as conversas.

Duas interfaces para dois trabalhos

Os desenvolvedores obtêm acesso por meio de duas interfaces distintas de programação de aplicativos:

API ao vivo — `gemini-3.5-transcribe-live`

Lida com streaming em tempo real com latência muito baixa, visando legendas ao vivo, agentes de voz e assistentes interativos onde o tempo de resposta é mais importante.

API de interações — `gemini-3.5-transcribe`

Processa áudio gravado e retorna transcrições com atribuição de palestrante e carimbos de data/hora — o fluxo de trabalho típico para reuniões, entrevistas, podcasts e pós-produção de mídia.

Além da transcrição, o modelo suporta chamadas de funções, o que significa que pode delegar tarefas de acompanhamento a outros modelos da família Gemini – por exemplo, acionando uma solicitação de geração de imagem ou uma pesquisa na web com base em algo dito durante uma sessão. Isso transforma um mecanismo de transcrição em uma camada de interface controlável para aplicativos controlados por voz.

Já está sendo enviado para todos os produtos do Google

O modelo já está disponível no Google AI Studio e na Gemini Enterprise Agent Platform para desenvolvedores. O Google também o conectou às superfícies do consumidor: o Gboard no Android usa-o por meio de um componente interno chamado Rambler para ditado, o aplicativo Gemini no macOS aplica-o à entrada de voz, e a integração do Chrome está programada para seguir.

Essa distribuição é importante. O reconhecimento de fala ganha força em escala, e a incorporação do modelo em teclados, aplicativos de desktop e navegadores o coloca diante de bilhões de interações de entrada diariamente – ao mesmo tempo em que alimenta os ciclos de avaliação necessários para manter as taxas de erro caindo em sotaques, dialetos e ambientes barulhentos.

Participações competitivas na IA da fala

A transcrição tornou-se silenciosamente um campo de batalha competitivo entre laboratórios de ponta e fornecedores especializados. A compreensão de fala precisa e de baixa latência é o ingresso para produtos de agente que atuam com base em comandos falados, inteligência de reuniões empresariais, recursos de acessibilidade e automação multilíngue de atendimento ao cliente.

Ao combinar melhorias agressivas de latência com resultados autocorretivos, o Google está apostando que os desenvolvedores preferem transcrições que pareçam texto editado em vez de captura fonética bruta – trocando estrita fidelidade literal pela usabilidade. As equipes que precisam de registros exatos, como transcritores legais ou médicos, ainda podem querer modos literais; para todos os outros, a diferença prática entre ouvir alguém e compreendê-lo continua a diminuir.

Com o Gemini 3.5 Transcribe agora disponível no AI Studio e em ferramentas empresariais, o primeiro teste significativo será a adoção de métricas de desenvolvedores de agentes de voz – um segmento de mercado que cresce rápido o suficiente para que até mesmo ganhos incrementais de precisão se traduzam em decisões de mudança consideráveis.

Por que a latência é o verdadeiro campo de batalha

As taxas de erro são as manchetes, mas a latência determina silenciosamente quais produtos são viáveis. Um mecanismo de transcrição que alimenta uma sobreposição de legenda ao vivo precisa acompanhar a conversa, ou os espectadores se desconectam. Um agente de voz negociando uma chamada de suporte ao cliente não pode fazer uma pausa estranha enquanto sua camada de fala é atualizada. A redução de 70 por cento relatada pelo Google no atraso em relação ao Chirp 3 visa precisamente essa lacuna – encurtando a distância entre um orador terminar uma frase e os sistemas posteriores agindo sobre ela.

Para aplicações agentes, isso se agrava: cada passo de um diálogo falado envolve reconhecimento, raciocínio e resposta. Reduzir milissegundos do estágio de reconhecimento dá aos construtores espaço para gastar em modelos de raciocínio mais capazes – e mais lentos – sem violar os orçamentos de tempo de conversação.

A compensação literal

Uma escolha de design merece exame minucioso. Por padrão, o Gemini 3.5 Transcribe faz a curadoria da saída: as palavras de preenchimento desaparecem, os erros são corrigidos e a formatação é aplicada automaticamente. Para a maioria dos usos comerciais – minutos, legendas, arquivos pesquisáveis ​​– é exatamente isso que os usuários desejam.

Mas certos fluxos de trabalho dependem de registros literais. Depoimentos legais, revisões de conformidade e verificação de fatos jornalísticos às vezes exigem saber exatamente o que foi dito, inclusive hesitações. As organizações em setores regulamentados desejarão clareza sobre quanto da suavização é opcional e configurável antes de migrar pipelines sensíveis para o novo modelo. A documentação e os parâmetros da API do Google definirão efetivamente onde fica a linha literal versus polida para a indústria.

Uma pegada multilíngue como fosso

A cobertura de mais de 85 idiomas com detecção automática não é apenas um item da lista de verificação de recursos. O alcance multilíngue concentra valor em mercados onde os concorrentes historicamente ficam para trás: sotaques regionais, troca de código entre idiomas no meio da frase e idiomas com poucos recursos punem modelos treinados de forma restrita em corpora com alto teor de inglês.

Para empresas globais que administram centros de suporte em dezenas de países, um único modelo que lida com a detecção de idiomas reduz de forma transparente a complexidade da integração – um pipeline em vez de muitas configurações por mercado. Combinado com a distribuição através dos bilhões de instalações Android do Gboard, o Google está posicionando o multilinguismo com qualidade de transcrição como infraestrutura, em vez de um recurso premium.

O que assistir

Três sinais mostrarão se o Gemini 3.5 Transcribe altera a participação de mercado ou apenas aumenta as expectativas: migração de desenvolvedores em benchmarks de terceiros nos próximos meses; a rapidez com que os rivais correspondem aos números de latência em vez das reivindicações de precisão; e se os ganchos de chamada de função geram uma onda de agentes de voz criados nativamente no Gemini. O lançamento já está no ar e os níveis de preços por meio do AI Studio devem tornar a experimentação barata o suficiente para que os custos de troca caiam para quase nada.

---

Fique à Frente da IA

As últimas notícias, análises e avanços em inteligência artificial — tudo em um só lugar.

Ler mais notícias de IA →