O Google enviou discretamente duas atualizações significativas do modelo Gemini em 48 horas esta semana, e ambas são voltadas diretamente para desenvolvedores que criam aplicativos de produção. O Gemini 3.5 Transcribe, lançado em 26 de agosto, é o modelo de fala para texto mais preciso da empresa até o momento, de acordo com o blog oficial do Google. Gemini Omni 1.1 Flash, anunciado em 27 de agosto, traz controles de nível profissional para vídeo generativo, incluindo extensão de cena de até 40 segundos e upscaling de 4K. Ambos os modelos estão disponíveis por meio da API Gemini no Google AI Studio e na Gemini Enterprise Agent Platform.

Gemini 3.5 Transcribe: conversão de fala em texto que se limpa depois de si mesma Para mais contexto sobre esta história, confira nossa notícias de IA.

O que distingue o Gemini 3.5 Transcribe do reconhecimento de fala convencional, diz o Google, é que ele converte o áudio bruto diretamente em texto formatado e polido, em vez de uma transcrição bruta. O modelo lida com ruído de fundo, jargões complexos e limpeza de disfluências nativamente - remove palavras de preenchimento como "ums" e "ahs", resolve autocorreções como "vamos nos encontrar terça-feira - não, quarta-feira" e formata automaticamente a saída.

Os números de benchmark citados pelo Google são notáveis. Conforme medido pela Análise Artificial, o modelo atinge uma taxa média de erro de palavra (WER) de 4,0% para casos de uso de streaming e 2,6% para áudio sem streaming. No benchmark multilíngue FLEURS nos principais idiomas, ele apresenta um WER de 5,50% no modo streaming e 5,04% no modo não streaming, melhorando o modelo de transcrição anterior do Google, o Chirp 3. O tempo para a transcrição final melhora em 70% em comparação com o Chirp 3, novamente conforme medido pela Análise Artificial.

O modelo é fornecido em duas variantes para dois fluxos de trabalho. Para aplicações ao vivo, `gemini-3.5-transcribe-live` oferece streaming bidirecional contínuo com latência de menos de um segundo por meio da API Live, visando agentes de voz e legendagem em tempo real. Para áudio gravado – reuniões, registros de chamadas, arquivos – `gemini-3.5-transcribe` oferece atribuição de palestrante para até três palestrantes (com suporte para mais no modo experimental) e carimbos de data/hora em nível de palavra por meio da API Interactions.

Outros recursos incluem detecção e transcrição automáticas em mais de 85 idiomas com tratamento de sotaque e dialeto, e suporte a vocabulário personalizado para que o modelo se adapte a jargões especializados e grafias exclusivas. O Google também deu uma espécie de visão ao modelo: por meio da chamada de função, ele pode delegar tarefas como geração de imagens ou análise de arquivos para outros modelos Gemini – um recurso atualmente disponível no aplicativo Gemini no macOS.

Gemini Omni 1.1 Flash: geração de vídeo cresce na linha do tempo

O segundo lançamento aborda a reclamação mais comum sobre vídeo de IA: controle. Gemini Omni 1.1 Flash é uma atualização focada na produção que torna o vídeo generativo orientável de uma forma que seus antecessores não eram, com os gerentes de produto do Google DeepMind, Anish Nangia e Alisa Fortin, descrevendo o lançamento como tornando o Omni 1.1 "pronto para produção para uso profissional".

A extensão da cena é o recurso principal. Os desenvolvedores agora podem continuar gerando filmagens perfeitamente a partir de um clipe existente, com o modelo analisando até 10 segundos do contexto anterior – um salto em relação aos modelos anteriores que faziam referência apenas ao segundo final. Os vídeos podem ser estendidos em incrementos de 10 segundos até uma duração cumulativa de 40 segundos, melhorando a consistência visual e a aderência narrativa para histórias mais longas.

A atualização também adiciona interpolação do primeiro e do último quadro, permitindo que os desenvolvedores especifiquem os quadros inicial e final para criar movimentos de câmera suaves e deliberados e transições entre as fotos. Para entrega, os projetos finalizados podem ser ampliados para resolução 4K, enquanto um modo de visualização de 360p permite que os criadores iterem nos prompts de forma rápida e barata antes de se comprometerem com as renderizações finais.

Da API às superfícies do dia a dia

O Google também está conectando ambos os modelos em seus produtos de consumo, e é aí que sua vantagem de distribuição se mostra. No Android, o novo recurso “Rambler” do Gboard usa o 3.5 Transcribe para transformar pensamentos falados em texto bem formatado enquanto filtra palavras de preenchimento – os usuários podem até fazer edições por voz. O modelo também potencializa o ditado no aplicativo Gemini no macOS, funciona junto com o contexto da tela no Google Antigravity e está sendo integrado ao Chrome.

Para os desenvolvedores, os dois lançamentos são interpretados como uma estratégia: o Google está transformando o Gemini de um chatbot com o qual você conversa em uma infraestrutura que vê, ouve e produz mídia. Com OpenAI, ElevenLabs e um grupo de startups de vídeo competindo no mesmo território, a taxa de erro de palavras de 2,6% e cenas coerentes de 40 segundos são a oferta inicial do Google para as cargas de trabalho de produção que realmente geram receita – agentes de voz, pipelines de legendas e ferramentas criativas. Os desenvolvedores podem começar a construir com ambos os modelos no Google AI Studio hoje mesmo.

Por que a taxa de erro de palavras ainda é importante

A taxa de erros de palavras parece uma estatística acadêmica, mas na produção é a diferença entre um produto de voz que funciona e outro que frustra. Cada expressão mal compreendida em um agente de voz interrompe uma tarefa: um ID de pedido mal ouvido aciona uma pesquisa falhada, um endereço ilegível envia um pacote para a cidade errada. É por isso que a diferença entre um WER de 2,6% em áudio sem streaming e as altas taxas de um dígito que eram comuns na geração de modelos atrás resulta em uma diferença de ordem de grandeza na usabilidade.

A distinção entre os dois modos relatados pelo Google também é importante para os arquitetos. A transcrição de streaming – o valor de 4,0% do WER – troca alguma precisão por latência inferior a um segundo, exigida por casos de uso interativos, como agentes de voz ao vivo. A transcrição em lote de áudio gravado é mais lenta, mas atinge 2,6%, razão pela qual a análise pós-chamada e o processamento de arquivo podem ser mais exigentes. A decisão do Google de expor ambos como endpoints de modelos separados, em vez de uma configuração ajustável, reconhece que os desenvolvedores criam produtos diferentes em ambos os lados dessa compensação.

Um fluxo de trabalho em camadas para produção de vídeo

A atualização do Omni 1.1 Flash é igualmente pragmática sobre como o trabalho criativo realmente acontece. A iteração do vídeo generativo tem sido cara: cada experimento imediato significava uma renderização completa. O novo modo de visualização em 360p separa a exploração da entrega, permitindo que os criadores percorram variações imediatas de maneira barata e paguem apenas pelo upscaling de 4K nas cenas que sobrevivem à revisão.

A mecânica de extensão de cena aborda o problema de coerência que manteve o vídeo de IA no gueto do tamanho de um clipe. Ao analisar 10 segundos do contexto anterior em vez de apenas o quadro final, o modelo pode estender uma cena em incrementos de 10 segundos até 40 segundos, mantendo os personagens, a iluminação e o estilo visual consistentes. Combinado com a interpolação do primeiro e do último quadro – que dá aos editores pontos de controle determinísticos, a maneira como os marcadores de entrada e saída funcionam na edição convencional – as filmagens geradas por IA começam a se encaixar em pipelines reais de pós-produção, em vez de substituí-los no atacado.

O quadro competitivo

Ambos os lançamentos posicionam o Google como infraestrutura e não como destino. Falando, o Google está enfrentando fornecedores especializados de transcrição e pilhas de voz de seus rivais na nuvem, agregando precisão de última geração à API Gemini que seus desenvolvedores já usam. No vídeo, está competindo em um mercado repleto de startups bem financiadas, enfatizando o controle e a integração do fluxo de trabalho em detrimento do espetáculo bruto.

A vantagem da distribuição pode ser o fator decisivo. O mesmo modelo de transcrição que os desenvolvedores podem chamar da API Gemini já alimenta o ditado Rambler do Gboard no Android, o aplicativo Gemini no macOS, Google Antigravity e Chrome – o que significa que o Google pode amortizar o desenvolvimento do modelo em bilhões de interações de usuários enquanto coleta o áudio diversificado do mundo real que continua melhorando-o. Para os desenvolvedores que escolherem uma pilha de fala ou vídeo em 2026, esse volante agora faz parte do argumento de venda.

---

Fique à Frente da IA

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

Ler mais notícias de IA →