Gemini 3.5 Transcribe: el nuevo modelo de voz de Google reduce el error a la mitad
Gemini-3.5-Transcribe
Google presenta Gemini 3.5 Transcribe, su modelo de transcripción más preciso, que convierte audio en texto formateado y limpio en más de 85 idiomas. Con una tasa de error de palabra (WER) del 4.0% en streaming y 2.6% en no streaming, supera a su predecesor Chirp 3 y mejora un 70% el tiempo de transcripción. Incluye reconocimiento de vocabulario personalizado, identificación de hasta tres hablantes y llamadas a funciones para delegar tareas a otros modelos de Gemini. Disponible en la API de Gemini en Google AI Studio y en la plataforma empresarial, ya se integra en productos como Gboard, Antigravity y la app de Gemini en macOS.
Gemini 3.5 Transcribe convierte audio en texto preciso, pulido y formateado, manejando correcciones espontáneas y eliminando muletillas.
- Lucasoato
He probado al menos 20 modelos de STT en un benchmark que monté con voces en alemán, italiano e inglés de reuniones de mi empresa. Las voces contenían palabras muy específicas de la industria, los idiomas cambiaban de una frase a otra, a veces se mencionaban palabras en un idioma mientras la discusión era en otro. El único modelo local que me satisface es Voxtral Mini 3b, la única API de pago que es ligeramente mejor es Eleven Labs. Sí, Voxtral puede que no alcance la mejor puntuación en los benchmarks, pero para mí, simplemente resuelve un problema. Puede que no sea el mejor en cuanto a velocidad... pero eso no es un problema para mí. Encantado de probar este nuevo modelo de Google, pero no estoy seguro de que lo eligiera en lugar de algo que pueda ejecutarse tan fácilmente en mi máquina.
- spentrent
¿Se convertirá "Alguien en la sala de conferencias" en "Bob de contabilidad"?
- Crystalin
Lo he estado probando en el Pixel 11 Pro y en su mayoría no me gusta. Es conveniente cuando tienes algo largo que decir sin pensarlo primero. Pero el problema principal es cuando quieres decir algo preciso con un wording específico: puede que lo "simplifique" y rompa el significado. Algo como "Dudé en comprobarlo, debería haberlo verificado" => "Debería haberlo verificado" (la parte de "Dudé..." se elimina, pero lo dije porque quería que la persona supiera que lo pensé antes). Probé la frase varias veces y siempre eliminaba la primera parte.
- ameliaquining
"Function calling: el modelo puede delegar tareas complejas (como generación de imágenes y análisis de archivos) a otros modelos de Gemini mediante llamadas a funciones. Actualmente disponible en la app de Gemini para macOS". Esto me confundió muchísimo porque parece que el modelo de STT puede hacer llamadas a funciones para ejecutar tareas arbitrarias, lo cual no tendría ningún sentido. La documentación para desarrolladores (https://ai.google.dev/gemini-api/docs/models/gemini-3.5-tran...) confirma que el modelo Gemini 3.5 Transcribe no puede hacer llamadas a funciones. Supongo que la publicación del blog solo usa una redacción muy confusa para describir cómo su app de asistente/chatbot para consumidores puede tomar entrada de audio mediante Gemini 3.5 Transcribe y luego llamar a otras cosas según sea necesario. O quizás ese punto estaba destinado a otro anuncio de modelo y alguien cometió un error de edición.
- lnalx
Probé personalmente todos los modelos de STT para mi traductor en tiempo real (https://fliptalk.ai). Desde la detección de idioma y la precisión en entornos ruidosos hasta el punto más importante: la latencia. Por ahora, Soniox STT v5 es definitivamente el mejor, y estoy impresionado por su rendimiento. Es bueno que Google haya lanzado Gemini-3.5-Transcribe, y supera a todos los demás en precisión, pero definitivamente necesita un poco más de trabajo en la latencia, que es el factor más importante para las aplicaciones de STT.
- zhivota
Sin duda usaría mucho más la API de Gemini si pudiera averiguar cómo darles dinero y que me den tokens. Todo el lío de los niveles es un salto de obstáculos absurdo comparado con su competencia.
- dayone1
¿Alguien sabe si esto está disponible para los suscriptores de Gemini, no para los usuarios de la API? ¿Puedo llamar a este modelo directamente en la CLI de agy?
- blissofbeing
He estado usando Wispr Flow en mi Pixel 9 y me gusta. Hace las cosas que Rambler dice que se supone que hace, pero está disponible en mi Pixel 9, a diferencia de Rambler que actualmente solo está disponible para el Pixel 11.