Google lança Gemini 3.5 Transcribe para limpar áudio em 85 idiomas

O Gemini 3.5 Transcribe não apenas captura o que alguém diz. Ele converte o que foi dito no que a pessoa realmente queria dizer. Quando um falante se corrige no meio da frase — ‘Vamos agendar para terça, não, quarta’ — o modelo exibe ‘quarta’ e descarta a correção. Palavras de enchimento desaparecem. Ruído de fundo não o impede. O resultado chega como texto polido e formatado, não como captura bruta de áudio.

Para qualquer pessoa que grave entrevistas, podcasts ou conteúdo multilíngue, essa distinção é todo o fluxo de trabalho. Toda ferramenta de transcrição no mercado lida com ‘o que foi dito.’ O editor humano que limpava depois cuidava de todo o resto. O Google agora está construindo esse editor dentro do próprio modelo.

O modelo suporta dois caminhos distintos de API. A Live API lida com streaming bidirecional contínuo com latência inferior a um segundo — projetada para agentes de voz em tempo real, bots de atendimento ao cliente e qualquer coisa que precise de transcrição instantânea. A Interactions API lida com áudio gravado: reuniões completas, registros de chamadas e entrevistas, retornando atribuição de falante para até três participantes com timestamps. Ambas alcançam uma taxa de erro de palavras de 4,0% no modo streaming e 2,6% no modo não streaming — medidas pela empresa independente de benchmarking Artificial Analysis. O modelo anterior de fala para texto do Google, Chirp 3, exigia 70% mais tempo para chegar à transcrição final.

O lado do consumidor neste lançamento é mais modesto. No Android, o Gboard Rambler já usa o Gemini 3.5 Transcribe para entrada de voz para texto. O aplicativo Gemini para macOS o suporta em inglês por meio de um recurso Speak to Window. O Chrome é listado como ‘em breve’, o que permitiria aos usuários ditar em qualquer campo da web — respostas, postagens, formulários — sem trocar de aplicativo. Nenhuma data específica para essa implementação foi confirmada.

Os limites do modelo importam. A atribuição de múltiplos falantes é limitada a três participantes; painéis e mesas-redondas com elencos maiores exigem soluções alternativas. O aplicativo Rambler para consumidores está disponível atualmente em ‘países e idiomas selecionados’, não nos 85 que o modelo suporta. O Google não anunciou preços para a API, que está em pré-visualização pública através do Google AI Studio. O acesso empresarial vem através da Plataforma de Agentes Empresariais Gemini, onde os preços são negociados separadamente. Para criadores menores, a questão do custo permanece em aberto.

O quadro competitivo também é relevante. O Whisper da OpenAI, ainda o padrão para desenvolvedores independentes, atinge taxas de erro de palavras na faixa de 5–7% em áudio em inglês e requer código de pós-processamento para lidar com remoção de palavras de enchimento e formatação. Serviços como AssemblyAI e Deepgram oferecem diarização de falantes, mas não a correção de linguagem natural integrada que o Gemini 3.5 Transcribe aplica por padrão. A diferença é mensurável, embora como ela se sustenta na parte mais difícil do alcance de 85 idiomas — sotaques regionais, idiomas com poucos recursos, ambientes ruidosos — exigirá testes independentes para ser estabelecida.

O recurso que mais sinaliza sobre a direção de longo prazo do Google é a integração com o Chrome. Quando a entrada por voz funcionar em qualquer campo da web, o modelo não será mais uma ferramenta para desenvolvedores — será infraestrutura para como as pessoas digitam. O cronograma de implementação para essa mudança não foi confirmado.

Tags: Google, Gemini, AI, audio-ai, creator-tools, speech-to-text