Google ha presentado oficialmente Gemini 3.5 Transcribe, su nuevo modelo de inteligencia artificial especializado en convertir voz en texto. La compañía lo define como su sistema de transcripción «más preciso hasta la fecha», y no es para menos: según las cifras que maneja, la tasa de error de palabras (WER) se queda en un 2,6% cuando se procesa audio ya grabado y en un 4% si hablamos de transmisiones en tiempo real. Estas mediciones, realizadas por la plataforma independiente Artificial Analysis, sitúan al modelo en una posición muy competitiva dentro del mercado, aunque no lidera la clasificación absoluta.
La gran novedad no es solo la precisión, sino la forma en que el modelo entiende el habla. Gemini 3.5 Transcribe no se limita a copiar lo que escucha: es capaz de eliminar muletillas como «eh» o «em», interpretar las autocorrecciones que hacemos al hablar (por ejemplo, «quedamos el martes… no, el miércoles») y dar formato automático al texto resultante. Todo esto, además, en más de 85 idiomas y con reconocimiento de acentos regionales y dialectos. La promesa de Google es que el tiempo necesario para obtener la transcripción final se reduce un 70% en comparación con su predecesor, Chirp 3.
Así funciona Gemini 3.5 Transcribe
El modelo está diseñado para captar el estilo natural de cada persona. La clave está en que convierte el audio sin procesar directamente en texto pulido y formateado, sin necesidad de pasar por etapas intermedias. Esto se nota especialmente en entornos ruidosos, donde el sistema mantiene una precisión notable, y a la hora de reconocer datos alfanuméricos como códigos postales o números de pedido, que tradicionalmente se resisten a los sistemas de transcripciones en vivo automáticos.
Otra de las funciones destacadas es el vocabulario personalizado. Los usuarios pueden proporcionar hasta mil términos específicos —jerga técnica, nombres propios, siglas— para que el modelo los reconozca sin errores. En cuanto a la identificación de hablantes, en archivos pregrabados puede distinguir hasta tres voces distintas con marcas de tiempo, aunque el soporte para más de tres interlocutores se considera experimental. La detección automática de idiomas permite incluso cambiar de lengua a mitad de conversación, algo muy útil en entornos multilingües.
Integración en productos y herramientas
Google ya ha empezado a desplegar Gemini 3.5 Transcribe en varios de sus productos. En Gboard para Android, la función Rambler permite dictar mensajes y el modelo se encarga de limpiar las muletillas y dar formato al texto. En la aplicación Gemini para macOS, los usuarios pueden dar órdenes por voz que se combinan con el contexto de la pantalla para resumir archivos, reutilizar texto entre aplicaciones o incluso generar imágenes. En Google Antigravity, la transcripción tiene en cuenta el historial de chat y lo que aparece en pantalla, lo que mejora la precisión en tareas complejas.
Para los desarrolladores, Google AI Studio ofrece la posibilidad de escribir código mediante comandos de voz, aunque esta función está limitada al modo Build. Y en el horizonte está Chrome: la compañía ha confirmado que el modelo llegará próximamente al navegador, permitiendo dictar texto en cualquier campo web. Eso abriría la puerta a redactar correos, publicaciones o interactuar con Gemini sin tocar el teclado, una comodidad que muchos esperan con impaciencia.
Disponibilidad para desarrolladores y precios
La oferta para desarrolladores se divide en dos APIs diferenciadas. Por un lado, gemini-3.5-transcribe-live permite el streaming bidireccional en tiempo real con una latencia inferior al segundo, pensada para agentes de voz interactivos y subtitulado en directo. Esta modalidad tiene un límite de diez minutos por sesión y no incluye identificación de hablantes ni marcas de tiempo por palabra. Por otro lado, gemini-3.5-transcribe procesa archivos pregrabados de hasta una hora de duración, con atribución de hasta ocho hablantes (aunque más de tres es experimental) y timestamps a nivel de palabra si se activan las funciones avanzadas.
En cuanto a precios, Google no ha publicado tarifas fijas, pero sus estimaciones apuntan a un coste combinado de aproximadamente 0,009 dólares por minuto para la modalidad en vivo y 0,005 dólares por minuto para el procesamiento de archivos. Estas cifras lo sitúan en un rango competitivo frente a rivales como Deepgram o AssemblyAI, aunque la comparación exacta dependerá del volumen y las características de cada proyecto. En las pruebas de Artificial Analysis, el modelo ocupa el quinto puesto en precisión, lo que indica que la afirmación de Google de ser «el más preciso» se refiere a su propio catálogo, no al mercado global.
El futuro: Chrome y más allá
Más allá de las integraciones ya confirmadas, Google ha adelantado que Gemini 3.5 Transcribe incorpora capacidades de function calling. Esto significa que el modelo puede delegar tareas complejas —como generar imágenes o analizar archivos— a otros modelos de la familia Gemini, todo desde la misma interfaz de voz. Esta funcionalidad ya está activa en la aplicación de Gemini para macOS y se espera que se extienda al resto del ecosistema.
La llegada a Chrome es uno de los movimientos más esperados. Aunque no hay fecha concreta, la compañía ha confirmado que está trabajando en ello. La posibilidad de dictar texto en cualquier campo web, desde formularios hasta chats, podría cambiar la forma en que interactuamos con internet. Sin embargo, los expertos recuerdan que la edición automática del discurso no siempre es deseable: en contextos legales, médicos o periodísticos, la transcripción literal sigue siendo esencial, y un modelo que «limpia» el habla podría alterar el significado original.
Con todo, Gemini 3.5 Transcribe representa un paso adelante en la madurez de la transcripción por voz. La combinación de precisión, velocidad y funciones inteligentes lo convierte en una herramienta atractiva tanto para usuarios particulares como para empresas que necesitan convertir notas de voz a texto en grandes volúmenes de audio. La clave estará en cómo cada uno gestione el equilibrio entre la comodidad de un texto pulido y la fidelidad de lo que realmente se dijo. Mientras tanto, Google sigue ampliando su familia Gemini con un modelo que, sin hacer ruido, podría convertirse en el estándar para dictar en el día a día.
Continúar leyendo...