Google lanza Gemini 3.5 Transcribe: speech-to-text en 85+ idiomas con WER de 2.6%

El modelo de voz a texto más preciso de Google

Google ha presentado Gemini 3.5 Transcribe, su modelo de conversión de voz a texto más preciso hasta la fecha. Diseñado para interacciones de voz inteligentes, el modelo transcribe habla natural en más de 85 idiomas, eliminando palabras de relleno, manejando autocorrecciones y capturando la intención final del hablante.

Características principales

Filtrado inteligente de disfluencias

El modelo elimina automáticamente palabras de relleno como "ums", "ahs" y vacilaciones. No es una simple eliminación de palabras: el modelo entiende cuándo el hablante se corrige a sí mismo. Si dices "Envía el reporte a las 4... actually, que sean las 5", transcribe solo tu intención final: "Envía el reporte a las 5".

Reconocimiento multi-hablante

Distingue hasta 3 hablantes distintos con marcas de tiempo, detectando acentos regionales y dialectos. Esto lo hace útil para transcribir reuniones, entrevistas y conversaciones grupales.

Code-switching entre idiomas

Si cambias de idioma mid-conversación (común en hablantes bilingües), el modelo lo maneja sin problema. Detecta automáticamente el idioma sin selección manual.

Formato contextual

Convierte automáticamente el habla en sintaxis proper:

• Números: "$26M" en lugar de "veintiséis millones de dólares"
• Fechas: formato correcto según contexto
• Moneda: símbolos apropiados
• Direcciones: formato estructurado

Métricas de precisión

Métrica	Valor
WER (Word Error Rate) streaming	4.0%
WER no-streaming	2.6%
Mejora en tiempo de transcripción	70% vs modelo anterior
Idiomas soportados	85+
Hablantes distinguibles	Hasta 3 con timestamps

Comparación con speech-to-text tradicional

Feature	STT tradicional	Gemini 3.5 Transcribe
Palabras de relleno	Se transcriben ("um, so...")	Se filtran automáticamente
Correcciones mid-sentence	Se transcribe el error completo	Se resuelve a la intención final
Detección de idioma	Selección manual requerida	Auto-detecta 85+ idiomas
Formato	Texto literal	Contextual (fechas, números, moneda)
Multi-hablante	No soportado o limitado	Hasta 3 con timestamps

Integraciones

Gboard (Android)

Transforma pensamientos hablados en texto, eliminando palabras de relleno. Permite dictar mensajes, emails y notas con precisión natural.

Google Antigravity

Combina contexto de pantalla y historial de chat del usuario para realizar transcripción precisa contextual. La transcripción entiende qué estás viendo y a qué te refieres.

Gemini App (macOS)

Comandos de voz que se integran con el contexto de pantalla. Permite:

• Resumir archivos con la voz
• Reutilizar texto entre apps
• Generar imágenes por voz
• Optimizar flujos de trabajo completos

Google AI Studio

Los desarrolladores pueden usar el modelo para escribir código de aplicaciones con la voz en el modo Build. Disponible como preview pública en la API Gemini.

Chrome (próximamente)

Google está trabajando en integrar Gemini 3.5 Transcribe en Chrome para que los usuarios puedan dictar texto en cualquier campo web. Esto significa redactar respuestas, publicaciones o usar Gemini con voz en cualquier sitio web.

Gemini Enterprise Agent Platform

Disponible en versión preliminar para clientes enterprise que necesitan transcripción a escala.

Casos de uso

• Reuniones y notas: transcribir reuniones con identificación de hablantes
• Dictado de documentos: redactar emails, informes, documentos con voz natural
• Coding por voz: escribir código en Google AI Studio
• Atención al cliente: transcribir llamadas en tiempo real con formato
• Accesibilidad: entrada de texto por voz para personas con movilidad reducida
• Contenido multilingüe: transcribir contenido en 85+ idiomas sin cambiar configuración

Disponibilidad

Plataforma	Estado
Gemini app (macOS)	Disponible (inglés)
Rambler (Android)	Disponible
Google AI Studio (API)	Preview pública
Google Antigravity	Preview pública
Gemini Enterprise Agent Platform	Preview
Chrome	En desarrollo

Por qué importa

El speech-to-text ha sido históricamente una experiencia frustrante: transcribe todo literalmente, incluyendo errores, vacilaciones y palabras de relleno. Gemini 3.5 Transcribe cambia el paradigma: no transcribe lo que dices, transcribe lo que quieres decir.

Con un WER de 2.6% en modo no-streaming, el modelo se acerca a la precisión humana. Y con integración nativa en Gboard, Chrome, Gemini y AI Studio, Google está posicionando la voz como un método de input primario, no como una característica de accesibilidad opcional.

Conclusión

Gemini 3.5 Transcribe representa un salto cualitativo en speech-to-text. No es solo más preciso (WER 2.6%), sino que entiende la intención: filtra rellenos, resuelve autocorrecciones, formatea contextualmente y maneja 85+ idiomas con code-switching. Si Google logra integrarlo en Chrome como promete, la voz dejará de ser una curiosidad para convertirse en la forma más natural de interactuar con la web.