Gemini 3.5 Transcribe : Google filtre les hésitations en direct

Google DeepMind a présenté Gemini 3.5 Transcribe le 26 août 2026, décrit comme son "modèle de reconnaissance vocale le plus précis à ce jour", conçu pour convertir l'audio brut directement en texte formaté et fidèle, selon le blog officiel de l'entreprise. Le système vise ce que Google appelle des "interactions vocales intelligentes", au-delà de la reconnaissance vocale classique qui peine face au bruit de fond, au jargon technique et aux hésitations.

Selon des chiffres que Google attribue au cabinet de mesure indépendant Artificial Analysis, Gemini 3.5 Transcribe atteint un taux d'erreur de mots (WER) moyen de 4,0 % en flux continu et de 2,6 % sur l'audio préenregistré. Sur le référentiel multilingue FLEURS, le modèle affiche un WER de 5,50 % en flux continu et de 5,04 % en traitement différé, et Google indique que le temps nécessaire pour obtenir une transcription finale s'améliore de 70 % par rapport à son précédent modèle, Chirp 3.

Ce qui le distingue d'une reconnaissance vocale classique

L'argument central du modèle est la "transcription intelligente" : il gère sans accroc les autocorrections — l'exemple donné par Google est une personne disant "on se voit mardi — non, mercredi" —, retire les mots de remplissage comme les "euh" et les "ben", et met en forme le texte automatiquement. Développeurs et utilisateurs peuvent aussi lui fournir un vocabulaire personnalisé afin qu'il retranscrive correctement un jargon spécialisé ou une orthographe inhabituelle plutôt que de deviner.

Gemini 3.5 Transcribe détecte et transcrit automatiquement plus de 85 langues, en gérant les accents régionaux et les dialectes sans que l'utilisateur précise sa langue au préalable, selon l'annonce de DeepMind. Sur l'audio préenregistré, il peut aussi attribuer la parole jusqu'à trois locuteurs distincts avec un horodatage au mot près ; Google précise que la prise en charge de plus de trois locuteurs reste expérimentale.

Au-delà de la transcription, le modèle peut déclencher un "appel de fonction" pour déléguer des tâches — comme la génération d'image ou l'analyse de fichiers — à d'autres modèles Gemini, une capacité déjà active dans l'application Gemini sur macOS. Le média allemand The Decoder rapporte par ailleurs que le modèle peut aussi déléguer des recherches web de cette manière, un usage que le billet officiel de Google ne mentionne pas explicitement.

Deux interfaces de programmation, et de plus en plus de terrains d'usage

• Flux en temps réel, via la Live API (modèle gemini-3.5-transcribe-live), pour les agents vocaux et le sous-titrage en direct avec une latence inférieure à la seconde
• Traitement de l'audio préenregistré, via l'Interactions API (modèle gemini-3.5-transcribe), pour les réunions, les journaux d'appels et l'analyse post-appel
• Rambler, une nouvelle fonction de dictée dans Gboard sur Android, dans certains pays et certaines langues
• L'application Gemini sur macOS, disponible en anglais pour l'instant, qui associe la transcription à des commandes vocales et au contexte de l'écran
• Google Antigravity, où le modèle combine contexte d'écran et historique de conversation pour transcrire avec précision noms de fichiers et termes techniques
• Le mode Build de Google AI Studio, pour décrire et construire des applications à la voix

Des plateformes tierces comme Agora, Fishjam, LangChain, LiveKit, Pipecat, Vercel et Vision Agents s'appuient déjà sur la Live API pour proposer des interfaces pilotées par la voix, et Google cite les retours de Vivo, Intellitek Health et Lingopal. La prise en charge de Chrome, qui permettra de dicter du texte dans n'importe quel champ web, est annoncée comme "à venir prochainement".

Une sortie discrète au milieu d'une attente plus large

The Verge relève que Gemini 3.5 Transcribe arrive alors que le modèle Gemini 3.5 Pro, promis par Google pour juin, n'a toujours pas été livré. Le média a aussi rapporté — avant de corriger l'information après que Google l'a recontacté — que deux autres modèles audio, Gemini 3.5 Live et 3.5 Live Experimental, n'étaient en réalité pas lancés en même temps que Transcribe, malgré des informations initialement fournies par Google ; aucune nouvelle date n'a été communiquée pour eux. Le déploiement lui-même reste échelonné : le modèle de transcription est en aperçu public pour les développeurs via Google AI Studio et Antigravity, en aperçu public pour les entreprises via la Gemini Enterprise Agent Platform, et seulement partiellement déployé pour le grand public.

Pour les entreprises françaises et francophones qui traitent de gros volumes d'audio multilingue — centres d'appel, réunions commerciales, podcasts, sous-titrage —, une couche de transcription qui retire les hésitations et attribue automatiquement la parole pourrait réduire le temps de relecture qui suit habituellement une transcription brute. Le WER plus faible sur l'audio préenregistré (2,6 %) que sur le flux en direct (4,0 %) suggère que les usages différés, comme l'analyse des centres d'appels, restent pour l'instant le pari le plus sûr, tandis que le sous-titrage en temps réel et les agents vocaux comportent encore un peu plus de bruit. Les entreprises qui l'évaluent devront aussi tenir compte du fait que l'attribution au-delà de trois locuteurs et la prise en charge complète du français sur macOS ne sont pas encore disponibles, ce qui reporte d'autant son usage en production pour les réunions à plusieurs voix.