Gemini 3.5 Transcribe: Google filtra muletillas y repeticiones en vivo

Google DeepMind presentó Gemini 3.5 Transcribe el 26 de agosto de 2026, descrito como su "modelo de voz a texto más preciso hasta la fecha", diseñado para convertir audio en bruto directamente en texto preciso y formateado, según el blog oficial de la empresa. El sistema apunta a lo que Google llama "interacciones de voz inteligentes", más allá del reconocimiento de voz convencional, que falla ante el ruido de fondo, la jerga y las vacilaciones.

Según cifras que Google atribuye a la firma independiente de evaluación Artificial Analysis, Gemini 3.5 Transcribe alcanza una tasa de error de palabras (WER) promedio del 4,0 % en streaming y del 2,6 % en audio pregrabado. En el benchmark multilingüe FLEURS, el modelo registra un WER del 5,50 % en streaming y del 5,04 % en uso no continuo, y Google afirma que el tiempo hasta obtener la transcripción final mejora un 70 % respecto a su modelo anterior, Chirp 3.

Qué lo diferencia del reconocimiento de voz convencional

La apuesta central del modelo es la "transcripción inteligente": gestiona sin fricciones las autocorrecciones —el ejemplo que da Google es alguien diciendo "quedamos el martes... no, el miércoles"—, elimina muletillas como "eh" o "esto", y da formato al texto automáticamente. Desarrolladores y usuarios también pueden aportarle un vocabulario personalizado para que transcriba correctamente jerga especializada u ortografías poco habituales en lugar de adivinar.

Gemini 3.5 Transcribe detecta y transcribe automáticamente más de 85 idiomas, gestionando acentos regionales y dialectos sin que el usuario indique el idioma de antemano, según el anuncio de DeepMind. En audio pregrabado, también puede atribuir el habla a hasta tres interlocutores distintos con marcas de tiempo por palabra; Google señala que la compatibilidad con más de tres hablantes sigue siendo experimental.

Más allá de la transcripción, el modelo puede activar "llamadas a funciones" para delegar tareas —como generar imágenes o analizar archivos— en otros modelos Gemini, una capacidad ya activa en la aplicación Gemini de macOS. El medio alemán The Decoder informó además que el modelo puede delegar así búsquedas web, un uso que la propia entrada oficial de Google no menciona explícitamente.

Dos interfaces de programación, y cada vez más superficies de uso

• Streaming en tiempo real, vía la Live API (modelo gemini-3.5-transcribe-live), para agentes de voz y subtitulado en vivo con una latencia inferior al segundo
• Procesamiento de audio pregrabado, vía la Interactions API (modelo gemini-3.5-transcribe), para reuniones, registros de llamadas y análisis posteriores
• Rambler, una nueva función de dictado en Gboard para Android, en países e idiomas seleccionados
• La aplicación Gemini en macOS, disponible en inglés por ahora, que combina transcripción con comandos de voz y contexto de pantalla
• Google Antigravity, donde el modelo combina contexto de pantalla e historial de chat para transcribir con precisión nombres de archivo y términos técnicos
• El modo Build de Google AI Studio, para describir y construir aplicaciones con la voz

Plataformas externas como Agora, Fishjam, LangChain, LiveKit, Pipecat, Vercel y Vision Agents ya se apoyan en la Live API para lanzar interfaces controladas por voz, y Google cita comentarios de Vivo, Intellitek Health y Lingopal. La compatibilidad con Chrome, que permitirá dictar texto en cualquier campo web, se anuncia como "próximamente".

Un lanzamiento discreto en medio de una espera mayor

The Verge señala que Gemini 3.5 Transcribe llega mientras el modelo Gemini 3.5 Pro, prometido por Google para junio, todavía no se ha lanzado. El medio también informó —y luego corrigió tras ser contactado de nuevo por Google— que otros dos modelos de audio, Gemini 3.5 Live y 3.5 Live Experimental, en realidad no se lanzaban junto con Transcribe pese a la información que Google había dado inicialmente; no se ofreció una nueva fecha para ellos. La disponibilidad en sí sigue siendo escalonada: el modelo de transcripción está en vista previa pública para desarrolladores vía Google AI Studio y Antigravity, en vista previa pública para empresas vía la Gemini Enterprise Agent Platform, y solo parcialmente desplegado para el público general.

Para las empresas hispanohablantes que procesan grandes volúmenes de audio multilingüe —centros de atención telefónica, reuniones comerciales, pódcast, subtitulado—, una capa de transcripción que retira muletillas y atribuye el habla automáticamente podría reducir el tiempo de revisión manual que suele seguir a una transcripción en bruto. El WER más bajo en audio pregrabado (2,6 %) frente al streaming (4,0 %) sugiere que, por ahora, los usos diferidos como el análisis de centros de llamadas son la apuesta más segura, mientras que el subtitulado en vivo y los agentes de voz siguen siendo algo más ruidosos. Las empresas que lo evalúen deben tener en cuenta también que la atribución más allá de tres hablantes y el soporte completo en español para macOS todavía no están disponibles, lo que retrasa su uso en producción para reuniones con varias voces.