Gemini 3.5 Transcribe: Google filtra hesitações e repetições em tempo real

O Google DeepMind apresentou o Gemini 3.5 Transcribe em 26 de agosto de 2026, descrito como seu "modelo de voz para texto mais preciso até agora", criado para converter áudio bruto diretamente em texto preciso e formatado, segundo o blog oficial da empresa. O sistema busca o que o Google chama de "interações de voz inteligentes", indo além do reconhecimento de voz convencional, que falha diante de ruído de fundo, jargão técnico e hesitações.

Segundo números que o Google atribui à empresa independente de avaliação Artificial Analysis, o Gemini 3.5 Transcribe atinge uma taxa de erro de palavras (WER) média de 4,0% em streaming e de 2,6% em áudio pré-gravado. No benchmark multilíngue FLEURS, o modelo registra WER de 5,50% em streaming e 5,04% em uso não contínuo, e o Google afirma que o tempo até a transcrição final melhora 70% em relação ao modelo anterior, o Chirp 3.

O que o diferencia do reconhecimento de voz convencional

A proposta central do modelo é a "transcrição inteligente": ele lida sem atrito com autocorreções — o exemplo dado pelo Google é alguém dizendo "vamos nos encontrar na terça — não, na quarta" —, remove palavras de preenchimento como "é" e "tipo assim", e formata o texto automaticamente. Desenvolvedores e usuários também podem fornecer um vocabulário personalizado para que ele transcreva corretamente jargões específicos ou grafias incomuns em vez de adivinhar.

O Gemini 3.5 Transcribe detecta e transcreve automaticamente mais de 85 idiomas, lidando com sotaques regionais e dialetos sem que o usuário informe o idioma antecipadamente, segundo o anúncio do DeepMind. Em áudio pré-gravado, ele também pode atribuir a fala a até três interlocutores distintos com marcação de tempo por palavra; o Google informa que o suporte a mais de três falantes ainda é experimental.

Além da transcrição, o modelo pode acionar "chamadas de função" para delegar tarefas — como geração de imagens ou análise de arquivos — a outros modelos Gemini, recurso já ativo no aplicativo Gemini para macOS. O veículo alemão The Decoder informou ainda que o modelo pode delegar buscas na web dessa forma, um uso que a própria publicação oficial do Google não menciona explicitamente.

Duas interfaces de programação, e cada vez mais frentes de uso

• Streaming em tempo real, via a Live API (modelo gemini-3.5-transcribe-live), para agentes de voz e legendagem ao vivo com latência inferior a um segundo
• Processamento de áudio pré-gravado, via a Interactions API (modelo gemini-3.5-transcribe), para reuniões, registros de chamadas e análises pós-atendimento
• Rambler, um novo recurso de ditado no Gboard para Android, em países e idiomas selecionados
• O aplicativo Gemini no macOS, disponível em inglês por enquanto, que combina transcrição com comandos de voz e contexto da tela
• Google Antigravity, onde o modelo combina contexto de tela e histórico de conversa para transcrever com precisão nomes de arquivos e termos técnicos
• O modo Build do Google AI Studio, para descrever e construir aplicativos por voz

Plataformas de terceiros como Agora, Fishjam, LangChain, LiveKit, Pipecat, Vercel e Vision Agents já usam a Live API para lançar interfaces controladas por voz, e o Google cita comentários da Vivo, da Intellitek Health e da Lingopal. O suporte ao Chrome, que permitirá ditar texto em qualquer campo da web, é anunciado como algo que "chega em breve".

Um lançamento discreto em meio a uma espera maior

The Verge observa que o Gemini 3.5 Transcribe chega enquanto o modelo Gemini 3.5 Pro, prometido pelo Google para junho, ainda não foi lançado. O veículo também informou — e depois corrigiu, após novo contato do Google — que outros dois modelos de áudio, o Gemini 3.5 Live e o 3.5 Live Experimental, na verdade não seriam lançados junto com o Transcribe, apesar de informações fornecidas inicialmente pelo Google; nenhuma nova data foi divulgada para eles. A disponibilidade em si segue escalonada: o modelo de transcrição está em pré-visualização pública para desenvolvedores via Google AI Studio e Antigravity, em pré-visualização pública para empresas via a Gemini Enterprise Agent Platform, e só parcialmente disponível para o público em geral.

Para empresas brasileiras que processam grandes volumes de áudio multilíngue — centrais de atendimento, reuniões comerciais, podcasts, legendagem —, uma camada de transcrição que remove hesitações e atribui a fala automaticamente pode reduzir o tempo de revisão manual que normalmente segue uma transcrição bruta. O WER menor em áudio pré-gravado (2,6%) frente ao streaming (4,0%) sugere que, por ora, usos não contínuos como a análise de centrais de atendimento são a aposta mais segura, enquanto legendagem em tempo real e agentes de voz ainda apresentam um pouco mais de ruído. As empresas que avaliarem a ferramenta também devem considerar que a atribuição para mais de três falantes e o suporte completo em português no macOS ainda não estão disponíveis, o que adia o uso em produção para reuniões com várias vozes.