Gemini 3.5 Transcribe: a Google filtra hesitações em tempo real

A Google DeepMind apresentou o Gemini 3.5 Transcribe a 26 de agosto de 2026, descrito como o seu "modelo de voz para texto mais preciso até à data", concebido para converter áudio em bruto diretamente em texto preciso e formatado, segundo o blogue oficial da empresa. O sistema procura aquilo a que a Google chama "interações de voz inteligentes", indo além do reconhecimento de voz convencional, que falha perante ruído de fundo, jargão técnico e hesitações.

Segundo números que a 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 teste multilingue FLEURS, o modelo regista um WER de 5,50% em streaming e 5,04% em uso não contínuo, e a Google afirma que o tempo até à transcrição final melhora 70% face ao modelo anterior, o Chirp 3.

O que o distingue do reconhecimento de voz convencional

A proposta central do modelo é a "transcrição inteligente": lida sem atrito com autocorreções — o exemplo dado pela Google é alguém a dizer "encontramo-nos na terça — não, na quarta" —, remove palavras de preenchimento como "é" e "hã", e formata o texto automaticamente. Programadores e utilizadores podem também fornecer-lhe um vocabulário personalizado para que transcreva corretamente jargão especializado ou grafias pouco habituais em vez de adivinhar.

O Gemini 3.5 Transcribe deteta e transcreve automaticamente mais de 85 idiomas, lidando com sotaques regionais e dialetos sem que o utilizador indique o idioma antecipadamente, segundo o anúncio da DeepMind. Em áudio pré-gravado, pode também atribuir a fala a até três interlocutores distintos com marcação temporal por palavra; a Google indica que o suporte a mais de três falantes continua experimental.

Para além da transcrição, o modelo pode acionar "chamadas de função" para delegar tarefas — como geração de imagens ou análise de ficheiros — noutros modelos Gemini, uma funcionalidade já ativa na aplicação Gemini para macOS. O órgão de comunicação alemão The Decoder informou ainda que o modelo pode delegar assim pesquisas na web, um uso que a própria publicação oficial da Google não menciona explicitamente.

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

• Streaming em tempo real, através da Live API (modelo gemini-3.5-transcribe-live), para agentes de voz e legendagem em direto com latência inferior a um segundo
• Processamento de áudio pré-gravado, através da Interactions API (modelo gemini-3.5-transcribe), para reuniões, registos de chamadas e análises pós-atendimento
• Rambler, uma nova funcionalidade de ditado no Gboard para Android, em países e idiomas selecionados
• A aplicação Gemini no macOS, disponível em inglês por agora, que combina transcrição com comandos de voz e contexto do ecrã
• Google Antigravity, onde o modelo combina contexto do ecrã e histórico de conversa para transcrever com precisão nomes de ficheiros e termos técnicos
• O modo Build do Google AI Studio, para descrever e construir aplicações pela voz

Plataformas de terceiros como a Agora, a Fishjam, a LangChain, a LiveKit, a Pipecat, a Vercel e a Vision Agents já assentam na Live API para lançar interfaces controladas pela voz, e a Google cita comentários da Vivo, da Intellitek Health e da Lingopal. O suporte ao Chrome, que vai permitir ditar texto em qualquer campo da web, é anunciado como algo "brevemente disponível".

Um lançamento discreto no meio de uma espera maior

O The Verge assinala que o Gemini 3.5 Transcribe chega enquanto o modelo Gemini 3.5 Pro, prometido pela Google para junho, ainda não foi lançado. O órgão também informou — e depois corrigiu, após novo contacto da Google — que outros dois modelos de áudio, o Gemini 3.5 Live e o 3.5 Live Experimental, afinal não seriam lançados juntamente com o Transcribe, apesar de informações fornecidas inicialmente pela Google; não foi avançada nova data para eles. A disponibilidade em si mantém-se faseada: o modelo de transcrição está em pré-visualização pública para programadores via Google AI Studio e Antigravity, em pré-visualização pública para empresas via a Gemini Enterprise Agent Platform, e apenas parcialmente disponível para o público em geral.

Para as empresas portuguesas que processam grandes volumes de áudio multilingue — centros 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 se segue a uma transcrição em bruto. O WER mais baixo em áudio pré-gravado (2,6%) face ao streaming (4,0%) sugere que, para já, os usos não contínuos como a análise de centros de atendimento são a aposta mais segura, enquanto a legendagem em tempo real e os agentes de voz continuam ligeiramente mais ruidosos. As empresas que avaliem a ferramenta devem também ter em conta que a atribuição a mais de três falantes e o suporte completo em português no macOS ainda não estão disponíveis, o que adia a utilização em produção para reuniões com várias vozes.