A Google anunciou em 26 de agosto de 2026 o Gemini 3.5 Transcribe, um novo modelo de conversão de fala em texto projetado para transcrição de áudio em tempo real e interações de voz inteligentes. Em vez de apenas converter áudio bruto em palavras, a empresa afirma que o modelo elimina hesitações e autocorreções, reconhece termos especializados e produz texto formatado mais próximo de uma versão pronta para uso.
O modelo é voltado a desenvolvedores que criam agentes de voz, ferramentas de tradução ou legendas em tempo real e pipelines de processamento para analisar chamadas e reuniões após a gravação. Ele está disponível por meio da Gemini API no Google AI Studio e também pela Gemini Enterprise Agent Platform.
Duas APIs para diferentes usos
A Google oferece o modelo por meio de duas APIs separadas. A primeira é a Live API, usando o modelo gemini-3.5-transcribe-live, que fornece transmissão contínua bidirecional com latência inferior a um segundo, adequada para aplicativos de conversação de voz interativa. A segunda é a Interactions API, usando o gemini-3.5-transcribe para processar gravações, reuniões e registros de chamadas, com atribuição da fala aos interlocutores e adição de marcas de tempo no nível das palavras.
A Google afirma que o Gemini 3.5 Transcribe consegue lidar com autocorreções, como mudar um horário ou uma palavra durante a fala, remover palavras de preenchimento, como hesitações, e formatar o texto automaticamente. Ele também oferece suporte a vocabulários personalizados, que podem ser fornecidos ao modelo para reconhecer termos especializados e grafias incomuns, além de detectar e transcrever mais de 85 idiomas, lidando com dialetos e sotaques regionais.
Em gravações, o modelo atribui a fala a até três interlocutores com marcas de tempo, enquanto o suporte a mais de três interlocutores ainda é experimental. Ele também consegue lidar com a alternância entre idiomas durante a transmissão, um recurso importante em conversas multilíngues, mas a fonte não fornece detalhes sobre todos os idiomas compatíveis nem sobre os limites de desempenho de cada idioma.
Números de desempenho em comparação com o Chirp 3
Segundo as medições da Artificial Analysis citadas pela Google, o modelo alcançou uma taxa média de erro de palavras de 4,0% em cenários de transmissão e de 2,6% em cenários de uso não transmitido. No benchmark FLEURS, em um conjunto de idiomas e regiões, registrou uma taxa de erro de palavras de 5,50% na transmissão e de 5,04% no uso não transmitido. A empresa afirma que a latência até a versão final melhorou 70% em comparação com o modelo de transcrição anterior, o Chirp 3.
Esses números indicam uma melhora dupla na precisão e na velocidade, mas a comparação não significa que os resultados serão idênticos em todos os ambientes de áudio; eles dependem do benchmark, do idioma, da qualidade da gravação, do número de interlocutores e do nível de ruído. A fonte também não esclarece em detalhes a metodologia da Artificial Analysis nem fornece uma tabela completa dos resultados por idioma.
Das interfaces do Google às ferramentas para desenvolvedores
A Google já utiliza o modelo no aplicativo Gemini e em alguns experimentos do Android, incluindo o recurso Rambler, que transforma a fala em texto formatado e permite remover palavras de preenchimento, fazer correções e alterar o estilo de escrita por voz. No aplicativo Gemini para macOS, os comandos de voz podem usar o contexto da tela para executar tarefas como resumir arquivos locais, reutilizar texto entre aplicativos ou gerar imagens chamando outros modelos Gemini.
O Google Antigravity usa o contexto da tela e o histórico da conversa, após obter a permissão do usuário, para melhorar o reconhecimento de nomes de arquivos, documentos ativos e ideias do agente. O modelo também pode ser acessado no modo Build do Google AI Studio para criar aplicativos usando voz. A Google afirma que o recurso de falar para escrever em qualquer campo da web chegará em breve ao Chrome.
O que muda na prática?
A principal mudança é a transição da transcrição de áudio de uma etapa inicial de conversão para uma camada capaz de compreender e limpar a fala e conectá-la ao contexto do aplicativo. Para os desenvolvedores, isso significa a possibilidade de criar interfaces de voz que não exigem processamento separado para cada correção ou palavra de preenchimento, com a opção de usar transmissão instantânea ou gravações arquivadas conforme a natureza do produto.
O Gemini 3.5 Transcribe está atualmente disponível em prévia pública para desenvolvedores por meio da Gemini API no Google AI Studio e no Google Antigravity, e para empresas pela Gemini Enterprise Agent Platform, com chegada posterior ao Gemini Enterprise for Customer Experience. Para os usuários, ele está disponível no aplicativo Gemini para macOS em inglês, enquanto o Rambler está disponível no Android em países e idiomas específicos, com chegada prevista ao Chrome.