Google lanzó los modelos de voz a texto Gemini 3.5 Transcribe para audio grabado y en tiempo real

Entrada de archivo: cubre un hecho del 26 de agosto de 2026 y la publicamos el 8 de noviembre de 2026. Los datos provienen de fuentes de esa fecha y pueden haber cambiado desde entonces.

El 26 de agosto de 2026, Google lanzó Gemini 3.5 Transcribe para audio pregrabado y Gemini 3.5 Transcribe Live para transcripción en tiempo real por streaming. La publicación del blog de Google sobre Gemini 3.5 Transcribe decía que ambos modelos ofrecían atribución de hablantes, marcas de tiempo por palabra y vocabulario personalizado.

Qué cambió

• Había dos modelos: gemini-3.5-transcribe (sin streaming) y gemini-3.5-transcribe-live (streaming bidireccional por WebSocket a través de la Live API).
• Las funciones incluían diarización de hablantes, marcas de tiempo por palabra y un vocabulario personalizado de hasta 1000 términos.
• La tasa de error de palabras en Artificial Analysis fue de 4.0% con streaming y 2.6% sin streaming. En FLEURS fue de 5.50% con streaming y 5.04% sin streaming.
• Google indicó que el tiempo hasta la transcripción final era 70% mejor que el de Chirp 3.
• El audio pregrabado recibía atribución de hablantes con marcas de tiempo para hasta tres hablantes, y la compatibilidad con más de tres era experimental. Los archivos de hasta 1 hora se procesaban mediante la Interactions API.

Disponibilidad e idiomas

El blog decía que los modelos transcribían más de 85 idiomas, mientras que la entrada del registro de cambios de la Gemini API del 26 de agosto de 2026 decía 80+. El registro de cambios listaba los modelos como de disponibilidad general, mientras que el blog describía la disponibilidad para desarrolladores como vista previa pública en la Gemini API y en Google Antigravity. Google dijo que los modelos impulsaban Rambler en Gboard y el dictado en la aplicación Gemini para macOS, y que llegarían a Chrome.

Qué significa para quienes crean con IA

Los desarrolladores obtuvieron la transcripción por streaming y por lotes de Google, con diarización, en la Gemini API, en competencia con los servicios dedicados de voz a texto. El 15 de septiembre de 2026, Google también publicó una entrada sobre cómo crear aplicaciones de voz en tiempo real con Gemini 3.8 Live y 3.5 Transcribe.

Fuentes

• Intelligent transcription with Gemini 3.5 Transcribe (Google (The Keyword), 26 de agosto de 2026, oficial)
• Gemini API changelog: August 26, 2026 (Google AI Studio (Gemini API changelog), 26 de agosto de 2026, oficial)
• Build real-time voice applications with Gemini 3.8 Live and 3.5 Transcribe (Google (The Keyword), 15 de septiembre de 2026, oficial)

Redactado con ayuda de IA, únicamente a partir de las fuentes indicadas arriba. Antes de publicarse, controles automáticos verificaron sus fechas, sus fuentes y todas sus versiones de idioma.