Google presenta Gemini 3.5 Transcribe en versión preliminar: quinto en la clasificación independiente que cita

El reconocimiento de voz ha vuelto al centro de la competencia entre proveedores de modelos y es la puerta de entrada natural a los asistentes y agentes de voz. En ese escenario, el 26 de agosto de 2026 Google anunció en su blog oficial el lanzamiento en versión preliminar pública de Gemini 3.5 Transcribe. El modelo, que aspira a sustituir a la línea Chirp, no se limita a convertir el audio palabra por palabra: lo limpia y lo formatea directamente. En palabras de la propia empresa: "Unlike conventional speech recognition models that struggle with background noise, complex jargon, and disfluency cleanup, Gemini 3.5 Transcribe converts raw audio directly into accurate, polished, formatted text" («A diferencia de los modelos de reconocimiento de voz convencionales, que tienen dificultades con el ruido de fondo, la jerga compleja y la limpieza de las disfluencias, Gemini 3.5 Transcribe convierte el audio en bruto directamente en texto preciso, pulido y formateado»). La tecnología está disponible en versión preliminar pública a través de la Gemini API en Google AI Studio y en la Gemini Enterprise Agent Platform, distribuida como `gemini-3.5-transcribe` para audio grabado (Interactions API) y `gemini-3.5-transcribe-live` para interacciones en tiempo real (Live API).

Aunque Google presenta el modelo como su herramienta de voz a texto más precisa hasta la fecha, las mediciones independientes ofrecen un cuadro más matizado. Google indica una tasa de error medida por Artificial Analysis del 2,6 % sin streaming y del 4,0 % en streaming. En la clasificación pública AA-WER de esa misma entidad, consultada el 29 de agosto de 2026, el modelo ocupa el quinto puesto con una tasa de error (WER) del 2,6 %, empatado con otros dos modelos y por detrás de Fun-Realtime-ASR-preview (1,7 %), Scribe v2 de ElevenLabs (2,2 %), MAI-Transcribe-1.5 de Microsoft Azure (2,4 %) y Smallest AI Pulse Pro (2,4 %). Artificial Analysis precisa en su nota metodológica que un AA-WER más bajo indica una transcripción más exacta, calculada como media ponderada por la duración del audio sobre unas 8 horas de pruebas. En el benchmark multilingüe FLEURS, Google declara un WER del 5,04 % sin streaming y del 5,50 % en streaming, pero son mediciones hechas sobre una selección de idiomas y variantes locales que no se especifica del todo, lo que impide una comparación directa. Además, la empresa afirma una mejora del 70 % en los tiempos de procesamiento respecto a Chirp 3, sin que exista verificación independiente ni publique los detalles de la comparación.

Entre las funciones declaradas figuran el soporte de más de 85 idiomas con detección automática, la eliminación de muletillas como "eh" o "mmm" y la atribución del habla hasta tres interlocutores con marcas de tiempo (función experimental por encima de ese umbral). Los precios de la variante asíncrona son de 2,00 dólares por millón de tokens de audio de entrada y 12,00 dólares por millón de tokens de texto de salida, mientras que la versión en directo cuesta 3,50 y 21,00 dólares respectivamente, con un nivel de uso gratuito en ambos casos. En cuanto a integraciones, el modelo alimenta la función Rambler del teclado Gboard en Android y la app Gemini en macOS, con un despliegue previsto en Chrome. Persisten, sin embargo, algunas lagunas informativas: Google describe la disponibilidad de Rambler como limitada a "países e idiomas seleccionados" sin publicar una lista oficial, mientras que Engadget, en su cobertura del 26 de agosto de 2026, indica que la función está activa en los dispositivos de la serie Pixel 11 y se destinará en el futuro a servicios como Search Live y Google Antigravity. Al tratarse de una versión preliminar, no hay acuerdos de nivel de servicio (SLA) asociados, ni se conocen las prestaciones concretas en italiano o en sus variantes regionales.

Limpiar el texto directamente en el origen es una decisión pragmática: los agentes de voz necesitan intenciones claras, no nuestras vacilaciones humanas. Ahora bien, anunciar una mejora relativa del 70 % sin mostrar los detalles de la comparación, mientras una clasificación independiente lo sitúa quinto en precisión, sugiere que la carrera por alcanzar a los líderes del sector sigue abierta. — Olya