Gemini 3.5 Transcribe: nueva IA de transcripción

Gemini 3.5 Transcribe es el modelo de voz a texto más preciso que ha lanzado Google hasta ahora, tanto por sus propios benchmarks como por pruebas independientes, y entró en vista previa pública el 26 de agosto de 2026. Llega partido en dos APIs: una de transmisión en tiempo real, pensada para apps de voz en vivo, y otra para audio ya grabado, que añade etiquetas de hablante y marcas de tiempo por palabra para podcasts, reuniones y entrevistas.

Google ha construido el modelo nuevo en torno a un modo de transcripción inteligente que detecta las correcciones a mitad de frase, elimina las muletillas y da formato al resultado por su cuenta, además de la transcripción literal palabra por palabra que la mayoría de las herramientas de voz ofrecen por defecto. Las pruebas independientes de Artificial Analysis sitúan la tasa de error de palabra (word error rate, o WER) en el 2,6% para audio grabado y el 4,0% para transmisión en vivo, junto a un recorte del 70% en el tiempo hasta la transcripción final frente a Chirp 3, el modelo al que sustituye. El despliegue ya llega a Gboard, Google Antigravity, AI Studio y la app de Gemini en macOS.

En vivo o grabado: así son las dos APIs de Gemini Transcribe

Gemini 3.5 Transcribe se divide en dos APIs pensadas para trabajos distintos. La Live API, gemini-3.5-transcribe-live, transmite audio de forma continua en ambas direcciones y devuelve el texto con una latencia inferior al segundo, pensada para agentes de voz y otras apps que no pueden esperar a una pausa en el habla. La Interactions API, gemini-3.5-transcribe, procesa audio ya grabado y añade identificación de hablantes con marcas de tiempo por palabra, el formato que necesitan los editores de podcasts y las actas de reuniones.

Las dos APIs comparten el mismo comportamiento frente al habla real, con todo su desorden. El modo por defecto, verbatim, transcribe exactamente lo que se dijo, muletillas incluidas. Un modo inteligente aparte resuelve las autocorrecciones típicas de cualquier conversación, como cuando alguien dice “quedamos el martes, no, el miércoles”, elimina muletillas como “eh” o “mmm”, y da formato al resultado en lugar de dejarlo como un bloque de texto plano.

También admite vocabulario personalizado. Si le proporcionas de antemano jerga técnica, nombres de producto o grafías poco habituales, el modelo se adapta en lugar de adivinar. La Interactions API además identifica a cada hablante por separado y marca el momento exacto en el que interviene.

¿Cuál es la precisión de Gemini 3.5 Transcribe?

Las pruebas independientes respaldan lo que dice Google. Artificial Analysis midió una tasa de error de palabra del 2,6% en audio grabado a través de la Interactions API y del 4,0% en transmisión en vivo a través de la Live API, con un modelo que aguanta bien en entornos ruidosos y capta con precisión cadenas alfanuméricas como códigos postales y números de pedido.

En el benchmark multilingüe FLEURS, que mide la precisión en un conjunto amplio de idiomas, el modelo obtuvo una tasa de error de palabra del 5,04% en audio no transmitido en vivo y del 5,50% en transmisión en vivo.

Chirp 3, el modelo de transcripción anterior de Google, es la referencia de la que sale esa cifra del 70%. Google dice que el modelo nuevo suma capacidades además de una tasa de error menor, pero la diferencia práctica más clara es la velocidad: Artificial Analysis registró una mejora del 70% en el tiempo hasta la transcripción final frente a Chirp 3, algo que se nota sobre todo en los casos de uso en tiempo real de la Live API, donde cualquier retraso se percibe al instante.

¿Dónde puedes usar Gemini 3.5 Transcribe hoy?

La disponibilidad varía según el tipo de usuario. Los desarrolladores ya pueden probar Gemini 3.5 Transcribe a través de la API de Gemini en Google AI Studio y dentro de Google Antigravity. Las empresas lo reciben en vista previa pública a través de la Gemini Enterprise Agent Platform, mientras que Gemini Enterprise for Customer Experience figura como disponible próximamente. Los usuarios particulares ya lo tienen funcionando dentro de cuatro productos:

El soporte para Chrome llega próximamente, para hablar en lugar de escribir en cualquier formulario web o campo de texto. En macOS, el modelo también puede pasarle una tarea a otro modelo de Gemini mediante function calling: pedirle que genere una imagen o analice un archivo a mitad de conversación enruta la solicitud automáticamente, con Gemini 3.5 Transcribe actuando como interfaz en lugar de hacer ese trabajo él mismo.

Para un creador en activo, los usos prácticos encajan con herramientas que ya forman parte de la rutina diaria: convertir la grabación en bruto de un podcast en una transcripción en la que buscar cualquier frase, redactar subtítulos antes de exportar un video, dictar un guion en lugar de escribirlo, o pasar una transcripción limpia a una de las mejores herramientas de texto a voz para producir una voz en off doblada a otro idioma. Plataformas para desarrolladores como Agora, Fishjam, LangChain, LiveKit, Pipecat, Vercel y Vision Agents ya son compatibles, y los primeros usuarios, entre ellos Vivo, Intellitek Health y Lingopal, destacaron la latencia, la precisión y la cobertura de idiomas en los comentarios que Google publicó en el lanzamiento.

La apuesta de Google: la transcripción como infraestructura

Google no le dio al lanzamiento del 26 de agosto una página de producto propia ni una lista de precios. Lo lanzó como una capa dentro de cosas que la gente ya usa: un teclado, una herramienta de programación, el asistente integrado de un sistema operativo. Es un planteamiento distinto al que vienen defendiendo las plataformas de IA de voz dedicadas.

ElevenLabs construyó su negocio al revés: como una plataforma donde la transcripción es una función más entre varias, no una utilidad de fondo integrada en otras apps. Su propio modelo de voz a texto, Scribe, vive dentro de un espacio de trabajo que también se ocupa del texto a voz, la clonación de voz y el doblaje, pensado para quien quiere una sola herramienta hecha específicamente para producción de audio. Un desarrollador que está montando un agente de voz necesita algo distinto de lo que necesita un editor de video que solo quiere una interfaz terminada y no una API que aprender.

Lo que cambia Gemini 3.5 Transcribe es el punto de partida. Cuando un modelo tan preciso llega gratis dentro de una app de teclado, una transcripción decente deja de ser algo por lo que se da por hecho que hay que pagar una suscripción aparte, y las plataformas que compiten por ese presupuesto necesitan una razón más clara que la sola precisión. Google ha ido muy rápido con las funciones de Gemini este trimestre, desde un interruptor de marca de agua para contenido generado con IA hasta este lanzamiento de transcripción. El mismo patrón las dos veces: la capacidad se lanza como infraestructura, no se vende como producto aparte. Vale la pena seguirlo de cerca, igual que el resto de nuestro feed de noticias de IA.

Preguntas Frecuentes

---

Fuentes

1. Google: Gemini 3.5 Transcribe - Google, 26 de agosto de 2026
2. 9to5Google: Gemini 3.5 Transcribe - 9to5Google, 26 de agosto de 2026
3. Business Today: Google launches Gemini 3.5 Transcribe with smarter speech-to-text and 85 language support - Business Today, 27 de agosto de 2026
4. Google AI for Developers: Transcribe audio - Documentación de Google AI