Gemini 3.5 Transcribe : la dictée vocale IA de Google

Gemini 3.5 Transcribe est, selon les propres benchmarks de Google et des tests indépendants, le modèle de reconnaissance vocale le plus précis jamais publié par l’entreprise. Il est entré en préversion publique le 26 août 2026, sous la forme de deux API distinctes : une option de diffusion audio en temps réel pour les applications vocales en direct, et une option pour l’audio préenregistré qui ajoute l’identification des locuteurs et un horodatage mot par mot, pensée pour les podcasts, les réunions et les interviews.

Le nouveau modèle repose sur un mode de transcription intelligent qui repère les corrections faites en cours de phrase, supprime les hésitations et met en forme le texte automatiquement, en plus du mode verbatim classique que proposent la plupart des outils de dictée. Selon les tests indépendants d’Artificial Analysis, le taux d’erreur atteint 2,6% sur l’audio préenregistré et 4,0% en direct, avec un délai d’obtention de la transcription finale réduit de 70% par rapport à Chirp 3, le modèle qu’il remplace. Le déploiement couvre déjà Gboard, Google Antigravity, AI Studio et l’app Gemini sur macOS.

En direct ou enregistré : les deux API de Gemini Transcribe

Gemini 3.5 Transcribe se décline en deux API pensées pour des usages différents. L’API Live, gemini-3.5-transcribe-live, diffuse l’audio en continu dans les deux sens et renvoie le texte avec une latence inférieure à la seconde, pour les agents vocaux et les applications qui ne peuvent pas attendre une pause dans la parole. L’API Interactions, gemini-3.5-transcribe, traite l’audio préenregistré et ajoute l’identification des locuteurs avec un horodatage mot par mot, le format dont ont besoin les monteurs de podcasts et les rédacteurs de comptes rendus de réunion.

Les deux API gèrent de la même façon les imperfections de la parole réelle. Le mode par défaut, verbatim, transcrit exactement ce qui a été dit, hésitations comprises. À côté, un mode intelligent corrige les reprises typiques d’une conversation ordinaire, comme quelqu’un qui dit « on se voit mardi, non, mercredi », supprime les « euh » et met en forme le résultat au lieu de livrer un bloc de texte brut.

Le modèle accepte aussi un vocabulaire personnalisé. Fournissez-lui à l’avance du jargon, des noms de produits ou des orthographes inhabituelles, et il s’y adapte au lieu de deviner. L’API Interactions sait aussi distinguer plusieurs locuteurs et horodater chacun d’eux.

Quelle est la précision de Gemini 3.5 Transcribe ?

Des tests indépendants confirment les chiffres avancés par Google. Artificial Analysis a mesuré un taux d’erreur de 2,6% sur l’audio préenregistré via l’API Interactions et de 4,0% en direct via l’API Live, le modèle se comportant bien dans les environnements bruyants et retranscrivant correctement les chaînes alphanumériques comme les codes postaux ou les numéros de commande.

Sur le benchmark multilingue FLEURS, qui évalue la précision sur un large éventail de langues, le modèle affiche un taux d’erreur de 5,04% pour l’audio préenregistré et de 5,50% pour l’audio en direct.

Chirp 3, le précédent modèle de transcription de Google, sert de référence pour ce chiffre de 70%. Google met en avant de nouvelles capacités en plus d’un taux d’erreur réduit, mais la différence la plus concrète reste la vitesse : Artificial Analysis a mesuré une amélioration de 70% du temps de transcription finale par rapport à Chirp 3, un gain qui compte surtout dans les usages en direct de l’API Live, où le moindre délai se fait sentir immédiatement.

Où utiliser Gemini 3.5 Transcribe dès aujourd’hui ?

La disponibilité varie selon le public. Les développeurs peuvent dès maintenant tester Gemini 3.5 Transcribe via l’API Gemini dans Google AI Studio et dans Google Antigravity. Les entreprises y accèdent en préversion publique via la Gemini Enterprise Agent Platform, Gemini Enterprise for Customer Experience étant annoncé pour bientôt. Du côté grand public, le modèle tourne déjà dans quatre produits :

La prise en charge de Chrome arrive bientôt, pour parler au lieu de taper dans n’importe quel formulaire ou champ de texte web. Sur macOS, le modèle peut aussi transmettre une tâche à un autre modèle Gemini via l’appel de fonction : il suffit de lui demander de générer une image ou d’analyser un fichier en pleine conversation pour que la requête soit redirigée automatiquement, Gemini 3.5 Transcribe servant d’interface sans exécuter lui-même la tâche.

Côté créateurs, les usages concrets rejoignent des outils déjà utilisés au quotidien : transformer l’enregistrement brut d’un podcast en transcription indexable, préparer des sous-titres avant l’export d’une vidéo, dicter un script au lieu de le taper, ou injecter une transcription propre dans l’un des meilleurs outils de synthèse vocale IA pour produire une voix off doublée dans une autre langue. Des plateformes pour développeurs comme Agora, Fishjam, LangChain, LiveKit, Pipecat, Vercel et Vision Agents le prennent déjà en charge, et les premiers utilisateurs, parmi lesquels Vivo, Intellitek Health et Lingopal, ont mis en avant la latence, la précision et la couverture linguistique dans les retours publiés par Google au lancement.

Le pari de Google : la transcription comme infrastructure

Google n’a pas donné à ce lancement du 26 août de page produit dédiée ni de grille tarifaire. Le modèle est livré comme une couche greffée sur des outils que les gens ont déjà sous la main : un clavier, un outil de programmation, l’assistant natif d’un système d’exploitation. C’est un positionnement différent de celui des plateformes de voix IA dédiées.

ElevenLabs a construit son activité à l’inverse, comme une plateforme où la transcription est une fonctionnalité parmi d’autres plutôt qu’un utilitaire discret intégré à d’autres applications. Son propre modèle de reconnaissance vocale, Scribe, s’intègre dans un espace de travail qui gère aussi la synthèse vocale, le clonage de voix et le doublage, pensé pour ceux qui veulent un outil dédié à la production audio. Un développeur qui assemble un agent vocal n’a pas les mêmes besoins qu’un monteur vidéo qui veut simplement une interface finie, sans API à apprendre.

Ce que Gemini 3.5 Transcribe déplace, c’est le niveau de référence. Quand un modèle aussi précis débarque gratuitement dans une application clavier, une transcription correcte cesse par défaut d’être une ligne d’abonnement à part pour un créateur, et les plateformes qui se disputent ce budget doivent justifier leur prix autrement que par la seule précision. Google a avancé vite sur les fonctionnalités Gemini ce trimestre, entre une option pour masquer le filigrane des contenus générés par IA et ce lancement de transcription. Même logique dans les deux cas : une capacité livrée comme une brique d’infrastructure, pas vendue comme un produit à part entière. À surveiller, aux côtés de notre fil d’actualité IA.

Questions fréquentes

---

Sources

1. Google : Gemini 3.5 Transcribe - Google, 26 août 2026
2. 9to5Google : Gemini 3.5 Transcribe - 9to5Google, 26 août 2026
3. Business Today : Google lance Gemini 3.5 Transcribe, une transcription vocale plus intelligente avec 85 langues prises en charge - Business Today, 27 août 2026
4. Documentation Google AI for Developers : transcrire l’audio - Documentation Google AI