Gemini 3.5 Transcribe: nova IA de transcrição

O Gemini 3.5 Transcribe é o modelo de conversão de voz em texto mais preciso que o Google já lançou, segundo os próprios benchmarks da empresa e testes independentes, e entrou em pré-visualização pública em 26 de agosto de 2026. O modelo chega como duas APIs distintas: uma opção de streaming em tempo real para aplicativos de voz ao vivo e uma opção para áudio pré-gravado que adiciona identificação de falantes e marcação de tempo por palavra, pensada para podcasts, reuniões e entrevistas.

O Google construiu o novo modelo em torno de um modo de transcrição inteligente que identifica correções feitas no meio da frase, remove vícios de linguagem e formata o texto automaticamente, além do modo tradicional que transcreve palavra por palavra, padrão da maioria das ferramentas de voz. Testes independentes da Artificial Analysis apontam taxa de erro de palavras de 2,6% para áudio pré-gravado e 4,0% para streaming ao vivo, além de uma redução de 70% no tempo até a transcrição final na comparação com o Chirp 3, modelo que ele substitui. O lançamento já chega ao Gboard, ao Google Antigravity, ao AI Studio e ao app Gemini no macOS.

Tempo real ou gravado: como funciona a API do Gemini Transcribe

O Gemini 3.5 Transcribe se divide em duas APIs pensadas para tarefas diferentes. A Live API, gemini-3.5-transcribe-live, transmite áudio continuamente nos dois sentidos e devolve o texto com latência abaixo de um segundo, ideal para agentes de voz e outros aplicativos que não podem esperar uma pausa na fala. Já a Interactions API, gemini-3.5-transcribe, processa áudio pré-gravado e adiciona identificação de falantes com marcação de tempo por palavra, exatamente o formato de que precisam editores de podcast e quem redige atas de reunião.

As duas APIs se comportam da mesma forma diante da fala real e desorganizada. O modo padrão, literal, transcreve exatamente o que foi dito, vícios de linguagem incluídos. Já um modo inteligente à parte resolve aquela correção que a gente faz no meio da frase numa conversa do dia a dia, como alguém dizendo “vamos nos encontrar terça, não, quarta”, elimina as hesitações do tipo “hã” e “ahn” e formata o resultado em vez de entregar um bloco de texto corrido.

O modelo também aceita vocabulário personalizado: basta informar termos técnicos, nomes de produtos ou grafias incomuns com antecedência para que ele se adapte em vez de arriscar um palpite. A Interactions API ainda identifica falantes diferentes e marca o tempo de cada um.

Qual é a precisão do Gemini 3.5 Transcribe?

Testes independentes confirmam o que o Google promete em precisão. A Artificial Analysis mediu taxa de erro de palavras de 2,6% em áudio pré-gravado pela Interactions API e de 4,0% em streaming ao vivo pela Live API, com o modelo se saindo bem em ambientes barulhentos e capturando corretamente sequências alfanuméricas como CEPs e números de pedido.

No benchmark multilíngue FLEURS, que testa a precisão em um conjunto amplo de idiomas, o modelo registrou taxa de erro de palavras de 5,04% para áudio não streaming e 5,50% para streaming.

O Chirp 3, modelo de transcrição anterior do Google, é a base de comparação para esse número de 70%. O Google afirma que o modelo mais novo traz recursos inéditos além de uma taxa de erro menor, mas a diferença prática mais evidente é a velocidade: a Artificial Analysis registrou uma melhora de 70% no tempo até a transcrição final frente ao Chirp 3, algo que pesa mais nos casos de uso em tempo real da Live API, em que qualquer atraso é sentido na hora.

Onde você já pode usar o Gemini 3.5 Transcribe?

A disponibilidade varia por público. Desenvolvedores já podem testar o Gemini 3.5 Transcribe pela Gemini API no Google AI Studio e dentro do Google Antigravity. Empresas têm acesso à pré-visualização pública pela Gemini Enterprise Agent Platform, com o Gemini Enterprise for Customer Experience anunciado como “em breve”. Consumidores finais já encontram o modelo rodando dentro de quatro produtos:

O suporte ao Chrome está a caminho, para falar em vez de digitar em qualquer formulário ou campo de texto na web. No macOS, o modelo também consegue repassar uma tarefa para outro modelo do Gemini via function calling: pedir para gerar uma imagem ou analisar um arquivo no meio da conversa direciona a solicitação automaticamente, com o Gemini 3.5 Transcribe atuando como interface em vez de fazer esse trabalho sozinho.

Para quem cria conteúdo no dia a dia, os usos práticos combinam com as ferramentas que já fazem parte da rotina: transformar a gravação bruta de um podcast em uma transcrição pesquisável, rascunhar legendas antes de exportar um vídeo, ditar um roteiro em vez de digitá-lo, ou levar uma transcrição limpa para um dos melhores conversores de texto em voz com IA e gerar uma narração dublada em outro idioma. Como a documentação do Google lista o português do Brasil (pt-BR) entre os idiomas suportados, o recurso já serve para podcasters e criadores brasileiros que trabalham só em português, sem precisar gravar em inglês para aproveitar a transcrição inteligente. Plataformas para desenvolvedores como Agora, Fishjam, LangChain, LiveKit, Pipecat, Vercel e Vision Agents já oferecem suporte ao modelo, e entre as primeiras empresas a adotá-lo, Vivo, Intellitek Health e Lingopal citaram latência, precisão e cobertura de idiomas no feedback publicado pelo Google no lançamento.

A aposta do Google na transcrição como infraestrutura

O Google não deu ao lançamento de 26 de agosto uma página de produto própria nem uma tabela de preços. A empresa entregou o modelo como uma camada dentro de coisas que as pessoas já usam: um teclado, uma ferramenta de programação, o assistente nativo de um sistema operacional. É uma proposta bem diferente da que as plataformas dedicadas de IA de voz vêm fazendo.

A ElevenLabs construiu o negócio pelo caminho inverso, como uma plataforma em que a transcrição é um recurso entre vários, não uma utilidade escondida dentro de outros aplicativos. O próprio modelo de voz para texto da empresa, o Scribe, fica dentro de um espaço de trabalho que também cuida de text-to-speech, clonagem de voz e dublagem, voltado para quem quer uma ferramenta única, construída especificamente para produção de áudio. Um desenvolvedor que monta um agente de voz precisa de uma coisa; um editor de vídeo que só quer uma interface pronta, sem ter que aprender uma API, precisa de outra.

O que o Gemini 3.5 Transcribe muda é a régua mínima do mercado. Quando um modelo com essa precisão sai de graça dentro de um teclado, uma transcrição decente deixa de ser, por padrão, algo pelo qual o criador paga uma assinatura à parte, e as plataformas que disputam essa fatia do orçamento passam a precisar de um argumento mais forte do que apenas precisão. O Google vem avançando rápido com recursos do Gemini neste trimestre, de um botão para desativar a marca d’água em mídia gerada por IA até este lançamento de transcrição. O padrão se repete nas duas vezes: capacidade lançada como infraestrutura, não vendida como produto à parte. Vale a pena acompanhar de perto pelo nosso feed de notícias de IA.

Perguntas Frequentes

---

Fontes

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 - Documentação do Google AI