Google ha lanciato Gemini 3.5 Transcribe, un modello speech-to-text costruito direttamente sull’architettura Gemini. Non è un aggiornamento di Chirp 3, il motore di trascrizione precedente: è un prodotto nuovo, con un’identità diversa e obiettivi più ampi. La caratteristica più visibile è la modalità Smart Transcription, che elimina automaticamente parole riempitive, ripetizioni e autocorrezioni, restituendo testo formattato e leggibile al posto di una trascrizione verbatim.
Il modello rileva e gestisce oltre 85 lingue, riconosce fino a tre parlanti distinti con timestamp associati, e produce timestamp a livello di singola parola. Supporta anche un vocabolario personalizzato fino a mille termini, utile per settori tecnici o medici dove il gergo specialistico fa spesso inciampare i sistemi di riconoscimento vocale generici. La latenza in streaming scende a livelli sub-secondo grazie al modello gemini-3.5-transcribe-live, accessibile tramite WebSocket attraverso la Gemini Live API. Rispetto a Chirp 3, il tempo totale di trascrizione migliora del 70%, secondo i dati pubblicati da Artificial Analysis.
Sul benchmark FLEURS, che misura le prestazioni multilingue, il modello registra un Word Error Rate del 5,50% in modalità streaming e del 5,04% in modalità non-streaming. Numeri che posizionano Google in modo più competitivo rispetto al passato, anche se non bastano per la vetta assoluta: ElevenLabs Scribe v2 e Microsoft MAI-Transcribe-1.5 mantengono tassi di errore inferiori sulle metriche di accuratezza grezza. Il punto di forza di Gemini 3.5 Transcribe sta altrove — nell’integrazione nativa con il resto della famiglia Gemini e nella capacità di delegare compiti complessi, come la generazione di immagini o l’analisi di file, ad altri modelli tramite function calling.
Google ha pensato a due tipi di utilizzo distinti. Il modello gemini-3.5-transcribe gestisce file audio pre-registrati — riunioni, trascrizioni di call center, podcast — attraverso la Interactions API. Il secondo, gemini-3.5-transcribe-live, è pensato per flussi in tempo reale: sottotitoli live, agenti vocali, interfacce di dettatura. Entrambi sono già disponibili per gli sviluppatori su Google AI Studio e sulla piattaforma Gemini Enterprise. L’applicazione Rambler su Android e il client macOS di Gemini utilizzano già il modello in produzione, con gli utenti consumer che ne beneficiano senza configurazioni aggiuntive.
Il contesto competitivo è cambiato in fretta. OpenAI ha pubblicato il proprio modello GPT-Transcribe circa un mese prima, e il confronto diretto tra i due prodotti è già in corso nelle community di sviluppatori. A un costo di circa 0,009 dollari al minuto per la versione live, Gemini 3.5 Transcribe costa circa la metà del modello realtime di OpenAI — un argomento concreto per chi costruisce pipeline di trascrizione su larga scala. La vera sfida, però, è convincere i team che già usano soluzioni specializzate a migrare verso un modello che punta su integrazione e pulizia del testo, non solo su accuratezza bruta. Se la funzione di Smart Transcription diventa uno standard atteso dagli utenti, il modello potrebbe ridefinire cosa si intende per “buona trascrizione” — non più una copia fedele del parlato, ma testo già pronto per essere letto.
