Google presentó dos variantes de su nuevo modelo de voz a texto: una para transmisiones en tiempo real y otra para archivos de audio. La vista previa admite detección automática de idiomas, vocabulario personalizado y diarización en grabaciones.
Google presentó Gemini 3.5 Transcribe, una nueva familia de modelos especializados en convertir voz en texto. Según el anuncio oficial, el servicio se ofrece en vista previa pública para desarrolladores a través de la API de Gemini y Google AI Studio.
Dos modalidades para audio
La oferta está dividida en dos modelos. Gemini 3.5 Transcribe Live procesa audio en tiempo real mediante una conexión WebSocket, mientras que Gemini 3.5 Transcribe recibe archivos y devuelve una transcripción completa. Esta separación determina las funciones y los límites disponibles en cada modalidad.
La documentación de la versión en vivo establece un máximo de diez minutos por sesión. Esta modalidad no ofrece identificación de hablantes, separación de los mismos, ni marcas de tiempo por palabra, aunque sí entrega referencias temporales por intervención.
El procesamiento de archivos admite grabaciones de hasta una hora. El límite baja a treinta minutos cuando se activan funciones como la identificación/separación o las marcas de tiempo por palabra. La guía técnica indica que pueden identificarse hasta ocho hablantes, aunque la atribución de tres o más voces todavía se considera experimental.
Idiomas, vocabulario y edición automática
El modelo detecta más de 85 configuraciones lingüísticas y puede gestionar cambios de idioma dentro de una misma conversación. También permite proporcionar hasta mil términos personalizados para favorecer el reconocimiento de nombres propios, siglas y vocabulario especializado.
El modo de transcripción inteligente puede eliminar muletillas, interpretar autocorrecciones del hablante y aplicar formato a datos como códigos, números o identificadores. Google advierte en la ficha del modelo que activar marcas de tiempo por palabra puede reducir la precisión general.
La precisión frente a otros servicios
Google describe Gemini 3.5 Transcribe como su modelo de voz a texto más preciso hasta la fecha. En las pruebas independientes de Artificial Analysis, la versión para archivos obtuvo una tasa de error de palabras de 2,6 por ciento. En la clasificación consultada el 26 de agosto de 2026 aparecía en quinto lugar por precisión, por detrás de varios servicios competidores. Esto muestra que la afirmación de Google se refiere a su propio catálogo y no a un liderazgo absoluto del mercado.
Precios y disponibilidad
La tabla de precios de Google calcula un costo combinado aproximado de 0,009 dólares por minuto para la modalidad en vivo y de 0,005 dólares por minuto para el procesamiento de archivos. Son estimaciones basadas en un consumo de 25 tokens de audio por segundo y 175 tokens de texto por minuto, no tarifas fijas por duración.
La vista previa permite desarrollar herramientas de subtitulado, agentes de voz y sistemas para analizar reuniones o llamadas. La disponibilidad en productos para usuarios finales varía según el sistema, el idioma y el país. Google ya utiliza el modelo en funciones seleccionadas de Gemini para macOS y Android, y anticipa su incorporación a Chrome.
Fuentes
- Google Blog, anuncio de Gemini 3.5 Transcribe
- Google AI for Developers, ficha del modelo Gemini 3.5 Transcribe
- Google AI for Developers, documentación de transcripción de audio
- Google AI for Developers, documentación de transcripción en vivo
- Google AI for Developers, precios de la API de Gemini
- Artificial Analysis, comparación de modelos de voz a texto
Ilustración: Captura del sitio de Google
📬 Newsletter gratuito
