Google ha presentato Gemini 3.5 Transcribe, il suo nuovo modello di intelligenza artificiale specializzato nella conversione del parlato in testo. L'azienda lo descrive come il suo sistema più preciso fino ad oggi, progettato per interazioni vocali intelligenti. A differenza dei sistemi tradizionali, questo modello non si limita a trascrivere ciò che viene detto, ma interpreta anche l'intento di chi parla, corregge gli errori in tempo reale e produce un testo pulito e formattato.
Il modello è progettato sia per l'utilizzo in tempo reale che per quello registrato e promette prestazioni ottimali in ambienti rumorosi, con forti accenti o con un linguaggio tecnico. Inoltre, rileva automaticamente oltre 85 lingue, riconosce fino a tre interlocutori e aggiunge timestamp parola per parola. Tutto ciò viene realizzato con un tasso di errore straordinariamente basso, secondo test indipendenti.
Trascrizione intelligente: molto più di una semplice dettatura
Una delle caratteristiche principali di Gemini 3.5 Transcribe è la sua capacità di comprendere le autocorrezioni. Ad esempio, se chi parla dice "Incontriamoci martedì... no, mercoledì", il modello utilizzerà la seconda opzione. Elimina inoltre le parole di riempimento come "uh" o "um" e applica automaticamente punteggiatura e formattazione. Permette anche di aggiungere un vocabolario personalizzato per riconoscere nomi propri, termini tecnici o parole non comuni. Secondo i dati pubblicati da Google, il tasso di errore per parola è del 4% per l'audio in streaming e del 2,6% per l'audio preregistrato, misurato tramite analisi artificiale.
Un'altra caratteristica degna di nota è la velocità . Rispetto al suo predecessore, Chirp 3, Google afferma che il tempo necessario per ottenere il testo finale è ridotto del 70%. Nello streaming live, la latenza è inferiore a un secondo, il che ne consente l'utilizzo per la sottotitolazione in tempo reale o per gli assistenti vocali.
Integrazione nell'ecosistema Google
Gemini 3.5 Transcribe è già integrato in diversi prodotti Google. Su Android, la funzione Rambler di Gboard utilizza questo modello per l'input da voce a testo. È disponibile anche nell'app Gemini per macOS, consentendo agli utenti di utilizzare comandi vocali con il contesto dello schermo per riassumere file, generare immagini o riutilizzare testo. Inoltre, Google Antigravity lo integra per combinare il contesto dello schermo e la cronologia delle chat.
L'azienda ha inoltre annunciato che la funzionalità sarà presto disponibile in Chrome. Ciò consentirà agli utenti di dettare il testo in qualsiasi campo web, come e-mail, moduli o post, senza doverlo digitare. Sebbene non sia stata ancora annunciata una data precisa, si prevede che questa funzionalità amplierà l'utilizzo della trascrizione vocale nel browser.
Disponibilità per gli sviluppatori
Per gli sviluppatori, Gemini 3.5 Transcribe è disponibile in anteprima pubblica tramite l'API Gemini, in Google AI Studio e nella piattaforma Gemini Enterprise Agent. Sono disponibili due versioni: l'API Live per lo streaming bidirezionale in tempo reale con latenza inferiore a un secondo e l'API Interactions per l'elaborazione di audio preregistrato con attribuzione dell'oratore e timestamp. La prima è pensata per gli assistenti vocali e la sottotitolazione in tempo reale, mentre la seconda è utile per riunioni, interviste o analisi delle chiamate.
Il modello può anche delegare compiti complessi ad altri modelli Gemini, come la generazione di immagini o l'analisi di file, tramite chiamate di funzione. Questa funzionalità è attualmente disponibile nell'app Gemini per macOS.
L'impegno di Google verso la voce come interfaccia principale viene rafforzato da Gemini 3.5 Transcribe. La sua combinazione di precisione, velocità e funzionalità intelligenti lo rende uno strumento fondamentale sia per gli utenti che per gli sviluppatori. Con il suo imminente arrivo in Chrome, la dettatura vocale potrebbe diventare una pratica comune sul web. Resta da vedere come si adatterà a casi d'uso più complessi, ma i primi dati sono promettenti.