Google lancia Gemini 3.5 Transcribe per pulire l’audio in 85 lingue

Gemini 3.5 Transcribe non si limita a catturare ciò che qualcuno dice. Converte ciò che ha detto in ciò che intendeva dire. Quando un parlante si corregge a metà frase — «Fissiamolo per martedì, no, mercoledì» — il modello restituisce «mercoledì» e scarta la correzione. Le parole di riempimento scompaiono. Il rumore di fondo non lo ferma. Il risultato arriva come testo curato e formattato, non come semplice acquisizione audio grezza.

Per chiunque registri interviste, podcast o contenuti multilingua, questa distinzione è l’intero flusso di lavoro. Ogni strumento di trascrizione sul mercato gestisce «ciò che è stato detto». Il redattore umano che lo ripuliva in seguito si occupava di tutto il resto. Google sta ora integrando quel redattore nel modello stesso.

Il modello supporta due percorsi API distinti. La Live API gestisce lo streaming bidirezionale continuo con latenza inferiore al secondo — progettata per agenti vocali in tempo reale, bot per il servizio clienti e tutto ciò che necessita di trascrizione istantanea. La Interactions API gestisce l’audio registrato: riunioni complete, registri di chiamate e interviste, restituendo l’attribuzione del parlante per un massimo di tre partecipanti con timestamp. Entrambe raggiungono un tasso di errore delle parole del 4,0% in modalità streaming e del 2,6% in modalità non streaming — misurato dalla società di benchmarking indipendente Artificial Analysis. Il precedente modello di riconoscimento vocale di Google, Chirp 3, richiedeva il 70% di tempo in più per raggiungere la trascrizione finale.

Il lato consumer del lancio è più modesto. Su Android, Gboard Rambler utilizza già Gemini 3.5 Transcribe per l’input vocale. L’app Gemini per macOS lo supporta in inglese tramite la funzione Speak to Window. Chrome è indicato come «in arrivo», il che consentirebbe agli utenti di dettare in qualsiasi campo web — risposte, post, moduli — senza cambiare app. Non è stata confermata una data specifica per il rilascio.

I limiti del modello contano. L’attribuzione a più parlanti è limitata a tre partecipanti; panel e tavole rotonde con cast più ampi richiedono soluzioni alternative. L’app consumer Rambler è attualmente disponibile in «paesi e lingue selezionati», non tutti gli 85 supportati dal modello. Google non ha annunciato i prezzi per l’API, che è in anteprima pubblica tramite Google AI Studio. L’accesso enterprise avviene tramite Gemini Enterprise Agent Platform, dove i prezzi vengono negoziati separatamente. Per i creatori più piccoli, la questione dei costi rimane aperta.

Anche il quadro competitivo è rilevante. Whisper di OpenAI, ancora il default per gli sviluppatori indipendenti, raggiunge tassi di errore delle parole nell’intervallo 5–7% sull’audio inglese e richiede codice di post-elaborazione per gestire la rimozione delle parole di riempimento e la formattazione. Servizi come AssemblyAI e Deepgram offrono la diarizzazione dei parlanti ma non la correzione in linguaggio naturale integrata che Gemini 3.5 Transcribe applica per impostazione predefinita. Il divario è misurabile, ma per stabilire come si comporta nella parte più difficile della gamma di 85 lingue — accenti regionali, lingue a basse risorse, ambienti rumorosi — saranno necessari test indipendenti.

La funzione che segnala di più la direzione a lungo termine di Google è l’integrazione con Chrome. Una volta che l’input vocale funzionerà in qualsiasi campo web, il modello non sarà più uno strumento per sviluppatori — sarà l’infrastruttura per come le persone digitano. La tempistica di rollout per questo cambiamento non è stata confermata.

Tag: Google, Gemini, AI, audio-ai, creator-tools, speech-to-text