Gemini 3.5 Transcribe, do Google, mira agentes de voz e registro de ligações
No dia 26 de agosto, o Google lançou em prévia pública para desenvolvedores o Gemini 3.5 Transcribe, seu novo modelo de fala para texto. Fala para texto é a etapa que transforma o que alguém diz numa ligação ou num microfone em texto escrito, e é o primeiro elo de quase todo agente de voz e de toda ferramenta que escreve resumo de reunião.
O Google diz que o modelo trabalha direto do áudio bruto e devolve o texto já formatado, tirando as hesitações da fala e lidando com quem se corrige no meio da frase.
Duas versões para dois trabalhos
Há duas formas de chamar o modelo. A versão ao vivogemini-3.5-transcribe-livedevolve o texto em menos de um segundo pela Live API do Google e foi feita para agentes de voz e legendas ao vivo. A versão para áudio gravadogemini-3.5-transcribeprocessa reuniões e gravações de ligações, com marcação de tempo palavra por palavra e indicação de quem falou. A identificação de quem fala funciona para até três pessoas, e o Google chama de experimental o suporte para mais de três.
O Google também diz que o modelo detecta e transcreve mais de 85 idiomas, aceita uma lista de vocabulário próprio para jargões e grafias incomuns e acerta detalhes como CEPs e números de pedido em áudio com barulho.
Os números que o Google dá
Medida pela Artificial Analysis, uma empresa independente de benchmarks, a taxa média de erro de palavras é de 4,0% ao vivo e 2,6% em áudio gravado. Taxa de erro de palavras é a parcela de palavras que o modelo erra, então quanto menor, melhor. Em comparação com o Chirp 3, o modelo de voz anterior do Google, a empresa diz que o tempo até a transcrição final melhorou 70%. O post não traz preço.
O mesmo modelo já roda o Rambler, um recurso de ditado no Gboard para Android, e a entrada por voz no app do Gemini para macOS. O Google diz que ditar em qualquer campo de site vai chegar ao Chrome.
O que fazer se você tem uma linha de atendimento por voz
Se você tem um agente de voz ou uma ferramenta que resume ligações, o teste que importa é com o seu próprio áudio. Pegue dez gravações reais com barulho de fundo, nomes e números de pedido, passe pela versão de áudio gravado no Google AI Studio e conte os erros nas palavras que importam para você, como nomes, datas e valores. Antes de começar, preencha o vocabulário próprio com os nomes dos seus produtos. Lembre que é uma prévia, então leia os termos antes de colocar ligações reais nele.
O que a gente pensa
Para quem constrói agentes de telefone, erro de transcrição dá mais problema do que parece, porque um dígito errado no número do pedido leva o resto da conversa para o lado errado. Uma taxa média de erro de 4,0% num benchmark de terceiros é um bom sinal. O limite de três pessoas na identificação de quem fala pesa pouco em ligações, que costumam ter duas vozes, e pesa mais em reuniões.
Fontes