Google lança Gemini 3.5 Transcribe, modelo de voz para texto com 2,6% de erro em mais de 85 idiomas

O Google colocou em preview público o Gemini 3.5 Transcribe, um novo modelo de voz para texto (speech-to-text) voltado tanto para interfaces de voz em tempo real quanto para arquivos de áudio gravados. O destaque que chama atenção é a taxa média de erro de palavra (WER, na sigla em inglês) de 2,6% no modo não streaming e 4,0% no modo streaming, segundo medições da Artificial Analysis — além de cobertura automática de mais de 85 idiomas, incluindo troca de idioma no meio da frase (code-switching).

Dois endpoints, dois produtos diferentes

A decisão de design mais importante a entender é que o Gemini 3.5 Transcribe não é um modelo único, mas dois endpoints com capacidades e preços distintos:

• gemini-3.5-transcribe — processa arquivos pré-gravados pela Interactions API.
• gemini-3.5-transcribe-live — faz streaming bidirecional em tempo real pela Live API.

A Live API entrega transcrição contínua com latência inferior a um segundo, emitindo resultados parciais (interim_input_transcription) enquanto a pessoa ainda fala e a transcrição final (input_transcription) quando o turno se encerra. O áudio entra como PCM de 16 bits a 16 kHz, em blocos de 100 ms, com detecção de atividade de voz automática, híbrida ou manual. Mas há limites claros: sessões ao vivo têm teto de 10 minutos de streaming contínuo, e a Live API não oferece diarização de falantes nem timestamps por palavra.

A Interactions API cobre exatamente o que o streaming não faz: diarização de falantes, offsets de início e fim por palavra e viés de vocabulário personalizado (até 1.000 termos, com melhores resultados abaixo de 100). Arquivos padrão aceitam até uma hora de áudio, que cai para 30 minutos quando diarização ou timestamps estão ativados.

Verbatim versus smart: a decisão real de produto

Os dois endpoints expõem dois modos de transcrição. O verbatim (padrão) retorna tudo, incluindo pausas, repetições e falsos começos. O smart remove disfluências, resolve autocorreções e aplica formatação estruturada. No exemplo documentado pelo próprio Google, uma fala cheia de “um… então… quer dizer…” vira uma frase limpa e direta. A troca é que o modo smart não pode ser combinado com timestamps por palavra nem diarização — ou seja, resumo legível e transcrição auditável agora são duas chamadas de API diferentes.

Por que isso importa para o Brasil

O anúncio chega num momento em que agentes de voz, contact centers e ferramentas de legendagem estão se multiplicando no país. Para empresas brasileiras, três pontos merecem atenção:

• Contact centers e CX: a combinação de transcrição em tempo real com diarização (na Interactions API) é a base para pipelines de pós-atendimento, análise de conversas e atendimento assistido por IA.
• Legendas e localização: o português está entre os mais de 85 idiomas suportados, e a detecção automática com code-switching ajuda em conteúdo que mistura português e inglês, comum em tecnologia.
• Custo: o custo misto fica em torno de US$ 0,005 por minuto em batch e US$ 0,009 por minuto ao vivo — relevante para dimensionar operações de grande volume.

Limitações a considerar antes de adotar

É importante separar o entusiasmo dos fatos. O Gemini 3.5 Transcribe é somente via API — não há pesos abertos nem caminho de auto-hospedagem, o que o torna uma decisão de serviço gerenciado, não de infraestrutura. O tempo até a transcrição final melhora 70% em relação ao Chirp 3, o modelo anterior, mas os dois trilhos (desenvolvedor e enterprise) seguem em preview público, então compromissos de produção devem ser tratados com cautela.

No ecossistema, a Live API já está integrada a plataformas como LiveKit, Pipecat, Agora, Fishjam e Vercel. No lado do consumidor, o modelo já alimenta o Rambler no Android, o app Gemini no macOS e o Google Antigravity, com o Chrome listado como “em breve”.

Para quem está começando, o caminho mais curto é a camada gratuita da Gemini API via Google AI Studio — ideal para experimentar antes de migrar para o tier pago, que também garante que o conteúdo não seja usado para treinar os produtos do Google.