El nuevo modelo de transcripción de Google no escribe lo que dijiste, sino lo que quisiste decir, en 85 idiomas

Google ha lanzado Gemini 3.5 Transcribe, un modelo de voz a texto construido sobre la comprensión de audio de Gemini y disponible en vista previa pública. Detecta automáticamente más de 85 idiomas, sigue a quien cambia de lengua a mitad de frase, separa hasta tres voces y emite marcas de tiempo por palabra. Lo que lo distingue de un dictado corriente es lo que Google llama transcripción inteligente: elimina muletillas, arregla las autocorrecciones del hablante y da formato al texto sobre la marcha, de modo que el resultado se lee como prosa limpia y no como un registro literal del audio. También puede sesgarse hacia un vocabulario propio para términos especializados y llamar a funciones para delegar tareas en plena transcripción. Google declara una tasa de error por palabra del 2,6 % en audio grabado y del 4,0 % en streaming, y del 5,04 % y 5,50 % respectivamente en el índice multilingüe FLEURS, con una latencia alrededor de un 70 % menor que su antecesor Chirp 3. Está disponible a través de la API de Gemini en Google AI Studio y en la Gemini Enterprise Agent Platform, en Rambler de Gboard para Android y en la aplicación Gemini para macOS, con soporte para Chrome anunciado como próximo.

✓ Verificado · 4 fuentes

Noticias relacionadas