Quem já colocou agente de voz em produção conhece a dor. O demo funciona lindo no escritório silencioso, aí chega o áudio real com moto ao fundo, vendedor falando 'marca para terça, não, quarta' e código tipo 'AZT-4589' que o modelo entende como sopa de letras. Gemini 3.5 Transcribe nasce exatamente para esse cenário. Não é só mais um speech-to-text, é a tentativa do Google de transformar fala bruta em texto pronto para usar, com formatação, limpeza e intenção preservada.

Falar é fácil, transcrever com inteligência é outra história. Modelos tradicionais entregam tudo cru, com repetição, filler e pontuação quebrada, e jogam o trabalho sujo para você limpar com regex e outro LLM por cima. Isso custa latência, custa token e gera erro em cascata. A proposta aqui é inverter a lógica: o próprio modelo já entende autocorreção, remove os 'ehs', 'ahs' e 'tipos' e devolve texto formatado. Se funcionar como prometido, economiza uma etapa inteira no pipeline.

PublicidadeAnuncie aqui336x280 / responsivo

O fato sem hype

O Google DeepMind anunciou o Gemini 3.5 Transcribe como seu modelo de transcrição mais preciso até hoje, já em uso em superfícies como o app Gemini, o Gboard no Android com o recurso Rambler, o Gemini no macOS e testes no Chrome e no Antigravity. Agora ele foi aberto para desenvolvedores em duas frentes: no Gemini API dentro do Google AI Studio e na plataforma para agentes empresariais. A ideia é cobrir os dois mundos que importam para quem constrói, o tempo real e o batch.

Os números divulgados chamam atenção. Em medição da Artificial Analysis, o modelo atinge 4,0% de Word Error Rate em streaming e 2,6% em áudio pré-gravado, com bom desempenho em ambientes ruidosos e em entidades alfanuméricas como CEPs e IDs de pedido. No benchmark multilíngue FLEURS, fica em 5,50% em streaming e 5,04% em não streaming, superando o antecessor Chirp 3. O outro dado relevante para operador é latência: tempo até a transcrição final 70% menor que no Chirp 3. Suporte cobre mais de 85 idiomas com detecção automática, sotaques regionais e vocabulário customizado.

Como funciona na visão de quem opera

Na prática são dois modelos com nomes parecidos e propósitos diferentes. Para voz interativa, você usa o gemini-3.5-transcribe-live via Live API, que é streaming bidirecional contínuo com latência declarada abaixo de um segundo. Isso é o que viabiliza agente de voz que interrompe, confirma e responde sem aquele atraso constrangedor. Para áudio gravado, reuniões, logs de call center e auditoria, você usa o gemini-3.5-transcribe via Interactions API, com timestamps por palavra e diarização para até três falantes, sendo que acima disso ainda é experimental.

O pulo do gato não está só no reconhecimento acústico, está na camada inteligente em cima. Ele trata autocorreção do tipo 'vamos na terça, não, quarta', filtra disfluências, aplica pontuação, caixa e formatação automática de datas, valores e códigos. Soma a isso o vocabulário customizado, onde você injeta jargão próprio, nomes de produtos e grafias esquisitas para o modelo priorizar. É o tipo de recurso que parece detalhe, mas decide se a transcrição de um atendimento médico, jurídico ou de suporte é utilizável ou vai direto para o lixo.

Arquiteturalmente, dá para inferir o que está acontecendo mesmo sem whitepaper completo. Deve ser um encoder de áudio robusto a ruído acoplado a um decoder com capacidade de linguagem do Gemini, provavelmente com pós-processamento neural embutido em vez de duas chamadas separadas. Isso explicaria a queda de latência e o texto já polido. O ponto de function calling, hoje visível no app para macOS, indica que ele também consegue delegar tarefas complexas para outros modelos Gemini, como analisar um arquivo citado na fala ou gerar uma imagem. Para você, isso significa menos orquestração manual, mas também menos controle fino sobre custo por chamada.

O que isso muda na prática

Quem ganha primeiro são três perfis. Quem constrói voice agents para atendimento e vendas ganha texto limpo direto no loop, sem precisar de um LLM extra só para reescrever. Quem faz caption em tempo real para lives, aulas e reuniões ganha estabilidade em áudio ruim e troca de idioma. Quem roda pós-call analytics ganha diarização com timestamp e entidades mais confiáveis, o que melhora busca, resumo e detecção de churn. Quem perde, por enquanto, são pipelines artesanais baseados em Whisper local mais correção com GPT, que ficam mais caros de manter e mais lentos para o mesmo resultado.

  • Troque a limpeza manual por validação: mantenha seu pós-processamento, mas use como fallback, não como padrão.
  • Padronize vocabulário customizado como config versionada, com lista de produtos, siglas e códigos testada a cada deploy.
  • Separe rotas de streaming e batch desde o dia um, porque latência, preço e tolerância a erro são completamente diferentes.

A ação prática para esta semana é simples: pegue 50 áudios reais seus, com ruído, sotaque e jargão, e rode em paralelo no seu stack atual e no 3.5 Transcribe com vocabulário customizado ativado. Meça WER na mão nos trechos críticos, principalmente nomes, números e códigos, e meça tempo até texto final utilizável, não só até o primeiro token. Se a taxa de correção manual cair mais de 30%, já paga a migração. Se não cair, o problema é seu áudio na entrada, não o modelo.

Isso escala ou só move o gargalo

Aqui vem a dúvida de operador. Benchmark de 2,6% é ótimo no papel, mas WER médio esconde onde dói. Em produção, 95% do texto pode estar perfeito e os 5% errados são justamente o ID do pedido ou a dosagem do remédio. E transcrição inteligente que reescreve demais pode ser perigosa, porque ela decide o que era filler e o que era hesitação com significado. Em contexto jurídico ou médico, limpar um 'não, não' pode mudar o sentido. Vai ser preciso log do áudio original alinhado por palavra para auditar, senão você troca erro visível por erro silencioso.

Tem também a conta que ninguém mostra no lançamento. Texto polido, formatação e function calling custam inferência. Mesmo com 70% menos latência que o Chirp 3, streaming bidirecional sub-segundo em escala para milhares de chamadas simultâneas cobra infraestrutura e provavelmente preço premium por minuto. E o limite de três falantes com atribuição confiável resolve a reunião pequena, mas não resolve mesa redonda, call com crosstalk ou áudio de loja. Nesses casos você ainda vai precisar de diarização dedicada e vai descobrir que o gargalo só mudou de lugar, do reconhecimento para a separação de falantes.

Veredito de operador

Gemini 3.5 Transcribe parece menos um transcritor melhor e mais um passo para voz virar interface primária, onde falar, editar por voz e executar ação acontecem no mesmo fluxo. Se o custo por minuto acompanhar e o vocabulário custom segurar o jargão real, vira default para agentes e analytics. A pergunta que fica para você testar no seu domínio é direta: quanto da sua qualidade hoje depende do modelo e quanto depende de áudio ruim, microfone ruim e processo ruim que nenhum modelo vai salvar.