nramosdev · Blog
Gemini 3.5 Transcribe: el modelo de transcripción más preciso de Google
TL;DR
Gemini 3.5 Transcribe: el modelo de transcripción más preciso de Google
Google acaba de presentar Gemini 3.5 Transcribe, su modelo de speech-to-text más preciso hasta la fecha. No es un reconocimiento de voz cualquiera: convierte el audio crudo directamente en texto pulido, formateado y listo para usar. En este vídeo te cuento cómo funciona, sus dos APIs (Live e Interactions), su precisión frente a Chirp 3 y por qué cambia las reglas del juego para los desarrolladores de agentes de voz.
Capítulos del vídeo
- 00:00 — Qué es Gemini 3.5 Transcribe
- 00:13 — El problema de la transcripción tradicional
- 00:25 — La solución: transcripción inteligente
- 00:38 — Dos APIs: Live e Interactions
- 00:51 — Smart transcription: limpia y formatea
- 01:03 — Precisión: tasa de error por palabra
- 01:10 — Frente a Chirp 3: un 70% más rápido
- 01:25 — Vocabulario personalizado
- 01:37 — Idiomas y hablantes
- 01:49 — Function calling: delega tareas
- 01:57 — Superficies: donde ya está
- 02:08 — Integraciones del ecosistema dev
El contexto
DATOS CLAVE
Análisis
-
WER del 4,0% en streaming y 2,6% en no streaming (Artificial Analysis)
-
70% más rápido hasta la transcripción final que Chirp 3
-
FLEURS: 5,50% WER streaming / 5,04% no streaming
Puntos clave
- Ver datos y cifras en el vídeo: https://www.youtube.com/watch?v=1If0rDTwxLE
- Investigación previa documentada en el pipeline de vídeo (research.md del proyecto)
- Fuentes primarias listadas a continuación
Fuentes
Conclusión
- Más de 85 idiomas con detección automática
Artículo generado automáticamente desde el vídeo publicado en nramosdev. Cada número citado proviene de la investigación verificada del pipeline.