Gemini 3.5 Transcribe es el nuevo modelo de voz a texto dedicado de Google, anunciado alrededor del 26 de agosto de 2026 y basado en la comprensión de audio de Gemini. Llega en dos versiones: gemini-3.5-transcribe para archivos grabados (hasta una hora, con diarización y marcas de tiempo por palabra) y gemini-3.5-transcribe-live para transmisión en tiempo real mediante WebSockets (sesiones de 10 minutos, sin diarización).
El precio es lo más destacado: unos 0,005 $ por minuto para el modelo de archivo y 0,009 $ por minuto para el modo en vivo, lo que queda por debajo del nivel estándar de Cloud Speech-to-Text v2 de Google (0,016 $/min). Google informa una tasa de error de palabras del 2,6 % en inglés sin transmisión (según Artificial Analysis) y lo posiciona como sucesor de Chirp 3.
El veredicto honesto: las cifras de laboratorio son excelentes, pero las primeras reacciones prácticas están divididas. Los fans lo llaman el mejor modelo de dictado que han usado; los críticos dicen que la transcripción inteligente puede "simplificar" formulaciones precisas, y que la diarización se atasca a partir de tres hablantes. Un detalle de estado que conviene conocer: la lista de modelos de Google lo etiqueta como "Stable", mientras que el blog de lanzamiento lo llama "public preview". Si eres un equipo de soporte que lo estudia para tickets de voz, recuerda que la transcripción es solo la capa de entrada: aún necesitas algo que realmente resuelva el ticket, y ahí entra un compañero de IA para helpdesk.
¿Qué es Gemini 3.5 Transcribe?
Durante un par de años, si querías convertir audio en texto con los modelos de Google, tenías dos opciones: la Speech-to-Text API de Google Cloud (la línea Chirp), o simplemente pasar un archivo de audio a un modelo de chat Gemini general y pedirle que lo transcribiera. Gemini 3.5 Transcribe es la primera vez que Google lanza un modelo de marca Gemini creado específicamente para esa tarea, junto al resto de la familia Gemini 3.
Google lo describe como "a speech-to-text model based on Gemini's audio understanding capabilities" que ofrece transcripción de baja latencia con detección de idioma por enunciado, diarización de hablantes, marcas de tiempo por palabra, transcripción inteligente y sesgo de vocabulario personalizado. En términos simples: escucha audio y devuelve texto limpio, formateado y con etiquetas de hablante, en más de 85 idiomas, sin que tengas que montar un flujo por tu cuenta.
Si has usado antes la consola de transcripción de Google Cloud, el flujo te resultará familiar: apuntas a un archivo de audio y eliges tus opciones:
Un aviso desde ya, porque los propios documentos de Google no coinciden entre sí: la página de resumen de modelos etiqueta Gemini 3.5 Transcribe como "New Stable", mientras que la entrada del blog de lanzamiento dice que está "in public preview" para desarrolladores y empresas. Ya funciona en productos de consumo, Rambler en Gboard para Android, la app Gemini en macOS y "próximamente en Chrome", según la misma entrada. Considéralo casi listo para producción, pero no del todo asentado.
Los dos modelos: archivo vs. en vivo
Lo más importante que debes entender antes de escribir una línea de código es que "Gemini 3.5 Transcribe" son en realidad dos endpoints, y se comportan de forma muy distinta.
El modelo de archivo gemini-3.5-transcribe es el que usas cuando ya tienes una grabación, una llamada de soporte, un pódcast, una reunión, y quieres la transcripción completa con etiquetas de hablante. El modelo gemini-3.5-transcribe-live es para transmitir audio mientras ocurre, como los subtítulos en vivo, donde cada segundo extra de latencia se nota. Así se desglosa el soporte de funciones:
| Función | gemini-3.5-transcribe (archivo) | gemini-3.5-transcribe-live (transmisión) |
|---|---|---|
| Ideal para | Audio grabado | Subtítulos en tiempo real |
| Detección automática de idioma | Más de 85 idiomas, incl. mezcla de idiomas a mitad de sesión | Más de 85 idiomas |
| Marcas de tiempo por palabra | Compatible (reduce la precisión) | No compatible |
| Diarización de hablantes | Compatible (ver la advertencia abajo) | No compatible |
| Sesgo de vocabulario personalizado | Hasta 1.000 términos (mejor ≤100) | Hasta 1.000 términos |
| Dictado inteligente y formato | Compatible | Compatible |
| Duración máxima de audio | Hasta 1 hora (30 min con diarización o marcas de tiempo) | 10 minutos por sesión |
| Precio combinado | ~0,005 $ / min | ~0,009 $ / min |
La advertencia sobre la diarización es la que hay que vigilar. La tabla de funciones de la página del modelo de Google dice que el modelo de archivo admite "up to 8 speakers (Attribution for 3+ speakers is experimental)", pero el blog del anuncio dice "up to three speakers". En cualquier caso, el techo fiable hoy es tres, y yo planificaría con ese número, no con ocho.
Qué hace realmente la transcripción inteligente
La función en la que Google más insiste es la transcripción inteligente, y conviene entenderla porque también es la fuente de las quejas más ruidosas. Una transcripción en bruto del habla humana es desordenada: la gente dice "eh", empieza una frase, se detiene y la retoma, murmura cifras. La transcripción inteligente limpia todo eso automáticamente.
Según la entrada de lanzamiento, gestiona autocorrecciones (alguien dice "quedemos el martes, no, el miércoles" y obtienes "miércoles"), elimina muletillas y aplica un formato consciente de la intención a cosas como cadenas alfanuméricas. Para dictar un correo o limpiar notas de una reunión, eso es justo lo que cobran las herramientas de dictado dedicadas, así que tenerlo en el modelo base es útil.
La otra cara es que "limpiar" es una decisión de criterio, y el modelo no siempre coincide contigo en qué es ruido. Un desarrollador que lo probó en un Pixel 11 Pro lo expresó con claridad:
"The main issue is when you want to say something precise with specific wording it might 'simplify' it and break the meaning. Something like 'I hesitated to check it, I should have verified' => 'I should have verified'... I tried the sentence few times and it always removed the first part."
El modelo mental es, entonces: la transcripción inteligente es una función, no una transcripción neutral. Si necesitas literalidad (legal, investigación, todo lo que dependa de las palabras exactas), es una compensación real que conviene sopesar.
¿Qué tan preciso es de verdad?
Sobre el papel, las cifras son excelentes. Google informa las siguientes tasas de error de palabras, todas atribuidas a Artificial Analysis:
Una tasa de error de palabras del 2,6 % en inglés sin transmisión es muy buena, aproximadamente una palabra errónea de cada cuarenta. Google también afirma que el tiempo hasta la transcripción final mejora un 70 % frente a Chirp 3, aunque ese planteamiento es de la propia Google, así que lo trataría como una cifra del fabricante y no como un benchmark independiente.
La señal más interesante es lo que dicen los profesionales tras usarlo. Y aquí el panorama está dividido. Del lado positivo:
"I am using it all day as a main dictation model, and I can say it's the best model in terms of accuracy, latency, and formatting I have ever used."
Pero el hilo de lanzamiento en Hacker News está lleno de gente que hace sus propias comparaciones y llega a conclusiones distintas. Algunos siguen prefiriendo Whisper, y un par encontró carencias reales:
"Curious if this suffers from the same hallucination problems as Chirp or not... we've moved back to Whisper for timestamp accuracy and then Gemini Flash for transcription correction."
La conclusión que extraigo: la WER en un benchmark limpio y la WER en tu audio real (llamadas con ruido, varios acentos, voces superpuestas) son cosas distintas. Las cifras de laboratorio son un buen comienzo, no una garantía. Si evalúas cualquier modelo de transcripción para trabajo real, pruébalo con tus propias grabaciones antes de comprometerte.
Precios de Gemini 3.5 Transcribe
Google no incluyó los precios en el anuncio del modelo, lo que molestó tanto a los desarrolladores que uno publicó las cifras en Hacker News por su cuenta. Este es el panorama completo según la página de precios, para la Gemini Developer API:
| Modelo | Audio de entrada | Texto de salida | Tarifa combinada |
|---|---|---|---|
gemini-3.5-transcribe (archivo) | 2,00 $ / 1 M de tokens (~0,003 $/min) | 12,00 $ / 1 M de tokens (~0,002 $/min) | ~0,005 $ / min |
gemini-3.5-transcribe-live (transmisión) | 3,50 $ / 1 M de tokens (~0,005 $/min) | 21,00 $ / 1 M de tokens (~0,004 $/min) | ~0,009 $ / min |
A modo de comparación, el reconocimiento estándar de Cloud Speech-to-Text v2 de Google empieza en 0,016 $/min y baja con el volumen, mientras que su nivel de lote dinámico cuesta 0,003 $/min. Así que el nuevo modelo de archivo de Gemini queda claramente por debajo del reconocimiento estándar en tiempo real, pero por encima de la opción de lote más barata. Compara cosas equivalentes (tiempo real con tiempo real, lote con lote) al hacer las cuentas.
Hablando de cuentas, aquí tienes una calculadora rápida. Indica cuántas horas de audio procesas al mes y verás aproximadamente cuánto cuesta cada opción:
Un ejemplo práctico: un equipo pequeño que transcribe 200 horas de llamadas de soporte al mes pagaría unos 60 $/mes con el modelo de archivo, frente a unos 192 $ con Cloud Speech-to-Text estándar. A esa escala la diferencia es real, pero no enorme. La pregunta de coste más grande suele ser qué haces con las transcripciones después, no la transcripción en sí.
Cómo se compara con Whisper, Deepgram y Scribe
Quiero ser cuidadoso aquí, porque una comparación justa necesita las cifras de cada proveedor, y la postura honesta es que los enfrentamientos reales los hacen los usuarios, no yo. Así que, en lugar de una tabla de especificaciones que no puedo respaldar del todo, esto es lo que encuentran quienes realmente hacen pruebas A/B con estos modelos.
En costes, la reacción se divide casi por la mitad. Un desarrollador que gestiona whispermemos.com hizo las cuentas y le gustó lo que vio:
"I did the math based on our data from customers... and it seems to be $0.12 per hour of input audio... Scribe is $0.22. If the accuracy is close to Scribe, I think it's a good deal."
Otros no estaban convencidos de que la precisión se acerque lo suficiente:
"Still more expensive and worse performing than ElevenLabs Scribe, unfortunately. Not sure who's the target audience for this."
La queja más constante, y la que yo pesaría más si haces transcripción de reuniones, es el manejo de varios hablantes:
"Still no real time diarization beyond 3 people (and even then experimental) when others do it very well, like Soniox and Deepgram. For something like meeting notes this is critical."
Y Whisper sigue teniendo seguidores fieles, en parte porque es gratis para alojar por cuenta propia y en parte porque muchos equipos ya han construido flujos a su alrededor. Un patrón común es el híbrido: usar Whisper para marcas de tiempo precisas por palabra y luego un modelo Gemini para el texto. En resumen, Gemini 3.5 Transcribe es una opción gestionada sólida y bien tarifada, no un ganador automático frente a las herramientas ASR especializadas. Cuál gana depende mucho de tu audio y de si necesitas una diarización fiable.
Dónde encaja la transcripción para un equipo de soporte
Esto merece decirse claramente, porque es fácil pasarlo por alto: Gemini 3.5 Transcribe es infraestructura. Convierte audio en texto, y es un problema difícil que resuelve bien. Pero la transcripción de una llamada o una nota de voz de un cliente no es una respuesta, es solo el comienzo. Algo tiene que leer ese texto, entender lo que el cliente necesita, obtener la información correcta y resolver el ticket.
Esa capa de resolución es en lo que trabajo. He pasado los últimos años ayudando a construir IA que opera en colas de soporte en vivo, y el patrón es siempre el mismo: acertar con las palabras es lo mínimo; actuar correctamente sobre ellas es lo difícil. Un modelo de transcripción te da las palabras. No conoce tu política de reembolsos, tu sistema de pedidos ni los últimos tres tickets que abrió ese cliente.
Esta es la diferencia entre un modelo y un compañero de equipo. Gemini 3.5 Transcribe es un modelo, brillante en una tarea acotada. eesel es una plataforma de compañeros de IA: contratas compañeros de IA listos para trabajar en tareas concretas, y la plantilla actual incluye un compañero de IA para helpdesk y un redactor de blog con IA. El compañero para helpdesk se conecta al helpdesk que ya usas, Zendesk, Freshdesk, Gorgias, y se une a la cola existente, entrenado con tu centro de ayuda y tus tickets anteriores.
Prueba eesel para tickets de voz y chat
Si estás mirando la transcripción porque tu equipo se ahoga en tickets de voz o chat, la transcripción es solo la mitad del trabajo. El compañero de IA para helpdesk de eesel retoma donde termina un modelo como Gemini 3.5 Transcribe: lee el mensaje del cliente, redacta o envía la respuesta y de verdad cierra el ciclo, a través de más de 1.000 integraciones.
Lo primero que señalaría es el modo de simulación. Antes de que ninguna IA toque a un cliente real, la ejecutas contra miles de tus propios tickets históricos y ves exactamente cómo habría respondido, así que no activas un interruptor y esperas lo mejor. El precio es una tarifa mensual fija, desde 299 $/mes por 500 créditos (1 crédito por ticket o chat) sin tarifas por usuario, y hay un plan gratuito con 100 créditos, sin tarjeta. Es la diferencia entre una transcripción inteligente de un problema y una resolución real del mismo.