Gemini 3.5 Transcribe est le premier modèle de reconnaissance vocale de Google sous la marque Gemini, et après avoir étudié en détail sa documentation, ses benchmarks et ce que disent ceux qui l'utilisent en production, mon verdict rapide est le suivant : c'est un modèle géré solide et bien tarifé, avec un vrai piège.
Le bon côté : environ 0,005 $ par minute pour le modèle pour fichiers (à peu près un tiers du niveau standard de Cloud Speech-to-Text de Google), un taux d'erreur de mots de 2,6 % sur de l'audio anglais propre, diarisation intégrée, horodatages par mot et détection automatique de la langue sur plus de 85 langues.
Le piège : Smart transcription, la fonction que Google vante le plus, réécrit votre discours pour le nettoyer, et il n'est pas toujours d'accord avec vous sur ce qui est du bruit. Des testeurs l'ont vu supprimer des formulations précises. La diarisation devient aussi fragile au-delà de trois locuteurs, ce qui compte pour les comptes rendus de réunion.
Pour qui : la dictée, les enregistrements à un seul locuteur et la transcription sensible au coût à grande échelle. Qui devrait regarder ailleurs : ceux qui ont besoin d'une sortie mot à mot (juridique, recherche) et les réunions à plusieurs locuteurs, où un spécialiste comme Deepgram ou ElevenLabs Scribe garde l'avantage. Et n'oubliez pas : si vous êtes une équipe support, la transcription n'est que la couche d'entrée, il faut encore quelque chose pour résoudre réellement le ticket, et c'est là qu'intervient un coéquipier IA pour helpdesk.
Ce qu'est Gemini 3.5 Transcribe, en bref
Jusqu'ici, transcrire de l'audio avec Google signifiait l'une de deux choses : la Speech-to-Text API de Google Cloud (la gamme Chirp), ou confier un fichier audio à un modèle de chat Gemini généraliste en lui demandant gentiment. Gemini 3.5 Transcribe, annoncé vers le 26 août 2026, est le premier modèle que Google a conçu spécifiquement pour cette tâche, et il est présenté comme le successeur de Chirp 3.
La page du modèle de Google le décrit comme « a speech-to-text model based on Gemini's audio understanding capabilities » avec détection de la langue, diarisation des locuteurs, horodatages au niveau du mot, Smart transcription et biais de vocabulaire personnalisé. Ce sont en réalité deux points d'accès : gemini-3.5-transcribe pour les fichiers préenregistrés et gemini-3.5-transcribe-live pour le streaming en temps réel. J'ai analysé le détail complet des tarifs et des spécifications séparément ; cet avis cherche à savoir s'il est réellement bon.
Voici la page du modèle elle-même, par où la plupart des développeurs commenceront :
Un point à signaler avant de construire dessus : la documentation de Google elle-même n'est pas d'accord sur son statut. La page de présentation des modèles l'étiquette « New Stable », alors que le blog de lancement parle de « in public preview ». Il est déjà en service dans des produits grand public (Rambler sur Gboard, l'app Gemini sur macOS) : considérez-le donc comme proche de la production mais pas tout à fait stabilisé.
Comment je l'ai évalué
Je n'avais pas des mois de journaux de production à ma disposition, donc je suis franc sur la base de cet avis : j'ai lu intégralement la model card et la documentation tarifaire, vérifié les affirmations de benchmark de Google au regard de leur formulation, et je me suis beaucoup appuyé sur les développeurs qui faisaient des tests A/B contre Whisper, Deepgram et ElevenLabs Scribe dans les jours suivant le lancement. La transcription est un domaine où le chiffre de benchmark propre du fournisseur et votre résultat réel peuvent être très éloignés, donc le signal de la communauté compte autant que la fiche technique.
En résumé : les chiffres sont réels et bons, le prix est très compétitif, et les plaintes les plus bruyantes se concentrent sur deux points précis. Prenons-les dans l'ordre.
Précision : les chiffres de labo sont excellents, l'audio réel est l'épreuve
Sur le papier, ce modèle est très bon. Google annonce les taux d'erreur de mots ci-dessous, tous attribués à Artificial Analysis :
Un taux d'erreur de mots de 2,6 % en anglais hors streaming, c'est environ un mot faux sur quarante, ce qui est excellent. Google affirme aussi que le temps jusqu'à la transcription finale s'améliore de 70 % par rapport à Chirp 3, mais cette présentation vient de Google lui-même, je la classerais donc comme un chiffre du fournisseur plutôt que comme un benchmark indépendant.
Le signal le plus utile, c'est ce que les gens ont constaté en l'utilisant sur leur propre audio. Et là, les avis divergent. Du côté très positif, c'était à peu près aussi enthousiaste qu'un retour peut l'être :
"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."
Mais le fil de lancement est plein de gens qui comparent et arrivent à des conclusions plus tièdes. L'un d'eux, qui fait exactement cela professionnellement, est revenu à une configuration hybride :
"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."
Mon analyse : le taux d'erreur sur un benchmark propre et le taux d'erreur sur votre audio réel (appels bruyants, accents variés, voix croisées) sont deux animaux différents. Les chiffres de labo sont un bon point de départ, pas une promesse. Si vous l'évaluez pour un usage réel, testez-le sur vos propres enregistrements avant d'engager un pipeline.
Le piège de Smart transcription
C'est la partie de cet avis que je soulignerais. Smart transcription est la fonction sur laquelle Google s'appuie le plus, et aussi la plainte la plus courante. Une transcription brute de la parole humaine est désordonnée : on dit « euh », on recommence ses phrases, on marmonne des chiffres. Smart transcription nettoie tout cela automatiquement.
Selon l'article de lancement, il gère les auto-corrections (« let's meet Tuesday, no, Wednesday » devient « Wednesday »), retire les mots de remplissage et formate intelligemment les chaînes alphanumériques. Pour dicter un e-mail ou mettre au propre des notes de réunion, c'est le genre de chose que les outils de dictée autonomes facturent en plus, donc l'avoir dans le modèle de base est un vrai plus.
Le problème, c'est que « nettoyer » relève du jugement, et le modèle ne partage pas toujours le vôtre. Un développeur qui l'a testé sur un Pixel 11 Pro l'a dit sans détour :
"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."
Le modèle mental à retenir pour une décision d'achat est donc le suivant : Smart transcription est une fonctionnalité, pas une transcription neutre. Pour tout ce qui exige les mots exacts (juridique, recherche, conformité, médical), c'est un vrai compromis à peser, pas une note de bas de page. C'est la chose que je voudrais tester le plus sur mon propre audio avant de faire confiance à ce modèle.
La diarisation cale au-delà de trois locuteurs
La deuxième plainte récurrente concerne la gestion de plusieurs locuteurs, et si vous transcrivez des réunions, c'est celle à surveiller. La documentation de Google indique deux plafonds différents : la page du modèle dit que le modèle pour fichiers prend en charge « up to 8 speakers (Attribution for 3+ speakers is experimental) », tandis que le blog de lancement dit « up to three ». Le plafond fiable aujourd'hui est trois, et je planifierais autour de ce chiffre. Le modèle de streaming en direct n'a aucune diarisation, puisqu'il privilégie la faible latence.
Cet écart s'est vu clairement dans les tests :
"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."
Si votre cas d'usage est un appel de support à deux personnes ou une note vocale à un seul locuteur, cela ne vous touchera pas. Si c'est un point quotidien à six personnes, c'est une vraie limite, et c'est le genre de chose qu'une fiche technique laisse passer jusqu'à ce que vous soyez trois semaines dans le développement.
Tarifs : c'est là qu'il gagne
Google n'a pas mis les tarifs dans l'annonce du modèle, ce qui a assez agacé les développeurs pour que l'un d'eux les publie lui-même sur Hacker News. Voici le tableau réel d'après la page de tarifs :
| Modèle | Entrée audio | Sortie texte | Tarif combiné |
|---|---|---|---|
gemini-3.5-transcribe (fichier) | 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 (streaming) | 3,50 $ / 1 M de tokens (~0,005 $/min) | 21,00 $ / 1 M de tokens (~0,004 $/min) | ~0,009 $ / min |
À titre de comparaison, la reconnaissance standard de Cloud Speech-to-Text v2 de Google commence à 0,016 $/min, tandis que son niveau par lots dynamique est à 0,003 $/min. Le nouveau modèle pour fichiers se situe donc nettement sous la reconnaissance standard en temps réel et juste au-dessus de l'option par lots la moins chère. Dans vos calculs, comparez ce qui est comparable : temps réel avec temps réel, lots avec lots.
Pour rendre cela concret, saisissez votre propre volume :
Un exemple chiffré : une petite équipe qui transcrit 200 heures d'appels de support par mois paie environ 60 $ avec le modèle pour fichiers contre environ 192 $ avec Cloud Speech-to-Text standard. Des économies réelles, mais pas révolutionnaires à cette échelle, et honnêtement la plus grande question de coût est généralement ce que vous faites des transcriptions ensuite, pas la transcription elle-même. Nous y revenons plus bas.
Comment il se place face à Whisper, Deepgram et Scribe
Je veux rester prudent ici, car une comparaison directe équitable demande les chiffres propres de chaque fournisseur, et la position honnête est que les vrais tests A/B sont menés par les utilisateurs, pas par moi. Donc, plutôt qu'un tableau de spécifications que je ne peux pas entièrement sourcer, voici ce qu'ont constaté les personnes qui comparent réellement ces modèles.
Côté coût, la réaction s'est partagée presque pile en deux. Un développeur qui gère whispermemos.com a fait le calcul et en est ressorti impressionné :
"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."
D'autres n'étaient pas convaincus que la précision s'en approche suffisamment :
"Still more expensive and worse performing than ElevenLabs Scribe, unfortunately. Not sure who's the target audience for this."
Et Whisper garde des fidèles, en partie parce qu'il est gratuit à auto-héberger et en partie parce que des équipes ont déjà bâti des pipelines autour. Le schéma le plus courant que j'ai vu était hybride : Whisper pour des horodatages de mots précis, puis un modèle Gemini pour le texte lui-même. En bref, Gemini 3.5 Transcribe est une option gérée solide et bien tarifée, pas un gagnant automatique face aux outils ASR spécialisés. Lequel l'emporte dépend de votre audio et de votre besoin d'une diarisation fiable.
Le verdict : pour qui
En synthèse, voici où j'atterris après cette recherche :
| Gemini 3.5 Transcribe | |
|---|---|
| Points forts | Prix bas (~0,005 $/min fichier), 2,6 % d'erreur en anglais, diarisation + horodatages intégrés, plus de 85 langues, API gérée |
| Points faibles | Smart transcription peut réécrire des formulations précises, diarisation peu fiable au-delà de 3 locuteurs, pas de niveau batch/Flex, la documentation se contredit sur le statut et la limite de locuteurs |
| Idéal pour | Dictée, notes vocales à un seul locuteur, transcription sensible au coût à grande échelle |
| Regardez ailleurs si | Vous avez besoin d'une sortie mot à mot, de réunions à 4+ locuteurs ou du coût par lots le plus bas possible |
La décision dépend vraiment de votre audio :
Si je livrais une fonction de dictée ou transcrivais une file de notes vocales à un seul locuteur, je le choisirais volontiers : le prix et la précision en anglais sont difficiles à battre pour un modèle géré. Si je construisais des comptes rendus pour des réunions à six, ou quoi que ce soit où les mots exacts ont un poids juridique, je testerais Deepgram ou ElevenLabs Scribe en parallèle avant de décider, sans présumer que les chiffres de benchmark s'appliquent à mon audio.
Pour référence, si vous avez déjà utilisé la console de transcription de Google Cloud, le flux d'envoi de fichiers vous semblera familier : vous pointez vers l'audio et choisissez vos options :
Où la transcription s'insère pour une équipe support
Voici ce qu'il vaut la peine de dire clairement, parce que c'est la partie qu'un avis peut manquer : Gemini 3.5 Transcribe est une infrastructure. Il transforme l'audio en texte, et il fait bien ce travail difficile. Mais la transcription d'un appel ou d'une note vocale client n'est pas une réponse, ce n'est que le début. Il faut encore que quelque chose lise ce texte, comprenne ce dont le client a besoin, récupère les bonnes informations et résolve réellement le ticket.
Cette couche de résolution, c'est ce sur quoi je travaille. J'ai passé les dernières années autour d'une IA qui travaille sur de vraies files de support, et le schéma ne change jamais : obtenir les bons mots est le minimum ; agir correctement dessus est la partie difficile. Un modèle de transcription vous donne les mots. Il ne connaît ni votre politique de remboursement, ni votre système de commandes, ni les trois derniers tickets ouverts par ce client.
C'est la différence entre un modèle et un coéquipier. Gemini 3.5 Transcribe est un modèle, brillant sur une tâche étroite. eesel est une plateforme de coéquipiers : vous recrutez des coéquipiers IA prêts à travailler pour des tâches précises, et l'équipe actuelle comprend un coéquipier IA pour helpdesk et un rédacteur de blog IA. Le coéquipier helpdesk se branche sur le helpdesk que vous utilisez déjà, Zendesk, Freshdesk, Gorgias, et rejoint la file existante, formé sur votre centre d'aide et vos anciens tickets.
Essayer eesel pour les tickets vocaux et chat
Si vous êtes arrivé sur un avis de transcription parce que votre équipe croule sous les tickets vocaux ou chat, rappelez-vous que la transcription n'est que la moitié du travail. Le coéquipier IA helpdesk d'eesel prend le relais là où un modèle comme Gemini 3.5 Transcribe s'arrête : il lit le message du client, rédige ou envoie la réponse et boucle la boucle, à travers plus de 1 000 intégrations.
La partie que je mettrais en avant en premier est le mode simulation. Avant qu'une IA ne touche un client réel, vous la faites tourner sur des milliers de vos propres tickets passés et vous voyez exactement comment elle aurait répondu, vous n'actionnez donc pas un interrupteur en espérant : le même conseil « testez d'abord sur vos propres données » que je donnerais pour n'importe quel modèle de transcription, intégré au produit. Le prix est un forfait mensuel fixe, à partir de 299 $/mois pour 500 crédits (1 crédit par ticket ou chat) sans frais par utilisateur, et il existe un plan gratuit avec 100 crédits, sans carte. C'est la différence entre une transcription intelligente d'un problème et sa résolution réelle.