Google presentó Gemini 3.5 Transcribe, un modelo de inteligencia artificial especializado en transformar voz en texto. El hallazgo no está solo en que reconoce palabras: la herramienta limpia, organiza y corrige el discurso antes de mostrar su versión final.
La nueva pieza clave de Gemini funciona con conversaciones en directo y archivos grabados. Google señala que puede responder mejor ante ruido ambiental, acentos, lenguaje técnico y cambios de idioma, un mecanismo pensado para situaciones donde el dictado tradicional suele perder el hilo.
Además, detecta automáticamente más de 85 idiomas, reconoce hasta tres interlocutores y coloca marcas de tiempo en cada palabra. Así, una reunión extensa puede convertirse en un texto navegable, con una referencia precisa para volver al momento exacto del audio.
Un corrector que trabaja mientras la persona habla
La central de esta tecnología es la llamada transcripción inteligente (edición automática del discurso). Si alguien dice “nos vemos el martes” y se corrige enseguida por “el miércoles”, el sistema conserva directamente la segunda versión.
También elimina muletillas, añade puntuación y aplica formato. En lugar de entregar una secuencia desordenada de sonidos convertidos en letras, Gemini 3.5 Transcribe busca entregar un texto que ya pueda leerse, enviarse o revisarse.
Es como tener a una persona junto a una mesa de trabajo que escucha, borra los tachones y acomoda los papeles mientras la conversación sigue.
La analogía ayuda a entender el engranaje: el micrófono sería la puerta de entrada, las palabras serían documentos que llegan mezclados y el modelo actuaría como un archivista. No cambia la idea del hablante, pero intenta separar lo importante del ruido, colocar cada pieza en su carpeta y corregir una orden cuando el propio usuario la rectifica.
Ese cableado también admite vocabulario personalizado. Una empresa, por ejemplo, puede indicar nombres propios, términos profesionales o palabras poco frecuentes para que el sistema no confunda un producto, un apellido o una sigla relevante.
Menos espera para subtítulos, mensajes y formularios
Google asegura que su tasa de error por palabra llega al 4% en streaming (transcripción mientras se habla) y baja al 2,6% en audios grabados. Frente a Chirp 3, el modelo anterior de la compañía, el tiempo para obtener el texto definitivo se reduciría un 70%.
En directo, opera con una latencia (retraso entre la voz y la respuesta) inferior a un segundo. Esa respuesta inmediata abre una oportunidad para subtítulos, asistentes de voz y aplicaciones que deben reaccionar sin dejar al usuario esperando frente a una pantalla.
La herramienta ya forma parte de funciones de Android y Gemini en macOS. Allí, la voz no solo puede convertirse en texto: también puede servir como una orden para que la IA ejecute tareas, analice archivos o genere imágenes con otros modelos de Gemini.
Los desarrolladores pueden probar el sistema mediante Gemini API (canal para conectar aplicaciones) y Google AI Studio. Google también lo utiliza en Gboard y Antigravity, mientras prepara su llegada a Chrome para dictar correos, mensajes y formularios en cualquier campo de texto.
La promesa final es doméstica y concreta: si la voz se vuelve un teclado más limpio y atento, una idea dicha al pasar tendrá menos posibilidades de quedarse perdida entre el ruido.
Directora de operaciones en GptZone. IT, especializada en inteligencia artificial. Me apasiona el desarrollo de soluciones tecnológicas y disfruto compartiendo mi conocimiento a través de contenido educativo. Desde GptZone, mi enfoque está en ayudar a empresas y profesionales a integrar la IA en sus procesos de forma accesible y práctica, siempre buscando simplificar lo complejo para que cualquiera pueda aprovechar el potencial de la tecnología.
