Google: Gemini 3.5 Transcribe

Google Gemini 3.5 Transcribe es el modelo síncrono para convertir archivos completos de audio pregrabado en habla escrita. Se basa en las capacidades de comprensión de audio de Gemini, pero tiene un contrato de entrada y salida específico de transcripción. La edición separada Gemini 3.5 Transcribe Live recibe una transmisión de audio y devuelve resultados incrementales. Este modelo de audio grabado produce una transcripción completa, con tiempos por palabra o atribución de hablantes opcionales según la configuración seleccionada.

Prepara una grabación clara con voz que no presente saturación severa y con una separación significativa entre voces cuando sea posible. Los ejemplos síncronos del fabricante envían audio WAV como bytes de archivo o como recurso de audio almacenado, especificando su tipo MIME. Conserva el audio original para revisión. El resultado previsto podría ser una transcripción de entrevista comprobada, un registro para alinear subtítulos o un dictado legible; decide qué entregable necesitas antes de combinar funciones que cambien la redacción o agreguen metadatos.

Google documenta la detección automática de idioma en más de 85 idiomas, incluida la mezcla de idiomas dentro de una sesión. Los niveles de compatibilidad varían, y una indicación de idioma conocido puede mejorar el reconocimiento. El vocabulario personalizado proporciona nombres, marcas o términos especializados distintivos que probablemente aparezcan. El fabricante permite hasta 1,000 términos y señala que las listas enfocadas de hasta unos 100 suelen funcionar mejor. Mantén los términos poco comunes pertinentes para la grabación y compruébalos contra el audio, en lugar de suponer que una indicación de vocabulario demuestra que se pronunció el término.

VERBATIM es el modo predeterminado. Conserva muletillas, repeticiones, comienzos fallidos y correcciones habladas para que el texto siga siendo un registro de las palabras pronunciadas. Es el modo que debe usarse cuando la tarea necesita marcas de tiempo por palabra o diarización de hablantes. Para una entrevista, por ejemplo, conserva los turnos y tiempos originales y después corrige nombres y cantidades importantes escuchando el pasaje correspondiente. Un resumen posterior o un artículo pulido pueden usar ese registro comprobado sin reemplazar silenciosamente lo que dijo el hablante.

El modo SMART está diseñado para dictado legible. Elimina disfluencias, resuelve autocorrecciones en línea y estructura el material hablado en párrafos o listas, normalizando fechas y números cuando corresponde. Una lista de tareas dictada puede convertirse en una lista legible, en lugar de una cadena de transiciones habladas. Ese procesamiento cambia la forma de la transcripción. Google indica explícitamente que SMART es incompatible con marcas de tiempo por palabra y diarización; por eso, elígelo cuando el entregable requerido sea texto legible, en lugar de intentar usarlo como registro temporizado y atribuido a hablantes.

Cuando se habilitan tiempos por palabra, la respuesta incluye las palabras reconocidas con desplazamientos de inicio y final. Estos permiten localizar una corrección en la grabación o preparar subtítulos. El fabricante señala que habilitar marcas de tiempo por palabra puede afectar la exactitud. Revisa tanto el texto como la alineación, especialmente en habla rápida, superposición o terminología inusual. Una transcripción temporizada útil conserva juntos el registro de palabras y el audio de origen, en lugar de tratar una oración fluida como prueba de una alineación correcta.

La diarización de hablantes identifica y etiqueta voces en audio grabado, con hasta ocho hablantes documentados. El fabricante describe la atribución para tres o más hablantes como experimental. Trata las etiquetas como agrupaciones inferidas de hablantes y revisa las transiciones frente a la grabación. Una etiqueta de hablante no es prueba independiente de la identidad o el rol de una persona. Si la tarea necesita nombres, asocia las etiquetas con información conocida de la grabación en lugar de inventar identidades a partir de las palabras reconocidas.

La tabla de funciones del fabricante enumera una ventana de audio grabado de 15 minutos, con procesamiento de archivos limitado a esa duración cuando se habilitan funciones como marcas de tiempo o diarización. Prepara el material de origen más largo como segmentos adecuados, conservando su orden y posición temporal original. La transcripción, las palabras temporizadas y las partes etiquetadas por hablante son representaciones diferentes del resultado; conserva la que necesita la tarea. Estos límites específicos de audio no deben reemplazarse por cifras de contexto o duración de un modelo multimodal general de Gemini. Google enumera el formato SMART, las marcas de tiempo por palabra y la diarización de hablantes como funciones experimentales.

El contrato de salida es específico de transcripción. El formato SMART crea texto legible, pero no agrega un contrato general de respuesta de esquema JSON, capacidad de llamadas a herramientas ni un flujo de asistente que siga instrucciones. Para el entregable final, comprueba contra el audio las palabras importantes, los números y las negaciones, conserva los segmentos sin resolver para su corrección y guarda el modo seleccionado con el resultado. Esto deja claro si el entregable registra las palabras originales habladas o presenta una versión de lectura editada derivada de ellas.