Google: Gemini 3.5 Transcribe

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

Prepare una grabación clara, sin recortes graves de la voz y, cuando sea posible, con una separación perceptible entre las voces. Los ejemplos síncronos del fabricante proporcionan audio WAV como bytes de archivo o como un recurso de audio almacenado, e indican su tipo MIME. Conserve el audio original para su revisión. El resultado previsto puede ser una transcripción revisada de una entrevista, un registro de alineación de subtítulos o un dictado legible; determine qué documento necesita antes de combinar funciones que modifiquen la redacción o añadan metadatos.

Google documenta la detección automática de más de 85 idiomas, incluida la mezcla de idiomas dentro de una misma sesión. Los niveles de compatibilidad varían según el idioma, y proporcionar una indicación del idioma conocido puede mejorar el reconocimiento. El vocabulario personalizado permite aportar nombres, marcas o términos especializados concretos que probablemente aparezcan. El fabricante admite hasta 1000 términos y señala que las listas específicas de hasta unos 100 suelen ofrecer los mejores resultados. Asegúrese de que los términos poco habituales sean pertinentes para la grabación y compruébelos en el audio, sin dar por hecho que una indicación de vocabulario demuestra que el término se pronunció.

VERBATIM es el modo predeterminado. Conserva muletillas, repeticiones, inicios fallidos y correcciones expresadas al hablar para que el texto siga siendo un registro de las palabras pronunciadas. Este es el modo que debe utilizar cuando la tarea requiera marcas de tiempo por palabra o diarización de hablantes. En una entrevista, por ejemplo, conserve las intervenciones originales y sus marcas de tiempo y, después, corrija los nombres y las cantidades importantes escuchando el pasaje correspondiente. Un resumen posterior o un artículo editado pueden utilizar ese registro revisado sin sustituir, sin indicarlo, lo que dijo el hablante.

El modo SMART está diseñado para producir dictados legibles. Elimina las disfluencias, resuelve las autocorrecciones realizadas durante el discurso y organiza el contenido 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 sucesión de transiciones orales. Este procesamiento modifica la forma de la transcripción. Google indica expresamente que SMART es incompatible con las marcas de tiempo por palabra y la diarización, por lo que debe elegirlo cuando el documento requerido sea un texto legible, en lugar de intentar utilizarlo como registro con marcas de tiempo y atribución de hablantes.

Cuando se activan las marcas de tiempo por palabra, la respuesta incluye las palabras reconocidas con sus desplazamientos temporales de inicio y fin. Estos permiten localizar una corrección en la grabación o preparar subtítulos. El fabricante señala que activar las marcas de tiempo por palabra implica una contrapartida en la precisión. Revise tanto el texto como la alineación, especialmente en los fragmentos con habla rápida, voces superpuestas o terminología poco habitual. Una transcripción útil con marcas de tiempo conserva juntos el registro de palabras y el audio de origen, en lugar de considerar que una frase fluida demuestra que su alineación es correcta.

La diarización de hablantes identifica y etiqueta las voces del audio grabado, con compatibilidad documentada para hasta ocho hablantes. El fabricante describe como experimental la atribución de tres o más hablantes. Considere las etiquetas como agrupaciones inferidas de hablantes y revise los cambios de intervención escuchando la grabación. Una etiqueta de hablante no constituye una prueba independiente de la identidad ni del papel de una persona. Si la tarea requiere nombres, vincule las etiquetas con la información conocida sobre la grabación, en lugar de inventar identidades a partir de las palabras reconocidas.

La tabla de funciones del fabricante indica una ventana de audio grabado de 15 minutos, y el procesamiento de archivos queda limitado a esa duración cuando se activan funciones como las marcas de tiempo o la diarización. Divida el material de origen más largo en segmentos adecuados, conservando su orden y su posición temporal original. La transcripción del modelo, las palabras con marcas de tiempo y los fragmentos etiquetados por hablante son representaciones diferentes del resultado; conserve la representación que requiera la tarea. Estos límites específicos del audio no deben sustituirse por las cifras de contexto o duración de un modelo multimodal general de Gemini. Google clasifica el formato SMART, las marcas de tiempo por palabra y la diarización de hablantes como funciones experimentales.

El contrato de salida es específico de la transcripción. El formato SMART genera texto legible, pero no añade un contrato general de respuesta basado en un esquema JSON, capacidad de llamada a herramientas ni un flujo de trabajo de asistente que siga instrucciones. Para el documento definitivo, compruebe en el audio las palabras, los números y las negaciones importantes, conserve cualquier segmento sin resolver para su corrección y guarde el modo seleccionado junto con el resultado. Así queda claro si la entrega registra las palabras originales pronunciadas o presenta una versión editada para la lectura derivada de ellas.