Google lança Gemini 3.5 Transcribe para ditado em tempo real

A Google não matou a família Gemini 3.5, mudou-a de sítio. O novo modelo chama-se Gemini 3.5 Transcribe, é focado em voz e vem substituir o antigo modelo de transcrição Chirp 3. A promessa é simples: ditado em tempo real com menos erros, mais contexto e menos trabalho manual a limpar o texto.

O Transcribe é apresentado como o modelo de reconhecimento de fala mais preciso da Google. Os números que a empresa avança são agressivos: 4% de WER (taxa de erro de palavra) em áudio em streaming e 2,6% em ficheiros pré-gravados, em cenários com ruído de fundo e até em interacções com assistentes. Estes valores, se forem consistentes fora do laboratório, chegam muito perto do nível “não penso duas vezes antes de falar para o telefone no meio da rua”. Para quem anda a testar modelos de voz em português, sabe que esta última parte costuma falhar.

Há várias camadas novas aqui. A transcrição inteligente promete remover muletas orais como “hums” e “ahs”, aplicar pontuação e formatação automaticamente e ainda deixar editar só com a voz. Para quem passa o dia em reuniões no Meet ou no Teams, isto pode ser a diferença entre ter uma ata decente em 2 minutos ou nunca mais olhar para a gravação. Depois há o suporte a vocabulário personalizado, que permite ensinar o modelo a gíria de uma área específica ou a nomes próprios mais exóticos. Em contextos profissionais, onde já se fala de usar IA para automatizar tarefas de suporte e desenvolvimento, como apontava a análise recente da Forrester, isto é crítico.

Outro ponto mais técnico mas importante é o function calling. O Transcribe consegue delegar tarefas noutros modelos Gemini através de chamadas de função: imagina ditar uma descrição e ter, logo a seguir, um pedido de imagem gerado sem que tu toques num menu. Para já, isto está exposto sobretudo a programadores, através do Google AI Studio e do ambiente Antigravity, mas a Google diz que chegará à API de forma mais ampla. Em linguagem prática, isto abre espaço a apps que ouvem, transcrevem, resumem, classificam e ainda tomam acções com base no que foi dito, tudo em cadeia.

No lado do utilizador comum, o impacto vem da integração. O Gemini 3.5 Transcribe está a ser activado em Search Live, Gemini Live, Google Docs, Keep, Gmail, app Gemini e Gboard. Em Android, isto significa que o teclado da Google passa a ter um cérebro de ditado diferente, com melhor detecção automática de língua em mais de 85 idiomas, suporte para sotaques e alguns dialectos, e identificação de até três oradores em ficheiros gravados, com marcas temporais palavra a palavra. A Google fala também numa chegada futura ao Chrome, para poderes falar em vez de escrever em qualquer campo de texto no browser.

Para Portugal, a questão óbvia é se o português europeu entra na lista séria ou fica naquele limbo em que o modelo “percebe mais ou menos”. A empresa fala em dezenas de línguas, sotaques e dialectos, mas não publica a tabela de qualidade por variante. Dado o histórico, quem usa português de Portugal pode contar com algo usável, mas não perfeito, sobretudo em nomes próprios e expressões mais locais. A diferença é que, desta vez, a infra-estrutura é claramente pensada para ser usada em massa, tanto por empresas, através da plataforma Gemini Enterprise, como por developers que querem pendurar IA de voz em qualquer serviço. Se a transcrição passar a ser barata e boa o suficiente, o problema vai deixar de ser captar o que dizemos e passar a ser o que cada empresa decide fazer com essas palavras.

Fonte: Android Authority