Google ha presentato Gemini 3.5 Transcribe, un nuovo modello di intelligenza artificiale specializzato nel riconoscimento vocale in tempo reale e nelle interazioni basate sulla voce. Il sistema non si limita a convertire l’audio in testo, ma interpreta il modo naturale di parlare dell’utente, il contesto della conversazione, gli errori pronunciati durante una frase, le correzioni fatte subito dopo e le espressioni riempitive, producendo direttamente un testo ripulito e utilizzabile. Se, per esempio, una persona dice “vediamoci martedì, anzi mercoledì”, il modello conserva l’intenzione finale e restituisce la frase corretta; allo stesso modo può eliminare intercalari come “ehm” e “ah”, inserendo automaticamente punteggiatura e formattazione senza richiedere una successiva fase di editing.
Gemini 3.5 Transcribe è stato progettato in particolare per gestire condizioni che tradizionalmente mettono in difficoltà i sistemi speech-to-text, come rumore di fondo, terminologia tecnica, frasi incomplete e ripetute autocorrezioni del parlante. Nei test di Artificial Analysis il modello ha registrato un Word Error Rate del 4,0% nelle trascrizioni in streaming e del 2,6% nell’elaborazione non streaming. Rispetto a Chirp 3, il precedente modello di riconoscimento vocale di Google, il tempo necessario per ottenere il testo finale è stato ridotto di circa il 70%. È stata inoltre migliorata la capacità di riconoscere informazioni che combinano lettere e numeri, come codici postali e numeri d’ordine, anche in ambienti reali caratterizzati dalla presenza di rumore.
Il supporto linguistico comprende più di 85 lingue, oltre a diversi accenti regionali e dialetti, che vengono riconosciuti automaticamente. Gli utenti possono inoltre definire un vocabolario personalizzato aggiungendo nomi propri, termini tecnici o altre parole specifiche che il sistema deve riconoscere con maggiore precisione. Nel caso di registrazioni già esistenti, Gemini 3.5 Transcribe può distinguere fino a tre interlocutori e associare alle diverse parti della conversazione le relative indicazioni temporali, caratteristiche che ne permettono l’utilizzo per la generazione di verbali, la trascrizione delle riunioni e l’analisi delle chiamate.
Per gli sviluppatori Google mette a disposizione due modalità principali di accesso. L’API di streaming basata sul modello “gemini-3.5-transcribe-live” gestisce flussi audio bidirezionali con una latenza inferiore a un secondo ed è quindi destinata alla realizzazione di agenti vocali, sistemi conversazionali e servizi di sottotitolazione in tempo reale. L’API dedicata ai contenuti preregistrati è invece progettata per elaborare riunioni e telefonate e supporta sia la distinzione dei diversi interlocutori sia timestamp a livello di singola parola.
Google ha già iniziato a integrare Gemini 3.5 Transcribe in diversi prodotti. Su Gboard per Android viene utilizzato nella funzione Rambler, che permette all’utente di esprimere liberamente un pensiero a voce ottenendo automaticamente un testo privo di intercalari e organizzato in forma più leggibile. Attraverso i comandi vocali è possibile anche correggere errori di battitura o modificare lo stile del testo. Google AI Studio consente invece di sviluppare applicazioni utilizzando direttamente la voce, mentre nell’app Gemini per macOS il sistema può combinare ciò che viene detto con il contenuto visualizzato sullo schermo e con il contesto della conversazione, permettendo di impartire vocalmente comandi per riassumere file, riscrivere testi o generare immagini. Google prevede inoltre di portare su Chrome una funzione che consentirà di dettare direttamente all’interno dei campi di testo presenti nelle pagine web.
L’evoluzione del riconoscimento vocale viene parallelamente collegata alle capacità agentiche di Gemini Live. All’interno del servizio è stato integrato Spark, un agente progettato per completare attività complesse articolate in più passaggi partendo da istruzioni formulate in linguaggio naturale. Un utente può, per esempio, dettare un’idea mentre è in movimento e chiedere a Spark di organizzarla creando una struttura all’interno di Google Docs, oppure affidargli la preparazione di un piano alimentare familiare e della relativa lista della spesa. Queste operazioni possono essere eseguite mentre l’attività viene portata avanti in background.
Gemini Live integra anche Daily Brief, una funzione attraverso la quale l’assistente può combinare le informazioni contenute in Gmail e Google Calendar per fornire vocalmente il riepilogo degli impegni della giornata. Chiedendo semplicemente quali siano gli appuntamenti previsti, il sistema raccoglie le informazioni disponibili nei servizi collegati e restituisce le attività principali. La gestione di Gmail può essere effettuata anch’essa attraverso la voce: Gemini può cercare e riassumere messaggi, contrassegnarli come importanti, archiviarli oppure eliminarli.
A queste funzioni si aggiunge Personal Intelligence, attraverso cui Gemini può collegare il contesto delle conversazioni precedenti con i dati provenienti da Gmail, Google Foto, Ricerca Google e YouTube. Il sistema può così recuperare informazioni già menzionate in passato o dati precedentemente ricercati senza che l’utente debba ogni volta fornire nuovamente tutto il contesto, continuando una conversazione o completando un’attività sulla base delle informazioni già disponibili nei diversi servizi Google.
Google sta quindi costruendo un sistema nel quale il riconoscimento vocale non rappresenta più soltanto un metodo per dettare testo, ma diventa il livello di ingresso per funzioni che comprendono trascrizione, editing, sviluppo di applicazioni, gestione della posta elettronica, consultazione del calendario e attività agentiche articolate in più passaggi. All’interno dell’attuale implementazione, tuttavia, Spark, Daily Brief e le altre funzioni vengono ancora presentate attraverso nomi e interfacce separate, anziché essere gestite automaticamente da un’unica conversazione capace di selezionare autonomamente lo strumento necessario in base alla richiesta dell’utente.
Questo articolo è stato redatto con il supporto di strumenti di intelligenza artificiale (AI)