Gemini 3.5 Transcribe nettoie la parole pendant sa transcription

Le nouveau modèle de Google transcrit en direct ou depuis un fichier, corrige les hésitations, distingue les intervenants et prend en charge plus de 85 langues.

Transcrire une conversation sans conserver chaque « euh », répétition ou phrase abandonnée en cours de route : Google présente Gemini 3.5 Transcribe, un modèle de reconnaissance vocale capable de produire directement un texte corrigé, ponctué et structuré.

Cette approche dépasse la retranscription mot à mot. Dans son mode « Smart », le modèle identifie les autocorrections formulées à l’oral. Une personne disant « rendez-vous mardi… non, mercredi » obtient ainsi une phrase ne conservant que le mercredi. Les hésitations, mots de remplissage et répétitions peuvent être supprimés, tandis que les listes, nombres, devises et signes de ponctuation sont automatiquement mis en forme.

Un mode « Verbatim » reste disponible lorsque la fidélité aux propos prononcés est prioritaire, par exemple pour une interview, une étude linguistique ou un document juridique. Cette distinction mérite d’être prise en compte : le mode intelligent produit un texte plus lisible, mais intervient aussi sur la formulation originale.

Gemini 3.5 Transcribe se décline en deux versions. `gemini-3.5-transcribe-live` reçoit un flux audio continu à travers la Live API et renvoie une transcription avec une latence inférieure à une seconde. Il vise notamment les assistants vocaux, le sous-titrage en direct et les interfaces contrôlées par la voix. Une session de streaming peut actuellement durer jusqu’à dix minutes.

La version `gemini-3.5-transcribe` traite les fichiers enregistrés à travers l’Interactions API. Elle convient aux réunions, entretiens, appels ou archives sonores et peut fournir des repères temporels pour chaque mot. Google prévient néanmoins que leur activation peut légèrement réduire la précision générale de la transcription.

Le traitement des fichiers reconnaît également les différents intervenants. Jusqu’à huit voix peuvent être identifiées et associées à des étiquettes distinctes, même si Google considère encore les conversations comptant plus de trois personnes comme expérimentales. Cette fonction n’est pas disponible dans la version en direct, qui ne fournit pas non plus de repères temporels mot par mot.

Le modèle détecte automatiquement plus de 85 langues et variantes régionales. Il peut suivre un changement de langue au milieu d’une phrase ou d’une conversation sans configuration préalable. Les développeurs peuvent malgré tout préciser la langue attendue afin d’améliorer la reconnaissance.

Un vocabulaire personnalisé permet d’ajouter jusqu’à 1 000 termes, même si Google recommande de se limiter à une centaine pour obtenir les meilleurs résultats. Cette fonction doit faciliter la transcription des noms propres, marques, acronymes, références techniques ou expressions propres à une profession.

Google affirme que le modèle résiste mieux aux environnements bruyants et reconnaît plus précisément les suites alphanumériques, comme les numéros de commande ou codes postaux. D’après les mesures d’Artificial Analysis citées par l’entreprise, le taux moyen d’erreur sur les mots atteindrait 4 % en direct et 2,6 % pour les fichiers enregistrés. Le délai nécessaire pour obtenir une transcription définitive serait également réduit de 70 % par rapport à Chirp 3, le précédent modèle de Google consacré à la reconnaissance vocale.

Ces résultats restent dépendants des langues, des accents, de la qualité de l’enregistrement et du contexte. Sur le benchmark multilingue FLEURS, Google communique des taux d’erreur de 5,50 % en streaming et de 5,04 % hors ligne. Une moyenne générale ne garantit donc pas une précision identique pour chaque langue ou situation.

Le modèle peut aussi transmettre certaines demandes à d’autres systèmes Gemini. Une commande vocale peut alors déclencher une recherche, l’analyse d’un fichier ou une autre action dans une application compatible. Cette capacité est notamment exploitée par l’application Gemini sur macOS, où la transcription peut tenir compte du contenu affiché à l’écran avec l’autorisation de l’utilisateur.

Gemini 3.5 Transcribe est proposé en préversion publique dans la Gemini API et Google AI Studio. Il est également intégré à Rambler dans Gboard sur certains appareils Android, à l’application Gemini pour macOS en anglais et à Google Antigravity. Une fonction de dictée destinée aux champs de saisie de Chrome doit arriver ultérieurement.

Sur le niveau payant de l’API, Google estime le coût combiné de la transcription d’un fichier à environ 0,005 dollar par minute. La version en direct revient approximativement à 0,009 dollar par minute, en additionnant l’audio envoyé et le texte produit. Un niveau gratuit est disponible, mais les données qui y sont envoyées peuvent être utilisées pour améliorer les produits de Google. L’entreprise indique que ce n’est pas le cas avec les requêtes facturées.

Avec cette nouvelle version, Google ne cherche donc plus seulement à convertir une voix en texte. Gemini 3.5 Transcribe tente de comprendre ce que la personne voulait formuler et de livrer une version déjà exploitable. Un gain de temps potentiel pour la dictée et les interfaces vocales, à condition de choisir entre un relevé fidèle et un texte réécrit par le modèle.