Gemini 3.5 Transcribe est le nouveau modèle spécialisé de Google pour convertir la parole en texte. Il existe en deux variantes : gemini-3.5-transcribe pour les enregistrements et gemini-3.5-transcribe-live pour le streaming audio avec une latence annoncée inférieure à une seconde.

Le modèle détecte automatiquement plus de 85 langues et peut gérer les changements de langue au cours d'une même conversation. Pour les enregistrements, il fournit aussi des timestamps au niveau du mot et attribue les passages à trois locuteurs au maximum. Google considère encore la prise en charge de plus de trois intervenants comme expérimentale.

Le mode Smart modifie volontairement ce qui a été prononcé

C'est là que Gemini 3.5 Transcribe s'écarte le plus d'un moteur de reconnaissance vocale classique. Google propose deux modes de fonctionnement distincts.

Le mode verbatim reste le choix par défaut et cherche à conserver ce qui a réellement été dit, y compris les hésitations, répétitions, faux départs et mots de remplissage. Pour une interview, une archive ou un contenu dont la formulation exacte compte, c'est évidemment la version la moins ambiguë.

Le mode Smart fait autre chose. Il enlève les « euh » et autres hésitations, supprime certaines répétitions, ajoute de la structure et traite les autocorrections formulées à voix haute. Quelqu'un qui dit qu'un rendez-vous aura lieu mardi avant de se reprendre pour mercredi peut ainsi obtenir uniquement mercredi dans le texte final.

Le système applique également ponctuation, capitalisation et normalisation des nombres, dates ou devises. Une idée parlée peut ressortir sous forme de paragraphes ou de listes.

Une meilleure note de réunion peut être une moins bonne transcription

Pour dicter un mail, écrire un document à la voix ou transformer rapidement des notes orales en texte lisible, cette correction automatique a un intérêt évident. Pour d'autres usages, elle modifie la nature du résultat.

Une transcription judiciaire, une citation journalistique ou un corpus de recherche n'a pas forcément intérêt à voir disparaître une hésitation ou une autocorrection. Elles peuvent elles-mêmes constituer de l'information. Le choix entre Smart et verbatim mérite donc d'être fait au moment où l'application est conçue, pas caché derrière une simple option de confort.

La documentation de Google conserve justement le mode verbatim par défaut dans l'API. Le modèle card publié par DeepMind mentionne par ailleurs explicitement que Gemini 3.5 Transcribe peut présenter certaines limites générales des modèles de fondation, dont des hallucinations.

Google revendique 2,6 % d'erreurs sur l'audio préenregistré

Sur les mesures d'Artificial Analysis citées par Google, le modèle atteint un Word Error Rate moyen de 2,6 % en transcription non streaming et de 4 % en streaming. Le WER mesure la proportion de substitutions, suppressions et insertions de mots nécessaires pour retrouver la transcription de référence : plus le chiffre est bas, mieux c'est.

Google annonce aussi une réduction de 70 % du temps nécessaire pour obtenir la transcription finale par rapport à Chirp 3. Sur le benchmark multilingue FLEURS, l'entreprise publie un WER de 5,04 % en mode non streaming et de 5,50 % en streaming.

Ces résultats restent des mesures sur des jeux de tests. Une conversation dans une pièce bruyante, plusieurs accents proches ou un vocabulaire très spécialisé peuvent produire un comportement différent.

Pour ce dernier cas, les développeurs peuvent fournir jusqu'à 1 000 expressions de vocabulaire personnalisé afin d'orienter la reconnaissance vers des noms propres, acronymes et termes métier.

Le modèle commence déjà à sortir de l'API

Gemini 3.5 Transcribe est disponible en preview publique pour les développeurs via la Gemini API dans Google AI Studio. Google l'intègre également à ses propres produits.

Sur Android, le modèle alimente Rambler dans Gboard dans certains pays et certaines langues. La fonction transforme une dictée libre en texte formaté et permet également de demander à la voix des modifications de style ou des corrections.

La version macOS de Gemini utilise elle aussi la transcription intelligente en anglais. Elle peut associer la voix au contexte affiché à l'écran et appeler d'autres modèles Gemini pour effectuer certaines tâches. Google prévoit enfin d'apporter la dictée à Chrome, mais cette intégration est encore annoncée comme prochaine.

DeepMind indique que Gemini 3.5 Transcribe repose sur Gemini 3 Pro et accepte jusqu'à 96 000 tokens de contexte, avec une sortie maximale de 32 000 tokens. Le nouveau modèle n'est donc pas seulement un microphone plus précis : Google construit autour de la parole une nouvelle interface d'entrée pour ses outils IA.