Google transforme Gemini 3.5 Transcribe en stack vocale pour développeurs

Google a lancé Gemini 3.5 Transcribe, un modèle de conversion de la parole en texte conçu spécifiquement pour la transcription en direct et le traitement de fichiers audio, et non pour le raisonnement audio généraliste. Les développeurs y accèdent via l’API Gemini, avec des endpoints distincts pour les fichiers et pour le streaming à faible latence. Le changement pratique tient au regroupement, dans une même surface de modèle, de fonctions qui nécessitent souvent plusieurs composants: détection automatique de la langue, changement de langue au cours d’une session, diarisation des locuteurs, horodatage au niveau du mot, biais de vocabulaire personnalisé et mode « smart » capable de transformer une parole hésitante en texte nettoyé et structuré.

Cette combinaison est pertinente pour les équipes qui construisent des agents vocaux, des systèmes de réunion, de l’analyse d’appels, des outils d’accessibilité ou des workflows médias. Le lancement ne démontre pas que Gemini 3.5 Transcribe est plus précis que tous ses concurrents dans toutes les conditions, et les affirmations de performance de Google restent des affirmations du fournisseur. En revanche, le comportement documenté de l’API modifie réellement ce que les développeurs peuvent construire sans maintenir séparément transcription, diarisation, normalisation et mise en forme.

Une même famille pour les fichiers et les flux en direct

Google expose deux identifiants. gemini-3.5-transcribe traite les fichiers audio importés, tandis que gemini-3.5-transcribe-live est destiné à la transcription en streaming via la Gemini Live API. L’endpoint fichier accepte jusqu’à une heure d’audio par requête, mais l’activation de la diarisation ou des horodatages par mot ramène cette limite à 30 minutes. L’endpoint live prend en charge des sessions pouvant aller jusqu’à 10 minutes.

La distinction est utile car le batch et le temps réel ont des contraintes d’ingénierie différentes. Le traitement de fichiers peut effectuer davantage de post-traitement et fournir des étiquettes de locuteur ainsi que des horodatages mot par mot. Le live privilégie une sortie incrémentale à faible latence. La documentation de Google indique que l’endpoint live prend en charge la détection automatique de langue, le vocabulaire personnalisé et la transcription intelligente, mais pas la diarisation ni les horodatages au niveau du mot.

Pour les développeurs, une même famille de modèles peut donc couvrir une interview importée, une conversation de support en direct ou une interface vocale, tout en exposant clairement les limites propres à chaque mode.

Le multilingue et le vocabulaire métier entrent dans l’API de base

Gemini 3.5 Transcribe détecte automatiquement plus de 85 langues et peut changer de langue au sein d’une même session. Pour les produits destinés à des utilisateurs multilingues, c’est un changement concret: il n’est plus nécessaire de choisir une langue unique avant le début de la transcription.

Le modèle prend aussi en charge un biais de vocabulaire personnalisé allant jusqu’à 1 000 termes. Google recommande des listes plus courtes pour de meilleurs résultats, mais cette capacité est importante dans les domaines où les noms propres, acronymes, références produit, termes médicaux, juridiques ou jargon interne provoquent régulièrement des erreurs. L’application peut fournir ces indices dans la requête plutôt que corriger les termes après coup.

La diarisation est documentée jusqu’à huit locuteurs pour les fichiers, mais l’attribution à trois locuteurs ou plus reste expérimentale. Les horodatages par mot sont également disponibles, avec un avertissement de Google: leur activation peut réduire la précision globale. Les équipes doivent donc choisir les métadonnées réellement utiles à leur workflow.

La transcription intelligente transforme la parole brute en texte exploitable

La fonction la plus interprétative est le mode « smart transcription ». En mode verbatim, le modèle conserve les mots de remplissage, faux départs, répétitions et formes orales. En mode smart, il supprime les disfluences, résout certaines auto-corrections, applique ponctuation et capitalisation, et peut formater listes, dates, montants et nombres.

Cette fonction est utile, mais elle modifie le contrat sémantique. Une transcription brute constitue un relevé de ce qui a été dit. Une transcription intelligente représente ce que le modèle estime que le locuteur voulait dire. Pour la prise de notes, les résumés de réunion, la dictée ou les interfaces vocales, cela peut être souhaitable. Pour l’e-discovery juridique, l’enregistrement de conformité, le journalisme ou les archives réglementées, il peut être nécessaire de conserver séparément la version verbatim.

Google précise aussi que le mode smart ne peut pas être combiné avec la diarisation ou les horodatages mot par mot. Il existe donc un choix d’architecture entre texte poli et métadonnées de provenance plus riches. Un système qui a besoin des deux peut devoir exécuter deux passes.

Le modèle est intégré à la stack de développement de Google

Google indique que la technologie alimente déjà des fonctions vocales telles que Rambler sur Android et la transcription de l’application Gemini sur macOS. Les développeurs peuvent l’utiliser via Google AI Studio et l’API Gemini, et l’entreprise le positionne pour les agents vocaux, le sous-titrage en direct et l’analyse post-appel.

La surface d’intégration est plus importante que les exemples grand public. Le modèle live fonctionne via WebSocket, ce qui le rend pertinent pour les stacks de communication en temps réel et les interfaces d’agents qui ont besoin d’un flux texte continu pendant que l’utilisateur parle. La documentation Google cite aussi des plateformes comme Agora, LiveKit, Pipecat et Vercel.

Ars Technica a couvert indépendamment le lancement et a souligné le même passage d’une reconnaissance vocale classique vers du texte nettoyé et structuré. Le média mentionne également les gains de latence et de taux d’erreur annoncés par Google par rapport à Chirp 3. Ces chiffres doivent rester des affirmations du fournisseur tant qu’ils n’ont pas été reproduits indépendamment, mais l’existence des capacités API ne dépend pas de ces benchmarks.

Ce que les équipes doivent tester avant de migrer

La première question n’est pas de savoir si Gemini 3.5 Transcribe gagne un benchmark. Il faut déterminer si son ensemble de fonctions intégré simplifie réellement une application. Une équipe qui maintient aujourd’hui plusieurs étapes distinctes de reconnaissance, diarisation, adaptation de vocabulaire, formatage et nettoyage peut potentiellement réduire cette complexité. Une équipe disposant déjà d’un ASR métier très optimisé peut y gagner moins.

Les tests devraient couvrir le code-switching, les accents, les environnements bruyants, les noms propres, le vocabulaire spécialisé, les locuteurs qui se chevauchent, les longues sessions et les erreurs du mode smart lorsque le sens est ambigu. Pour les workflows réglementés ou auditables, il faut comparer verbatim et smart et décider quelle version constitue le dossier officiel.

La latence doit aussi être mesurée de bout en bout. Un modèle rapide ne garantit pas une application rapide si la capture audio, le transport réseau, WebSocket, les buffers, les appels d’agents en aval ou le rendu de l’interface dominent le temps total. De même pour le coût: le prix du modèle doit être comparé aux composants qu’il permet éventuellement de supprimer.

La portée plus large de Gemini 3.5 Transcribe est donc architecturale. Google transforme la transcription d’un simple primitive de reconnaissance vocale en une API de modèle plus riche, capable de produire à la fois du texte et une structure directement utilisable dans un workflow. Pour les équipes travaillant sur les agents vocaux et les produits audio, cela offre un point de départ plus simple, tout en rendant les choix de provenance, d’interprétation et de compromis fonctionnels plus importants dans la conception.

Sources
- Intelligent transcription with Gemini 3.5 Transcribe
- Gemini 3.5 Transcribe model documentation
- Google announces Gemini 3.5 Transcribe for AI-powered speech-to-text