Google muscle sa pile audio avec Gemini 3.5 Transcribe, un nouveau modèle speech-to-text conçu aussi bien pour la transcription en temps réel que pour l’analyse d’enregistrements longs. Sa promesse : mieux comprendre la parole naturelle, le bruit ambiant, les accents et le vocabulaire spécialisé, tout en produisant directement un texte propre et structuré.
Le modèle vise les assistants vocaux, le sous-titrage, les centres d’appels ou encore la dictée avancée. Mais sa véritable ambition va plus loin : transformer la transcription en une couche intelligente capable de comprendre le contexte et de déclencher d’autres actions dans l’écosystème Gemini.
Deux modes pour le temps réel et les enregistrements
Gemini 3.5 Transcribe est proposé sous deux formes distinctes. Le premier mode cible le streaming en temps réel à travers la Live API, avec le modèle gemini-3.5-transcribe-live. Google annonce une latence inférieure à une seconde, ce qui permet de l’utiliser pour les agents vocaux, les conversations interactives et le sous-titrage en direct.
Le second mode, gemini-3.5-transcribe, passe par l’Interactions API et vise les fichiers déjà enregistrés. Il peut traiter des réunions, des appels ou des contenus audio plus longs, avec attribution des locuteurs et timestamps au niveau des mots.
Cette séparation permet à Google d’optimiser le modèle selon deux besoins très différents : répondre immédiatement ou produire la transcription la plus précise possible.
Gemini ne retranscrit pas seulement les mots
Google cherche à dépasser le fonctionnement traditionnel du speech-to-text. Gemini 3.5 Transcribe est capable de gérer les hésitations et les auto-corrections naturelles. Une phrase comme « rendez-vous mardi… non, mercredi » peut ainsi être interprétée directement comme la version corrigée plutôt que comme une suite littérale de mots. Le modèle peut aussi supprimer automatiquement les tics de langage comme « euh » ou « hum » et reformater la transcription.
Le résultat se rapproche davantage d’un texte directement exploitable que d’un simple verbatim brut.
Une transcription sensible au contexte
Gemini 3.5 Transcribe peut également utiliser du vocabulaire personnalisé. Un développeur peut fournir des termes techniques, des noms propres ou des orthographes particulières afin d’améliorer leur reconnaissance. C’est essentiel dans des secteurs comme la médecine, l’ingénierie ou le support technique, où les modèles génériques échouent souvent précisément sur les mots les plus importants.
Google mise donc sur une transcription davantage consciente du contexte de l’application.
Plus de 85 langues prises en charge
Le modèle détecte automatiquement plus de 85 langues et prend en charge différents accents et dialectes régionaux. Cette couverture en fait une solution particulièrement intéressante pour les services internationaux ou les applications vocales multilingues. Google indique également que Gemini 3.5 Transcribe peut gérer des changements de langue pendant un même flux audio.
Le modèle n’a donc pas nécessairement besoin que l’utilisateur fixe manuellement une langue avant chaque conversation.
Jusqu’à trois locuteurs identifiés automatiquement
Sur les enregistrements préexistants, Gemini 3.5 Transcribe propose de la diarisation, c’est-à-dire l’identification des différents intervenants. Le modèle peut attribuer précisément les passages à jusqu’à trois locuteurs, avec des timestamps associés. Le support de plus de trois personnes existe déjà sous forme expérimentale.
Cette capacité est particulièrement utile pour les réunions, interviews ou appels professionnels, où une transcription sans distinction entre les participants perd rapidement une grande partie de sa valeur.
2,6 % de taux d’erreur sur les enregistrements selon Artificial Analysis
Les premiers chiffres publiés sont plutôt solides. D’après les mesures d’Artificial Analysis, Gemini 3.5 Transcribe obtient un Word Error Rate moyen de 4,0 % en streaming. Sur l’audio non temps réel, ce taux descend à 2,6 %. Le Word Error Rate mesure la proportion de mots supprimés, ajoutés ou incorrectement reconnus par rapport à la transcription de référence. Plus le chiffre est bas, meilleure est théoriquement la précision.
Comme toujours, ces résultats varient fortement selon la qualité du microphone, la langue, les accents ou le bruit de fond. Mais, ils positionnent déjà le modèle parmi les solutions les plus compétitives du marché.
Jusqu’à 70 % de gain sur le temps de transcription finale
Google met également en avant la vitesse. Selon Artificial Analysis, le temps nécessaire pour obtenir la transcription finale serait amélioré d’environ 70 % par rapport à Chirp 3, le précédent modèle de transcription de Google. La différence peut devenir particulièrement importante pour les agents vocaux.
Une transcription très précise mais lente détériore immédiatement la fluidité d’une conversation. Réduire le temps de finalisation permet au modèle qui se trouve derrière l’interface vocale de commencer à réfléchir plus tôt.
Dans un agent multimodal, quelques centaines de millisecondes peuvent changer radicalement la sensation d’interaction.
De bonnes performances multilingues sur FLEURS
Google publie aussi des résultats sur le benchmark FLEURS, qui teste la reconnaissance vocale sur de nombreuses langues et régions. Gemini 3.5 Transcribe atteint un taux d’erreur de 5,50 % en streaming et 5,04 % hors streaming sur la sélection évaluée. Ces scores renforcent surtout l’idée que Google veut construire un modèle global plutôt qu’une solution principalement optimisée pour l’anglais.
L’entreprise possède ici un avantage historique grâce aux années de développement de Google Assistant, Search et des outils de reconnaissance vocale Android.
Gboard reçoit une nouvelle fonction Rambler
Gemini 3.5 Transcribe ne reste pas limité aux API. Google l’utilise déjà dans plusieurs de ses produits. Sur Android, Gboard adopte une nouvelle fonction baptisée Rambler. Elle permet de dicter des pensées de manière naturelle, même avec des hésitations ou des répétitions, puis de les transformer automatiquement en texte correctement formaté.
L’utilisateur peut aussi donner des instructions vocales pour corriger une faute, modifier une formulation ou changer le style d’écriture. L’idée est de transformer la dictée traditionnelle en véritable éditeur conversationnel.
La transcription devient contextuelle dans Antigravity
Google intègre également le modèle dans Antigravity. Avec l’autorisation de l’utilisateur, Gemini peut prendre en compte le contenu affiché à l’écran et l’historique de conversation pour améliorer la transcription. Cela devient particulièrement utile pour les noms de fichiers, les documents ouverts ou certains termes visibles à l’écran.
Un mot difficile à reconnaître acoustiquement peut être beaucoup plus facile à identifier si Gemini sait qu’il correspond au nom du document actuellement ouvert. Cette combinaison entre audio et contexte visuel illustre bien l’avantage d’un modèle multimodal.
La version macOS peut déclencher d’autres modèles Gemini
Dans l’application Gemini sur macOS, Gemini 3.5 Transcribe va encore plus loin. Il peut transformer une dictée libre en texte, mais aussi utiliser des commandes vocales pour déclencher des actions. Google permet par exemple de résumer des fichiers locaux, transformer du contenu entre différentes applications ou générer une image directement à l’emplacement du curseur.
Gemini 3.5 Transcribe peut alors appeler d’autres modèles Gemini en arrière-plan. La transcription devient donc une simple première étape dans une chaîne d’actions beaucoup plus complexe.
Chrome suivra prochainement
Google prévoit également d’intégrer cette technologie à Chrome. L’objectif est de permettre la dictée dans pratiquement n’importe quel champ Web. Réponse à un message, publication, formulaire ou prompt Gemini pourront être remplis directement à la voix. L’intérêt sera surtout dans la capacité du modèle à nettoyer automatiquement le langage oral.
Au lieu d’une transcription brute remplie d’hésitations et de corrections, le navigateur pourra produire un texte proche de ce que l’utilisateur aurait écrit lui-même.
Google veut devenir l’infrastructure des interfaces vocales
Gemini 3.5 Transcribe cible également directement les développeurs. Des plateformes comme Agora, LangChain, LiveKit, Pipecat, Vercel, Fishjam et Vision Agents utilisent déjà la Gemini Live API pour construire des interfaces vocales. Ces services prennent notamment en charge les problématiques complexes de streaming audio en temps réel. Google cherche ainsi à rendre Gemini suffisamment simple à intégrer pour devenir une couche standard des futurs agents vocaux.
La bataille ne se joue plus seulement sur le meilleur chatbot texte, elle se déplace vers l’interface que l’utilisateur utilisera pour lui parler.
C’est précisément là que Gemini 3.5 Transcribe prend son importance. Les anciens assistants vocaux reposaient souvent sur une chaîne assez rigide : reconnaissance vocale, conversion en texte, interprétation de la commande puis réponse. Chaque erreur dans la première étape dégradait tout le reste, les modèles modernes peuvent faire beaucoup mieux. Ils comprennent le contexte, les corrections spontanées et les intentions implicites, puis transmettent une représentation beaucoup plus propre aux agents chargés d’agir.
La transcription devient donc moins une opération mécanique qu’une véritable étape de compréhension.
Disponibilité encore partielle pour le grand public
Gemini 3.5 Transcribe est actuellement disponible en public preview pour les développeurs via Gemini API dans Google AI Studio et Google Antigravity. Les entreprises peuvent également y accéder via Gemini Enterprise Agent Platform.
Pour le grand public, le déploiement est plus limité. Le modèle est déjà utilisé dans Gemini sur macOS en anglais et dans Rambler sur Android dans certains pays et certaines langues. Chrome doit suivre prochainement.
Google procède donc progressivement avant une disponibilité plus large.
Google transforme le speech-to-text en intelligence contextuelle
La véritable évolution de Gemini 3.5 Transcribe ne tient pas uniquement à son taux d’erreur. Les systèmes de reconnaissance vocale sont déjà extrêmement performants depuis plusieurs années. Ce qui change désormais, c’est leur rôle. Le modèle comprend les hésitations, utilise le contexte de l’écran, reconnaît le vocabulaire propre à une application et peut appeler d’autres modèles pour poursuivre une tâche.
La frontière entre transcription et assistant devient donc de plus en plus floue. Google ne cherche plus simplement à convertir la voix en texte. Il cherche à faire de la parole une interface universelle capable de contrôler ses applications, ses agents et bientôt une part beaucoup plus large du Web.
