Google AI dévoile Gemini 3.5 Transcribe, un modèle speech-to-text à 2,6% de taux d'erreur moyen sur plus de 85 langues
Google a dévoilé Gemini 3.5 Transcribe, son nouveau modèle de reconnaissance vocale destiné aussi bien aux interfaces vocales en temps réel qu'à la transcription de fichiers audio enregistrés. Le lancement se fait sous la forme de deux points d'accès distincts : gemini-3.5-transcribe, qui traite l'audio pré-enregistré via l'Interactions API, et gemini-3.5-transcribe-live, dédié au streaming bidirectionnel via la Live API. Selon les mesures d'Artificial Analysis relayées par Google, le taux d'erreur mot (WER) moyen s'établit à 4,0 % en streaming et 2,6 % en mode non-streaming, avec un temps jusqu'à la transcription finale amélioré de 70 % par rapport à Chirp 3, le précédent modèle maison. Le modèle détecte automatiquement plus de 85 langues, y compris les changements de langue en cours de phrase. Sur le benchmark multilingue FLEURS, les scores atteignent 5,50 % en streaming et 5,04 % en non-streaming pour un ensemble de langues et régions principales. L'accès se fait exclusivement via API : aucun poids ouvert ni déploiement auto-hébergé n'est proposé, ce qui en fait une offre de service managé plutôt qu'une brique d'infrastructure.
Résumé et traduction réalisés par Le Fil IA à partir de MarkTechPost. Lire l'article original →
Cette architecture à deux vitesses conditionne directement les usages possibles. La Live API offre une transcription continue en moins d'une seconde, avec des résultats provisoires (interiminputtranscription) affichés pendant que l'utilisateur parle encore, mais elle plafonne les sessions à dix minutes et ne prend en charge ni la diarisation des locuteurs ni les horodatages au mot près. L'Interactions API comble ces lacunes avec diarisation, horodatages précis et un vocabulaire personnalisé pouvant aller jusqu'à 1 000 termes, pour des fichiers allant jusqu'à une heure (réduits à 30 minutes si diarisation ou horodatages sont activés). Les développeurs doivent donc arbitrer entre deux produits aux fonctionnalités et tarifs différents selon leur cas d'usage : centres d'appels, documentation clinique, sous-titrage média, prise de notes juridique ou d'assurance, outils de réunion et interfaces vocales.
Le modèle propose aussi deux modes de sortie : verbatim, qui conserve hésitations et faux départs, et smart, qui nettoie le discours et corrige les reformulations à la volée, sans pouvoir se combiner avec la diarisation ou les horodatages. L'accès reste échelonné selon la taille des organisations, du niveau gratuit sur Google AI Studio pour les développeurs indépendants jusqu'à la Gemini Enterprise Agent Platform pour les grandes entreprises, avec débit provisionné et contrôles de conformité. L'ensemble du dispositif, encore en préversion publique, s'intègre déjà à des plateformes comme LiveKit, Pipecat, Agora, Fishjam et Vercel, signe que Google cherche à ancrer rapidement Gemini 3.5 Transcribe dans l'écosystème des agents vocaux et outils de développement conversationnels.
Pas d'impact direct sur la France/UE