Gemini 3.5 Transcribe

Gemini 3.5 Transcribe är Googles modell för att göra om tal till text, lanserad den 26 augusti 2026 och beskriven som företagets mest exakta hittills. Den finns i två varianter: gemini-3.5-transcribe-live för direktsänd text via Live API, med svarstid under en sekund, och gemini-3.5-transcribe för färdiga inspelningar via Interactions API, med utpekade talare och tidsstämplar ned på ordnivå.

Utöver ren avskrift städar modellen texten: den hanterar självrättelser, tar bort fyllnadsord och formaterar automatiskt. Den kan få en egen ordlista för facktermer och stavningar, känner automatiskt igen språket bland fler än 85 språk och dialekter, och kan skilja på upp till tre talare (fler är experimentellt). Den kan också lämna över uppgifter till andra Gemini-modeller genom funktionsanrop, till exempel för bildgenerering eller filanalys.

Enligt Google är den genomsnittliga andelen felaktiga ord (WER) 4,0 % för direktsänd text och 2,6 % för inspelningar, och på testet FLEURS 5,50 respektive 5,04 % för de vanligaste språken. Tiden till färdig avskrift uppges vara 70 % kortare än med föregångaren Chirp 3.

Modellen finns i öppen förhandsversion för utvecklare via Gemini API, Google AI Studio och Google Antigravity, och för företag via Gemini Enterprise Agent Platform. För vanliga användare finns den i Gemini-appen för macOS (engelska), i Rambler på Android i vissa länder, och den ska enligt Google komma till Chrome. Priset i Gemini API är enligt Googles prislista omkring 0,005 dollar per minut för inspelningar och 0,009 dollar per minut för direktsändning.