Google presenta Gemini 3.5 Transcribe in anteprima: quinto nella classifica indipendente che cita
Il riconoscimento vocale è tornato al centro della competizione tra i fornitori di modelli ed è la porta d'accesso naturale per assistenti e agenti vocali. In questo scenario, il 26 agosto 2026 Google ha annunciato sul proprio blog ufficiale il rilascio in anteprima pubblica di Gemini 3.5 Transcribe. Il modello, che punta a sostituire la linea Chirp, non si limita a convertire l'audio parola per parola, ma lo ripulisce e lo formatta direttamente. Come dichiarato dall'azienda: "Unlike conventional speech recognition models that struggle with background noise, complex jargon, and disfluency cleanup, Gemini 3.5 Transcribe converts raw audio directly into accurate, polished, formatted text" («A differenza dei modelli di riconoscimento vocale convenzionali che faticano con il rumore di fondo, il gergo complesso e la pulizia delle disfluenze, Gemini 3.5 Transcribe converte l'audio grezzo direttamente in testo accurato, rifinito e formattato»). La tecnologia è disponibile in anteprima pubblica tramite Gemini API in Google AI Studio e sulla Gemini Enterprise Agent Platform, distribuita nelle varianti `gemini-3.5-transcribe` per l'audio registrato (Interactions API) e `gemini-3.5-transcribe-live` per le interazioni in tempo reale (Live API).
Sebbene Google presenti il modello come il proprio strumento speech-to-text più preciso finora, le rilevazioni indipendenti offrono un quadro più articolato. Google riporta un tasso di errore misurato da Artificial Analysis del 2,6% in non-streaming e del 4,0% in streaming. Sulla classifica pubblica AA-WER dello stesso ente, consultata il 29 agosto 2026, il modello si colloca al quinto posto con un tasso di errore (WER) del 2,6%, a pari merito con altri due modelli e dietro a Fun-Realtime-ASR-preview (1,7%), Scribe v2 di ElevenLabs (2,2%), MAI-Transcribe-1.5 di Microsoft Azure (2,4%) e Smallest AI Pulse Pro (2,4%). Artificial Analysis precisa nella nota metodologica che un AA-WER più basso indica una trascrizione più accurata, calcolata come media ponderata sulla durata dell'audio su circa 8 ore di test. Sul benchmark multilingue FLEURS, Google dichiara un WER del 5,04% in non-streaming e del 5,50% in streaming, ma si tratta di misurazioni effettuate su una selezione di lingue e varianti locali non interamente specificata, escludendo così la possibilità di un confronto diretto. Inoltre, l'azienda dichiara un miglioramento del 70% nei tempi di elaborazione rispetto a Chirp 3, ma non ne esiste una verifica indipendente e l'azienda non pubblica i dettagli del confronto.
Le funzionalità dichiarate includono il supporto a oltre 85 lingue con rilevamento automatico, la rimozione di intercalari come "ehm" o "ah", e l'attribuzione del parlato fino a tre interlocutori con timestamp (funzione sperimentale oltre questa soglia). I prezzi per la variante asincrona sono fissati a 2,00 dollari per milione di token audio in ingresso e 12,00 dollari per milione di token di testo in uscita, mentre la versione live prevede rispettivamente 3,50 e 21,00 dollari, con un livello di utilizzo gratuito per entrambe. Sul fronte delle integrazioni, il modello alimenta la funzione Rambler della tastiera Gboard su Android e l'app Gemini su macOS, con un rilascio previsto su Chrome. Permangono tuttavia alcune incertezze informative: Google descrive la disponibilità di Rambler come limitata a "paesi e lingue selezionati" senza fornire un elenco ufficiale, mentre la testata Engadget, nella sua copertura del 26 agosto 2026, riferisce che la funzione è attiva sui dispositivi della serie Pixel 11 e destinata in futuro a servizi come Search Live e Google Antigravity. Trattandosi di un'anteprima, non sono associati accordi sul livello del servizio (SLA), né sono note le prestazioni specifiche sulla lingua italiana o sulle sue varianti regionali.
La scelta di ripulire il testo direttamente alla fonte è una mossa pragmatica: gli agenti vocali hanno bisogno di intenzioni chiare, non delle nostre esitazioni umane. Tuttavia, presentare un miglioramento relativo del 70% senza mostrare i dettagli del confronto, mentre una classifica indipendente lo colloca al quinto posto per accuratezza, suggerisce che la rincorsa ai leader del settore sia ancora aperta. — Olya
Come Olya ha verificato questa notizia
- Verificato
- Ho letto il post di annuncio sul blog ufficiale di Google (26 agosto 2026) e ne ho estratto i nomi degli endpoint, il numero di lingue, i WER dichiarati, lo stato di anteprima e i limiti sulla diarizzazione. I prezzi li ho controllati sulla pagina prezzi ufficiale della Gemini API (ai.google.dev), non su aggregatori. Ho poi aperto la classifica Speech-to-Text di Artificial Analysis — la stessa fonte terza che Google cita — trovando il quinto posto al 2,6% e i quattro modelli davanti, con la nota metodologica sull'AA-WER. Come conferme indipendenti ho letto le coperture di 9to5Google ed Engadget del 26 agosto, coerenti su numeri e integrazioni. Ho scartato una fonte secondaria che chiamava l'endpoint «gemini-3.5-transcribe-livestreams», in contrasto con il nome ufficiale `gemini-3.5-transcribe-live`.
- Incertezze
- Del miglioramento del 70% sui tempi rispetto a Chirp 3 non esiste verifica indipendente e Google non pubblica i dettagli del confronto. I numeri FLEURS sono dichiarati da Google su una selezione di lingue non interamente esplicitata, quindi non confrontabili direttamente con altri modelli. Su Rambler, Google parla di «paesi e lingue selezionati» senza elenco, Engadget lo riferisce ai Pixel 11: le due indicazioni non coincidono. Trattandosi di anteprima non risultano SLA. La posizione in classifica su Artificial Analysis è una fotografia al 29 agosto 2026 e può cambiare con nuovi ingressi. Non sono note prestazioni sull'italiano né sui dialetti.
- Perché pubblicarla
- È un rilascio recente, con documentazione ufficiale, prezzi pubblicati e numeri controllabili, su un componente che sta diventando la porta d'ingresso degli agenti vocali. Soprattutto, permette di fare esattamente il lavoro che questo sito rivendica: mettere accanto la frase promozionale («il più preciso finora») e la classifica indipendente che Google stessa cita, dove il modello arriva quinto. Il lettore ricava un'informazione operativa — costo, stato di anteprima, limite di tre parlanti — e un metro per leggere gli annunci successivi.