Gemini 3.5 Transcribe sbaglia solo 4 parole su 100

Google: errore al 4% in streaming e trascrizione più veloce del 70% di Chirp 3.

La fine dell’attesa: 4% di errore, 70% più veloce

Per capire perché questi numeri contano, basta guardare cosa succede in una chiamata reale. Quando parli con un servizio clienti automatico o un assistente al telefono, ogni esitazione del sistema si traduce in attese, richieste ripetute, frustrazione. Gemini 3.5 Transcribe cambia il quadro: secondo Artificial Analysis, il modello raggiunge un tasso medio di errore sulle parole — il cosiddetto Word Error Rate — del 4,0% in streaming e del 2,6% in modalità non-streaming. Tradotto: su cento parole trascritte, ne sbaglia in media quattro quando lavora in diretta, poco più di due quando può rielaborare l’audio con più calma.

Poi c’è il fattore velocità. Sempre secondo Artificial Analysis, il tempo per arrivare alla trascrizione finale migliora del 70% rispetto a Chirp 3, il precedente modello di riconoscimento vocale di Google. Sul benchmark FLEURS, che misura le prestazioni multilingue, il nuovo modello migliora rispetto a Chirp 3, con un 5,50% di WER in streaming e un 5,04% in non-streaming. E rileva e trascrive automaticamente oltre 85 lingue, gestendo accenti regionali e dialetti diversi. È il classico caso in cui il numero tecnico si traduce in una sensazione immediata: parli, e il sistema risponde al ritmo giusto.

Ma il benchmark da solo non basta. La vera domanda è cosa cambia per chi costruisce i voice agent.

Da demo a default: il 2026 dei voice agent

Quei numeri non restano nei report: arrivano direttamente negli stack di produzione. Gemini 3.5 Transcribe combina una latenza di streaming inferiore al secondo con l’attribuzione multi-parlante per un massimo di tre voci e il supporto per il function calling. In pratica, il modello non si limita a trascrivere: sa chi sta parlando e può innescare azioni concrete nel sistema che lo utilizza. E c’è un dettaglio che fa la differenza: converte l’audio grezzo direttamente in testo accurato, rifinito e già formattato. Se hai mai visto la trascrizione grezza di un riconoscitore vocale, con punteggiatura sparsa e maiuscole a caso, capisci quanto vale questa rifinitura.

Questo spiega il salto descritto da AssemblyAI: nel 2026, la categoria dei voice agent è passata dall’essere una “demo interessante” al modo predefinito per distribuire un voice agent di produzione. Come dire: prima li facevi vedere agli amici, adesso li metti al telefono con i clienti. Siamo al punto in cui la trascrizione smette di essere il collo di bottiglia. E la progressione si vede guardando a Chirp 3: l’ultima generazione dei modelli generativi di riconoscimento vocale di Google già offriva diarizzazione e rilevamento automatico della lingua, con accuratezza e velocità migliorate rispetto alle versioni precedenti. Gemini 3.5 Transcribe si inserisce in quella traiettoria e la accelera.

Resta, ovviamente, la questione privacy: un modello che attribuisce le voci e capisce più di 85 lingue è anche uno strumento che processa moltissimi dati vocali, spesso in contesti sensibili come le telefonate. L’entusiasmo per la precisione non deve far dimenticare le domande su dove finiscono quelle registrazioni e chi può accedervi.

E se la trascrizione diventa trasparente, la differenza si sposta altrove: dove?

Oltre la trascrizione: la mossa successiva

Se il modello sa già convertire l’audio grezzo in testo rifinito e attribuire fino a tre voci, il prossimo passo è farlo agire. E qui la direzione è chiara. Già a giugno, Google aveva annunciato Gemini 3.5 Live Translate, un modello speech-to-speech in grado di rilevare e tradurre automaticamente in più di 70 lingue. La trascrizione, insomma, è solo il primo anello: quello che conta davvero è l’azione in tempo reale. Tradurre una conversazione mentre parli, eseguire un comando mentre lo pronunci. La telefonata intelligente è solo l’inizio.

Quando la trascrizione diventa invisibile, il valore si sposta sulle azioni che abilita: tradurre e agire in tempo reale. Tenete d’occhio i prossimi modelli speech-to-speech.