Google: Gemini 3.5 Transcribe

Google: Gemini 3.5 Transcribe es un modelo de voz a texto de Google. Se sitúa en la categoría de transcripción, y su fecha de lanzamiento por el proveedor es el 25 de septiembre de 2026. Si estás construyendo cualquier cosa que convierta voz grabada o transmitida en texto escrito, esta es la familia de modelos que Google posiciona para ese trabajo, y está disponible en api14 bajo el id de modelo google/gemini-3.5-transcribe.

El modelo toma audio como su única modalidad de entrada y devuelve transcripción como salida. Tiene una longitud de contexto de 98.304 tokens y una salida máxima de 32.768 tokens. Google lo describe como adecuado para transcripción síncrona que necesita marcas de tiempo a nivel de palabra o diarización de hablantes, con soporte para hasta ocho hablantes. Esos dos detalles dan forma a lo que puedes esperar de la salida: no solo un bloque plano de texto, sino información de temporización alineada con las palabras y etiquetas que separan las voces cuando hay más de una persona hablando.

Esa combinación apunta a un conjunto bastante específico de casos de uso. Las transcripciones de reuniones y llamadas se benefician de la diarización, ya que puedes atribuir cada línea a un participante en lugar de adivinar quién habló. Las marcas de tiempo a nivel de palabra son útiles cuando necesitas alinear texto con una línea de tiempo multimedia, por ejemplo generar subtítulos, construir índices de búsqueda que salten al momento exacto en que se dijo una frase, o resaltar la porción hablada de una grabación durante la reproducción. La transcripción síncrona también sugiere escenarios interactivos, donde el texto se produce mientras el audio todavía está llegando, como subtitulado en vivo o toma de notas durante una sesión. El límite de ocho hablantes encaja más con mesas redondas, entrevistas y reuniones diarias que con grandes salas de conferencias con muchas voces rotativas.

Llamarlo a través de api14 funciona igual que con cualquier otro modelo de la plataforma, porque la API es compatible con OpenAI. Envías tu solicitud al endpoint de chat completions con el id de modelo google/gemini-3.5-transcribe y tu audio como entrada. Algo que debes verificar antes de empezar: la lista de parámetros soportados para este modelo está vacía, así que no deberías asumir que controles de muestreo como temperature, top_p o max_tokens serán aceptados o cambiarán el comportamiento. Construye tu integración en torno a los valores predeterminados y trata el payload de audio y el id de modelo como las partes que controlas.

Las principales restricciones a tener en cuenta son los tipos de entrada y salida y los límites de tamaño. Solo entra audio, y solo sale transcripción, así que este no es el modelo al que recurrir si necesitas razonamiento sobre la transcripción, resumen, traducción o cualquier otra generación de texto en la misma llamada. Para eso pasarías la transcripción a un modelo de texto de propósito general. El contexto de 98.304 tokens y el techo de salida de 32.768 tokens también significan que las grabaciones muy largas pueden necesitar dividirse en fragmentos, y si tu audio tiene más de ocho hablantes distintos, la diarización podría no cubrir a todos.