Nei flussi di lavoro aziendali, la conversione dell’audio in testo risolve solo una parte del problema. Riunioni, chiamate commerciali, interviste e conversazioni con il servizio clienti devono essere trasformate in verbali, aggiornamenti del CRM, attività assegnabili e contenuti interrogabili nei sistemi di knowledge management; una trascrizione letterale, con esitazioni, ripetizioni e correzioni lasciate intatte, richiede spesso una seconda elaborazione prima di poter essere utilizzata.
Gemini 3.5 Transcribe interviene soprattutto su questo passaggio. Il modello speech-to-text combina il riconoscimento vocale con funzioni di pulizia e organizzazione del testo, cercando di produrre un risultato già adatto alla lettura o all’ingresso in un workflow. È una differenza di impostazione più che di categoria, perché il mercato offre da tempo streaming, diarizzazione, timestamp e personalizzazione del lessico: Azure Speech, per esempio, comprende identificazione degli interlocutori, rilevamento della lingua e liste di termini, mentre l’API audio di OpenAI supporta streaming, timestamp, indicazioni contestuali e diarizzazione.
Dal parlato spontaneo al testo strutturato
Con la modalità smart transcription, il riconoscimento vocale incorpora una prima elaborazione editoriale: elimina intercalari, balbettii, ripetizioni e false partenze e interpreta le autocorrezioni compiute mentre si parla. “Fissiamo l’incontro martedì, anzi mercoledì alle due” può così diventare direttamente “Fissiamo l’incontro mercoledì alle 14”.
Allo stesso tempo, il modello applica punteggiatura e maiuscole, normalizza numeri, date e valute e riconosce strutture implicite nel discorso. Una serie di istruzioni pronunciata senza preoccuparsi della forma può essere restituita come elenco numerato; appunti dettati in modo frammentario possono assumere la struttura di paragrafi leggibili. La modalità smart comprende pulizia grammaticale, risoluzione delle correzioni e formattazione strutturata, assorbendo attività che normalmente richiederebbero un passaggio separato attraverso un modello linguistico.
Questo comportamento risponde alle esigenze di verbali, note commerciali, resoconti di assistenza e dettatura professionale, ma non sostituisce la trascrizione letterale nei processi che richiedono fedeltà all’audio. Contratti, testimonianze, ricerche qualitative e verifiche di conformità possono dipendere proprio da esitazioni, ripetizioni e formulazioni originali; per questi casi è disponibile la modalità verbatim, alla quale possono essere associati timestamp per ogni parola e identificazione degli interlocutori.
La scelta tra le due modalità incide sull’architettura dell’applicazione, perché smart transcription, timestamp e diarizzazione non possono essere richiesti insieme. Il testo ripulito perde quindi alcune informazioni necessarie per risalire puntualmente alla registrazione, mentre la versione verbatim conserva il dettaglio ma demanda a un’elaborazione successiva la costruzione di un contenuto più leggibile.
La diarizzazione distingue fino a otto voci, sebbene l’attribuzione con tre o più interlocutori sia ancora sperimentale. Nelle riunioni numerose, la qualità del risultato continuerà a dipendere in misura significativa dalla disposizione dei microfoni, dalle sovrapposizioni tra le voci e dalle condizioni acustiche.
Trascrizione multilingue e terminologia specialistica
Gemini 3.5 Transcribe riconosce automaticamente oltre 85 lingue e varianti locali, compreso l’italiano, senza imporre la selezione preventiva di un singolo idioma. La gestione del code-switching gli permette inoltre di seguire il passaggio da una lingua all’altra nella stessa frase o conversazione, situazione frequente nelle riunioni internazionali e nei contact center che operano su più mercati.
Il vocabolario personalizzato accetta fino a mille espressioni, anche se liste selettive, intorno ai cento termini, offrono in genere risultati migliori. Nomi di prodotto, acronimi, persone e lessico tecnico possono così essere preservati anche durante il passaggio tra lingue e la rielaborazione del parlato, evitando che un’entità riconosciuta in modo errato si propaghi nel CRM, nell’associazione a una pratica o nei workflow automatici.
Due modelli per streaming e registrazioni
L’elaborazione in tempo reale è affidata a gemini-3.5-transcribe-live, accessibile tramite la Live API e destinato ad agenti vocali, sottotitolazione, dettatura e assistenza telefonica. La trascrizione procede attraverso uno streaming bidirezionale continuo con latenza inferiore al secondo, mentre la connessione WebSocket persistente mantiene lo stato dell’interazione durante il flusso audio.
Per riunioni, interviste, chiamate registrate e archivi sonori è disponibile gemini-3.5-transcribe, utilizzabile tramite la Interactions API. La modalità dedicata ai contenuti preregistrati può restituire l’attribuzione degli interventi e i timestamp a livello di parola, rendendo possibile collegare ogni porzione del testo al punto corrispondente della registrazione.
La distinzione fra streaming e audio registrato, già adottata da altri operatori, consente di ottimizzare due carichi di lavoro molto diversi: il primo privilegia la rapidità necessaria a sostenere una conversazione o produrre sottotitoli in diretta, mentre il secondo può dedicare maggiori risorse alla precisione e all’arricchimento della trascrizione.
Le misurazioni di Artificial Analysis attribuiscono al modello un Word Error Rate medio del 4% nello streaming e del 2,6% nell’elaborazione non in tempo reale. Sul benchmark multilingue FLEURS il WER si attesta al 5,50% per lo streaming e al 5,04% per i contenuti preregistrati; rispetto a Chirp 3, il tempo necessario per ottenere la trascrizione definitiva risulta ridotto del 70%.
Il confronto tra servizi non può tuttavia esaurirsi in un valore medio, poiché lingua, accento, rumore, qualità del microfono, sovrapposizione delle voci e terminologia specialistica modificano sensibilmente le prestazioni. Per un’adozione aziendale, la prova più indicativa rimane quella condotta su registrazioni che riproducano le effettive condizioni operative.
Dal testo alle azioni
Gemini 3.5 Transcribe è concepito anche come livello di ingresso vocale per applicazioni e agenti. Nella Gemini app per macOS, il contenuto ricavato dalla voce può richiamare altri modelli attraverso il function calling, permettendo di analizzare file, rielaborare testi o generare immagini senza interrompere il flusso di dettatura. In Antigravity, previo consenso dell’utente, il riconoscimento può utilizzare il contenuto dello schermo e la cronologia della conversazione per interpretare con maggiore precisione nomi di file, riferimenti ai documenti e termini collegati all’attività corrente.
L’impiego del contesto applicativo affronta un limite strutturale dello speech-to-text: l’audio isolato non contiene sempre elementi sufficienti per distinguere parole foneticamente simili o ricostruire un riferimento ambiguo. La conoscenza del documento aperto, dell’applicazione utilizzata e degli scambi precedenti offre al modello ulteriori indizi con cui orientare la trascrizione.
Su Android, la stessa idea assume una forma più immediata con Rambler, funzione di inserimento vocale basata su Gemini e integrata in Gboard. A differenza della dettatura tradizionale parola per parola, Rambler converte il parlato spontaneo in testo strutturato, elimina i riempitivi, sistema grammatica e punteggiatura e consente di modificare o riscrivere il risultato attraverso comandi vocali naturali. È possibile, per esempio, chiedere di rendere il testo più professionale, accorciarlo, sostituire una parola o aggiungere emoji senza ricorrere a una sintassi prestabilita.
Rambler è disponibile esclusivamente sui dispositivi della serie Pixel 11 e richiede la versione più recente di Gboard impostata come tastiera predefinita, oltre all’autorizzazione per il microfono. Una connessione Internet attiva abilita l’intero insieme di funzioni; in modalità offline rimangono operative la pulizia di base, la punteggiatura e l’uso delle maiuscole, mentre le riscritture stilistiche e le modifiche vocali più complesse tornano disponibili al ripristino della connessione. Rambler supporta anche l’italiano e il passaggio da una lingua all’altra durante lo stesso input.
Gemini 3.5 Transcribe è disponibile in public preview nella Gemini API tramite Google AI Studio e nella Gemini Enterprise Agent Platform, mentre l’integrazione con Gemini Enterprise for Customer Experience è prevista in una fase successiva. La Gemini app per macOS ne utilizza già le capacità di dettatura intelligente in inglese; Chrome dovrebbe adottarle per consentire l’inserimento vocale nei campi di testo delle pagine web.
Il tratto distintivo del modello non risiede nelle singole funzioni di riconoscimento, ormai comuni nel settore, ma nella capacità di restituire un testo già normalizzato e strutturato, pronto ad alimentare applicazioni e agenti AI. La trascrizione cessa così di essere il risultato conclusivo del processo e ne diventa il livello di ingresso: il parlato può aggiornare un CRM, generare un’attività, attivare una funzione o produrre un documento senza richiedere una catena separata di pulizia e riformattazione.
