Google utiliza tecnología de IA para traducir contenido a tu idioma preferido. Las traducciones realizadas con IA pueden contener errores.

Gemini 3.5 Transcribe

Gemini 3.5 Transcribe es el modelo de Google para convertir voz a texto en varios idiomas, disponible a través de Agent Platform. Según las capacidades de comprensión de audio de Gemini, proporciona transcripciones precisas y de baja latencia con detección de idioma basada en enunciados, identificación de interlocutores, marcas de tiempo a nivel de palabra, transcripción inteligente y ponderación del habla con vocabulario personalizado.

Gemini 3.5 Transcribe es el principal motor de transcripción de audio, ya que cierra la brecha entre los modelos multimodales de razonamiento profundo y los flujos de trabajo de voz a texto altamente optimizados.

Para comenzar, consulta el notebook introductorio de Gemini 3.5 Transcribe.

Admite dos métodos principales de operación:

Transcripción instantánea (en vivo): Transmite audio y recibe resultados de transcripción de forma incremental, en tiempo real, con el modelo gemini-3.5-transcribe-live.
Transcripción síncrona: Transcribe archivos de audio pregrabados completos en una sola solicitud con el modelo gemini-3.5-transcribe.

Compatibilidad y limitaciones de las funciones

Gemini 3.5 Transcribe admite las siguientes funciones en sus dos extremos:

Función	Transmisiones en vivo (`gemini-3.5-transcribe-live`)	Procesamiento de archivos de audio (`gemini-3.5-transcribe`)	Etapa de lanzamiento	Notas y limitaciones
Detección automática de idioma	Compatible (más de 85 idiomas)	Compatible (más de 85 idiomas)	Admitido	Incluye la mezcla de códigos a mitad de la sesión.
Marcas de tiempo a nivel de la expresión	Admitido	No es compatible	Admitido
Marcas de tiempo a nivel de la palabra	No es compatible	Admitido	Experimental	Degrada la precisión de la transcripción.
Sesgo de vocabulario personalizado	Se admite (hasta 1,000 términos)	Se admite (hasta 1,000 términos)	Admitido	Por lo general, los clientes obtienen mejores resultados con hasta 100 términos.
Dictado y formato inteligentes	Compatible (con endpointing manual)	Admitido	Experimental	Incluye la eliminación de muletillas y el formato alfanumérico que reconoce la intención. Para la transmisión en vivo, usa la definición de extremos manual.
Identificación de interlocutores	No es compatible	Compatible (hasta 8 bocinas)	Experimental	La atribución para más de 3 interlocutores es experimental.
Duración máxima del audio	Hasta 10 minutos	Hasta 15 minutos	Admitido	El procesamiento de archivos se limita a 15 minutos cuando se habilitan funciones como la identificación de interlocutores o las marcas de tiempo.

Transcripción de transmisiones en vivo

La BidiGenerateContent (Live) API permanece abierta mientras transmites pequeños fragmentos de audio al modelo y recibes resultados de transcripción de forma incremental, a medida que están disponibles. Se usa para subtitular o transcribir la entrada de micrófono casi en tiempo real.

Para probar la transcripción de transmisión sin escribir código, abre gemini-3.5-transcribe-live en la página de la API de Gemini Live de Agent Studio, graba o sube audio y mira cómo se transmite la transcripción.

Prueba Gemini 3.5 Transcribe en Agent Studio

Para transcribir audio de transmisión, compila un LiveConnectConfig y establece response_modalities en ["TEXT"] junto con tu configuración de input_audio_transcription.

import asyncio
from google import genai
from google.genai import types

client = genai.Client(enterprise=True, project=PROJECT_ID, location=LOCATION)

config = types.LiveConnectConfig(
    response_modalities=["TEXT"],
    input_audio_transcription=types.AudioTranscriptionConfig(
        language_codes=["it-IT", "en-US"],
    ),
)

async def streaming_main(audio_file, config):
    # Connect to the Live API session
    async with client.aio.live.connect(model="gemini-3.5-transcribe-live", config=config) as session:
        # In a complete implementation, you would chunk the audio and send via:
        # await session.send_realtime_input(audio=types.Blob(data=data, mime_type="audio/pcm;rate=16000"))
        # await session.send_realtime_input(audio_stream_end=True)

        async for message in session.receive():
            if message.server_content:
                server_content = message.server_content

                # Track the active interim segment
                interim = server_content.interim_input_transcription
                if interim and interim.text:
                    print(f"Interim: {interim.text}")

                # Save final transcript and clear the interim
                final = server_content.input_transcription
                if final and final.text:
                    print(f"Final: {final.text}")

Transcripción síncrona

Puedes usar el método generate_content estándar para transcribir archivos de audio completos que ya se hayan grabado. Configura los parámetros compilando un AudioTranscriptionConfig dentro de GenerateContentConfig.

Marcas de tiempo a nivel de la palabra

Si configuras word_timestamp=True, se devuelven los tiempos a nivel de palabra. La lista audio_transcription.words de la respuesta contiene cada palabra reconocida junto con su start_offset y end_offset.

from google import genai
from google.genai import types

# Initialize the client
client = genai.Client(enterprise=True, project=PROJECT_ID, location=LOCATION)

with open("input.wav", "rb") as f:
    audio_bytes = f.read()

response = client.models.generate_content(
    model="gemini-3.5-transcribe",
    contents=[
        types.Part.from_bytes(
            data=audio_bytes,
            mime_type="audio/wav",
        ),
    ],
    config=types.GenerateContentConfig(
        audio_transcription_config=types.AudioTranscriptionConfig(
            word_timestamp=True,
        ),
    ),
)

parts = getattr(response, "parts", []) or []
if parts and (audio_tx := getattr(parts[0], "audio_transcription", None)):
    for w in getattr(audio_tx, "words", []) or []:
        print(f"[{w.start_offset} - {w.end_offset}] {w.word}")

if text := "".join(p.text for p in parts if getattr(p, "text", None)):
    print(f"**{text}**")

Identificación de interlocutores y vocabulario personalizado

Si configuras diarization=True, le pides al modelo que identifique y etiquete a los interlocutores individuales. También puedes proporcionar un campo custom_vocabulary con una lista de frases que sesguen a Gemini 3.5 Transcribe para que reconozca términos específicos. En general, el modelo sigue las instrucciones de vocabulario personalizado de manera más confiable cuando también se especifica un idioma con language_codes.

response = client.models.generate_content(
    model="gemini-3.5-transcribe",
    contents=[
        types.Part.from_uri(
            file_uri="gs://cloud-samples-data/generative-ai/audio/coffee_order.wav",
            mime_type="audio/wav",
        ),
    ],
    config=types.GenerateContentConfig(
        audio_transcription_config=types.AudioTranscriptionConfig(
            diarization=True,
            language_codes=["en-US"],
            custom_vocabulary=["oatmilk", "oz"],
        ),
    ),
)

parts = getattr(response, "parts", []) or []
for p in parts:
    audio_tx = getattr(p, "audio_transcription", None)
    speaker = getattr(audio_tx, "speaker_label", "UNKNOWN") if audio_tx else "UNKNOWN"
    text = getattr(p, "text", "") or (getattr(audio_tx, "text", "") if audio_tx else "")

    if text:
        print(f"**{speaker}**: {text}")

Modos de transcripción

Gemini 3.5 Transcribe admite dos modos de transcripción a través del parámetro mode en AudioTranscriptionConfig:

VERBATIM (predeterminado): Devuelve una transcripción exacta palabra por palabra de todo lo que se dice, conservando las muletillas sin procesar ("um", "eh", "como", "ya sabes"), las repeticiones, las pausas y los inicios en falso.
SMART (Transcripción inteligente): Optimiza la transcripción para la lectura aplicando un procesamiento posterior inteligente:
- Eliminación de disfluencias: Quita las muletillas, los tartamudeos y los inicios falsos de las conversaciones.
- Autocorrecciones intercaladas: Resuelve las correcciones habladas directamente (por ejemplo, "Reunámonos el martes, no, mejor el miércoles a las dos" se convierte en "Reunámonos el miércoles a las 2:00 p.m.").
- Formato estructurado automático: Estructura automáticamente los pensamientos hablados en párrafos, listas numeradas, viñetas, fechas con formato, monedas y números.
- Limpieza gramatical: Aplica puntuación, uso de mayúsculas y flujo naturales.

Audio hablado	Resultado de `VERBATIM`	Resultado de `SMART` (Transcripción inteligente)
"Eh, para la reunión, creo que deberíamos, eh, invitar a Alicia y, no, espera, a Roberto y a Carolina".	"Bueno, para la reunión, creo que deberíamos invitar a Alicia y, no, espera, a Roberto y a Carolina".	"Para la reunión, creo que deberíamos invitar a Bob y Carol".
"Primer elemento: revisar el presupuesto; segundo elemento: finalizar el cronograma; tercer elemento: enviar el resumen"	"primer elemento revisar presupuesto segundo elemento finalizar cronograma tercer elemento enviar resumen"	"1. Revisa el presupuesto 2. Finaliza la línea de tiempo 3. Enviar resumen"

Transcripción síncrona con el modo `SMART`

response = client.models.generate_content(
    model="gemini-3.5-transcribe",
    contents=[
        types.Part.from_bytes(
            data=audio_bytes,
            mime_type="audio/wav",
        ),
    ],
    config=types.GenerateContentConfig(
        audio_transcription_config=types.AudioTranscriptionConfig(
            mode="SMART",
        ),
    ),
)

Transcripción instantánea con el modo `SMART` y finalización manual

Cuando uses el modo SMART con la transcripción de transmisión en vivo (gemini-3.5-transcribe-live), debes usar la detección manual de extremos (detección manual de actividad de voz) en lugar de la VAD automática. Debido a que el modo SMART aplica un procesamiento posterior a nivel de enunciado, como resolver autocorrecciones intercaladas y estructurar listas o párrafos, la VAD automática puede dividir de forma prematura el pensamiento de un usuario durante las pausas naturales.

Para configurar la detección de extremos manual, inhabilita automatic_activity_detection en RealtimeInputConfig y marca de forma explícita el comienzo y el final del turno de voz del usuario con activity_start y activity_end:

config = types.LiveConnectConfig(
    response_modalities=["TEXT"],
    realtime_input_config=types.RealtimeInputConfig(
        automatic_activity_detection=types.AutomaticActivityDetection(
            disabled=True,
        ),
    ),
    input_audio_transcription=types.AudioTranscriptionConfig(
        mode="SMART",
    ),
)

async with client.aio.live.connect(
    model="gemini-3.5-transcribe-live", config=config
) as session:
    # Signal start of speech turn
    await session.send_realtime_input(activity_start=types.ActivityStart())

    # Stream audio chunks...
    await session.send_realtime_input(
        audio=types.Blob(data=audio_bytes, mime_type="audio/pcm;rate=16000")
    )

    # Signal end of speech turn so SMART mode can process the complete utterance
    await session.send_realtime_input(activity_end=types.ActivityEnd())

Idiomas admitidos

Los siguientes idiomas y códigos de idioma BCP-47 son compatibles con Gemini 3.5 Transcribe:

Idioma	Código BCP-47	Preparación	Idioma	Código BCP-47	Preparación
Afrikaans	`af-ZA`	Experimental	Japonés	`ja-JP`	Admitido
Amárico	`am-ET`	Experimental	Javanés	`jv-ID`	Experimental
Árabe (Egipto)	`ar-EG`	Experimental	Criollo caboverdiano	`kea-CV`	Experimental
Armenio	`hy-AM`	Experimental	Canarés	`kn-IN`	Experimental
Asamés	`as-IN`	Experimental	Kazajo	`kk-KZ`	Experimental
Azerbaiyano	`az-AZ`	Experimental	Coreano	`ko-KR`	Admitido
Bielorruso	`be-BY`	Experimental	Kirguizo	`ky-KG`	Experimental
Bengalí (Bangladés)	`bn-BD`	Experimental	Letón	`lv-LV`	Experimental
Bengalí (India)	`bn-IN`	Experimental	Lingala	`ln-CD`	Experimental
Bosnio	`bs-BA`	Experimental	Lituano	`lt-LT`	Experimental
Búlgaro	`bg-BG`	Experimental	Macedonio	`mk-MK`	Experimental
Búlgaro (arrumano)	`rup-BG`	Experimental	Malay	`ms-MY`	Experimental
Birmano	`my-MM`	Experimental	Malayalam	`ml-IN`	Experimental
Cantonés (tradicional)	`yue-Hant-HK`	Experimental	Maltés	`mt-MT`	Experimental
Catalán	`ca-ES`	Admitido	Chino mandarín (simplificado)	`cmn-Hans-CN`	Admitido
Cebuano	`ceb`	Experimental	Maratí	`mr-IN`	Experimental
Camboyano	`km-KH`	Experimental	Mongol	`mn-MN`	Experimental
Croata	`hr-HR`	Admitido	Nepalí	`ne-NP`	Experimental
Checo	`cs-CZ`	Experimental	Noruego	`nb-NO`	Experimental
Danés	`da-DK`	Admitido	Oriya	`or-IN`	Experimental
Holandés	`nl-NL`	Admitido	Polaco	`pl-PL`	Admitido
Inglés (Australia)	`en-AU`	Admitido	Portugués (Brasil)	`pt-BR`	Admitido
Inglés (Gran Bretaña)	`en-GB`	Admitido	Portugués (Portugal)	`pt-PT`	Admitido
Inglés (India)	`en-IN`	Admitido	Punyabí	`pa-IN`	Experimental
Inglés (Estados Unidos)	`en-US`	Admitido	Panyabí (alfabeto gurmují)	`pa-Guru-IN`	Experimental
Estonio	`et-EE`	Experimental	Rumano	`ro-RO`	Admitido
Persa	`fa-IR`	Experimental	Ruso	`ru-RU`	Admitido
Filipino	`fil-PH`	Experimental	Serbio	`sr-RS`	Experimental
Finlandés	`fi-FI`	Admitido	Sindhi (escritura árabe)	`sd-Arab-IN`	Experimental
Francés	`fr-FR`	Admitido	Eslov	`sk-SK`	Experimental
Francés (Canadá)	`fr-CA`	Admitido	Esloveno	`sl-SI`	Experimental
Gallego	`gl-ES`	Experimental	Español (América Latina)	`es-419`	Experimental
Georgiano	`ka-GE`	Experimental	Español (España)	`es-ES`	Admitido
Alemán	`de-DE`	Admitido	Español (Estados Unidos)	`es-US`	Admitido
Griego	`el-GR`	Admitido	Suajili (Kenia)	`sw-KE`	Experimental
Gujarati	`gu-IN`	Experimental	Sueco	`sv-SE`	Admitido
Hausa	`ha-NG`	Experimental	Tayiko	`tg-TJ`	Experimental
Hebreo	`he-IL`	Experimental	Telugu	`te-IN`	Experimental
Hindi	`hi-IN`	Admitido	Tailandés	`th-TH`	Experimental
Húngaro	`hu-HU`	Experimental	Turco	`tr-TR`	Admitido
Islandés	`is-IS`	Experimental	Ucraniano	`uk-UA`	Admitido
Indonesio	`id-ID`	Experimental	Uzbeko	`uz-UZ`	Experimental
Italiano	`it-IT`	Admitido	Vietnamita	`vi-VN`	Admitido

Disponibilidad regional

Gemini 3.5 Transcribe está disponible en las siguientes ubicaciones de Google Cloud :

Extremo	Google Cloud Ubicación	Preparación para el lanzamiento
`gemini-3.5-transcribe`	`global`	Admitido
`gemini-3.5-transcribe`	`us`	Compatible
`gemini-3.5-transcribe`	`eu`	Compatible
`gemini-3.5-transcribe-live`	`global`	Compatible
`gemini-3.5-transcribe-live`	`us`	Compatible
`gemini-3.5-transcribe-live`	`eu`	Admitido

Prácticas recomendadas

Proporciona audio limpio: Asegúrate de que las grabaciones de audio tengan una separación de voz nítida y evita los recortes graves.
Proporciona sugerencias de idioma cuando se conozcan: Si conoces el idioma del audio de antemano, especifica language_codes para maximizar la precisión.
Vocabulario personalizado de destino: Incluye solo términos de dominio, nombres de marcas o nombres propios distintos en custom_vocabulary, en lugar de palabras comunes de uso diario.
Usa la detección manual de extremos con el modo SMART en la Transcripción instantánea: Inhabilita la VAD automática (automatic_activity_detection) y envía de forma explícita las señales activity_start y activity_end para que el modelo pueda aplicar la eliminación de disfluencias, las autocorrecciones y el formato en las expresiones completas.

Probar en Agent Studio Precios

ID de modelo	`['gemini-3.5-transcribe', 'gemini-3.5-transcribe-live']`
Modalidades	Texto Solo salida Imagen No compatible Audio Solo entrada Video No compatible
Funciones	Pensamiento No compatible Instrucciones del sistema No compatible Resultados estructurados No compatible Caché de contexto No compatible RAG Engine No compatible Ajuste No compatible Comprensión de videos de agentes No compatible
Herramientas	Fundamentación No compatible Ejecución de código No compatible Llamada a funciones No compatible Contexto de URL No compatible Uso de la computadora Función de versión preliminar No compatible
API	API de GenerateContent Compatible API de Interactions Función de versión preliminar No compatible API de Gemini Live Compatible API de Count Tokens No compatible API de Chat Completions No compatible
Opciones de consumo	Capacidad de procesamiento aprovisionada No compatible Inferencia por lotes No compatible Pay-as-you-go Pago por uso estándar Compatible Cuota fija No compatible
Regiones admitidas	Disponibilidad de modelos	Global: `global`
Regiones admitidas	Procesamiento de AA	Estados Unidos: `Multi-region` Europa: `Multi-region`
Versiones	`gemini-3.5-transcribe-preview` Etapa de lanzamiento: Versión preliminar Fecha de lanzamiento: agosto de 2026 `gemini-3.5-transcribe` Etapa de lanzamiento: DG Fecha de lanzamiento: octubre de 2026 `gemini-3.5-transcribe-live-preview` Etapa de lanzamiento: Versión preliminar Fecha de lanzamiento: agosto de 2026 `gemini-3.5-transcribe-live` Etapa de lanzamiento: DG Fecha de lanzamiento: octubre de 2026
Controles de seguridad	Predicción en línea	Residencia de los datos CMEK VPC-SC AXT
Controles de seguridad	Consulta Controles de seguridad para obtener más información.