In questo articolo Indice dei contenuti 3 sezioni
Con l’arrivo di Gemini Audio, Google mette insieme tre nuovi modelli pensati per la voce e per le conversazioni che avvengono senza attese, in tempo reale. Si tratta di Gemini 3.5 Transcribe, Gemini 3.5 Live e Gemini 3.5 Live Experimental, tutti figli della famiglia Gemini 3.5, che nonostante l’arrivo delle generazioni più recenti continua a ricevere attenzioni e aggiornamenti. Il tema centrale è chiaro fin da subito, ovvero il riconoscimento vocale e la capacità di sostenere un dialogo senza quelle pause innaturali che finora hanno reso goffa l’interazione con gli assistenti. L’annuncio arriva a pochi mesi dal debutto dei primi modelli della serie 3.5. Nel frattempo Mountain View ha già presentato Gemini 3.6 e Gemini 3.7, il che rende la scelta di continuare a lavorare sulla generazione precedente piuttosto interessante, quasi a voler chiudere un cerchio rimasto aperto sul fronte audio.
Gemini 3.5 Transcribe, il nuovo standard per la trascrizione
Il pezzo forte è Gemini 3.5 Transcribe, presentato come il modello speech to text più preciso mai realizzato da Google e destinato a prendere il posto di Chirp 3. Le promesse riguardano una precisione superiore, una comprensione più profonda del contesto e il rilevamento automatico della lingua in oltre 85 lingue diverse, accenti regionali e dialetti compresi.
La trascrizione intelligente è probabilmente la funzione che si noterà di più nell’uso quotidiano. Il modello ripulisce il testo dalle parole riempitive, quegli «ehm» e quegli intercalari che tutti usiamo senza accorgercene, formatta automaticamente il risultato e permette di intervenire con modifiche dettate a voce, in modo naturale.
C’è poi il function calling, che consente a Transcribe di passare compiti complessi ad altri modelli Gemini, per esempio la generazione di immagini. La funzione è già a disposizione degli sviluppatori nell’app Gemini per macOS, mentre il supporto tramite API dovrebbe arrivare più avanti. Sui numeri Google dichiara un WER, cioè il tasso di errore sulle parole, del 4% per l’audio in streaming e del 2,6% per i file preregistrati. Valori misurati anche in condizioni reali, quindi con rumore di fondo e con interazioni che coinvolgono sistemi di intelligenza artificiale conversazionale.
Non manca il vocabolario personalizzato, utile a chi lavora con terminologia tecnica o con grafie particolari, e l’identificazione di più interlocutori nell’audio preregistrato, con marcatura temporale parola per parola fino a un massimo di tre persone. Oltre le tre voci il supporto resta sperimentale. In prospettiva, il modello arriverà anche su Chrome, dove permetterà di dettare testo in qualsiasi campo presente sul web.
Le due varianti Live e cosa cambia davvero
Gemini 3.5 Live punta invece sulla fluidità del parlato. Il modello sa gestire le interruzioni mentre l’utente sta ancora parlando, elabora elementi visivi in tempo reale e può mescolare più lingue nella stessa conversazione. In più attiva strumenti che lavorano in sottofondo senza bisogno di fermare o mettere in pausa il dialogo, che è poi il dettaglio che distingue una chiacchierata da un botta e risposta meccanico.
La terza novità è Gemini 3.5 Live Experimental, versione sperimentale costruita per compiti più impegnativi. La differenza rispetto al Live standard sta nella capacità di ragionare mentre parla e di raccontare i propri progressi passo dopo passo durante l’esecuzione di un’attività.
Quando arriveranno i nuovi modelli
La distribuzione di Gemini Audio partirà a breve per tutti gli utenti e passerà attraverso Search Live, Gemini Live, Google Docs, Keep, Gmail, l’app Gemini e Gboard. Un ventaglio piuttosto ampio, che copre praticamente ogni punto in cui la voce può tornare comoda.
Gli sviluppatori troveranno i modelli tramite la Gemini API, utilizzabile con Google AI Studio e Google Antigravity. Sul versante aziendale, invece, Google ha in programma l’integrazione di Gemini Audio nella Gemini Enterprise Agent Platform e in Gemini Enterprise for Customer Experience.
