Gemini 3.5 Transcribe: transcripción de voz con IA en Android
2026-08-27
Descubre Gemini 3.5 Transcribe, el modelo de transcripción con IA de Google que reconoce 85+ idiomas y identifica hablantes en tiempo real.
Gemini 3.5 Transcribe es el modelo de transcripción de voz a texto que Google DeepMind presentó el 26 de agosto de 2026. Para quienes usamos Android a diario, este modelo cambia las reglas del juego: convierte lo que decimos en texto con una precisión que antes solo existía en soluciones de escritorio costosas. Yo lo probé a través de la app de Google Gemini, y la diferencia con las herramientas anteriores de Google es notoria desde el primer uso.
Google Gemini es una app de asistente de Google que ayuda a conversar, crear, estudiar y organizar tareas.
Este modelo no solo escucha y escribe. También identifica quién habla, elimina muletillas, formatea el texto automáticamente y puede delegar tareas a otros modelos de la familia Gemini 3.5. En esta guía explico qué es, cómo funciona, qué tan preciso es y dónde puedes usarlo en tu celular Android.
Cómo funciona el modelo de transcripción de Google
Gemini 3.5 Transcribe procesa el audio en tiempo real. A diferencia de sistemas anteriores como Chirp 3, que necesitaban detener el audio para procesarlo, este modelo funciona en streaming. Es decir, mientras hablas, él escribe.
Detrás de la pantalla, el modelo analiza el flujo de audio continuo y aplica varios pasos simultáneos: reconoce palabras, identifica al hablante, corrige errores de pronunciación y formatea el resultado con puntuación adecuada. El proceso ocurre con una latencia 70% menor que su predecesor, lo que significa que el texto aparece casi al mismo tiempo que pronuncias las palabras. Si alguna vez usaste el dictado por voz anterior de Google y te frustró la lentitud, nota la diferencia: aquí el texto sigue tu voz sin ese retraso incómodo.
El modelo también incluye algo que Google llama "function calling". Cuando detecta que le pides hacer algo concreto, como crear un evento de calendario o enviar un mensaje, puede delegar esa tarea a otro modelo de la familia Gemini 3.5. No es solo un transcriptor, sino un puente entre tu voz y otras funciones del dispositivo. Dices "recuérdame llamar a mamá a las tres" y el modelo crea el recordatorio sin que toques nada.
Precisión del modelo de transcripción Gemini 3.5
Aquí es donde los números hablan solos. Gemini 3.5 Transcribe alcanza una tasa de error de palabra (WER) del 4.0% en modo streaming y del 2.6% en modo no streaming. Para ponerlo en perspectiva, un WER del 2.6% significa que de cada 100 palabras, el modelo se equivoca en menos de tres. Eso está al nivel de un humano entrenado en transcripción.
La mejora frente a Chirp 3 es grande, pero lo que más me sorprendió fue cómo maneja el español. Los modelos anteriores de Google tenían problemas con acentos regionales y mezclas de idiomas. Una frase como "órale, vamos a ver qué onda" confundía al modelo anterior. Este modelo detecta automáticamente el idioma y se ajusta sin que tengas que configurar nada. También maneja bien los cambios de idioma dentro de una misma conversación, algo muy común en ciudades bilingües.
Hay que ser honesto: los números de WER provienen de pruebas internas de Google en condiciones controladas. En el uso real, con ruido de fondo, varios hablantes y conversaciones superpuestas, la precisión baja. Pero la diferencia con respecto a hace un año es real y notoria. Pasamos de un dictado que requería corrección constante a uno que puedes usar sin mirar la pantalla.
Idiomas y detección automática en la transcripción con IA
Gemini 3.5 Transcribe reconoce más de 85 idiomas. No es una lista estática: el modelo detecta qué idioma estás hablando y cambia automáticamente. Si estás en una reunión donde alguien pasa del español al inglés, el modelo lo sigue sin interrupciones. No tienes que seleccionar el idioma antes de empezar a hablar, como ocurría antes.
El vocabulario personalizado es otra función clave. El modelo reconoce términos especializados, nombres propios y jerga técnica sin que tengas que entrenarlo previamente. En mis pruebas, transcribió correctamente nombres de aplicaciones, términos técnicos como "aprendizaje automático" y abreviaturas comunes sin problemas. Esto importa mucho si trabajas en tech o en cualquier campo con vocabulario especializado.
La transcripción automática también incluye dos funciones que ahorran tiempo: elimina las muletillas ("eh", "um", "este") y maneja las autocorrecciones. Si dices algo y luego lo corriges, el modelo elimina la parte incorrecta y solo mantiene la versión final. El resultado es un texto limpio que no necesita edición manual. Antes, transcribir una reunión de una hora significaba pasar otra hora limpiando el texto. Este modelo reduce ese trabajo a minutos.
Identificación de hablantes y edición por voz
En conversaciones con varias personas, saber quién dijo qué es fundamental. Gemini 3.5 Transcribe identifica hasta tres hablantes diferentes y marca cada intervención con su respectiva marca de tiempo. No es perfecto: si las voces son muy similares, puede confundir a un hablante con otro. Pero en conversaciones normales, con voces distinguibles, funciona bien.
La edición por voz es otra función práctica. Después de que el modelo transcribe, puedes decirle "cambia la última frase" o "elimina esa parte" y el modelo ajusta el texto sin que tengas que tocar la pantalla. Para quienes usamos el celular mientras caminamos o conducimos, esto es útil de verdad. No tienes que detener lo que estás haciendo para corregir un error de transcripción.
El formato automático también merece mención. El modelo añade puntuación, separa párrafos y formatea el texto para que sea legible sin intervención manual. Identifica dónde terminan las oraciones, dónde van las comas y cómo organizar el texto en bloques coherentes. No tienes que pasar horas limpiando la transcripción.
Dónde usar Gemini 3.5 Transcribe en Android
El modelo ya está integrado en varios productos de Google. En Android, la función más visible es Gboard Rambler, el modo del teclado de Google que permite escribir por voz en cualquier aplicación. Cuando lo probé con Gboard, dicté un mensaje largo en WhatsApp sin teclear. Presioné el ícono del micrófono en el teclado y el texto apareció mientras hablaba.
La app de Gemini en macOS también lo incluye, y Google confirmó que llegará a Chrome en los próximos meses. Para usuarios de Android, la forma más directa de acceder al modelo es a través de la app de Google Gemini, donde puedes dictar instrucciones y obtener respuestas transcritas en tiempo real. El download de la app se hace desde APKPure, donde también puedes verificar la versión más reciente.
Google Antigravity, otra herramienta de la compañía, también utiliza este modelo para sus funciones de transcripción. Y para desarrolladores, el modelo está disponible en Google AI Studio y en Gemini Enterprise, lo que significa que muchas apps de terceros empezarán a integrarlo pronto. Si usas cualquier app que dependa de transcripción de voz a texto, es probable que en los próximos meses notes mejoras gracias a este modelo.
Ventajas y limitaciones del modelo de transcripción
Las ventajas son claras cuando lo usas a diario. La precisión alta, con un WER de 2.6% en modo no streaming, coloca a este modelo entre los mejores disponibles. El streaming en tiempo real significa que el texto aparece mientras hablas, sin esperas. El soporte para 85+ idiomas con detección automática lo hace práctico para personas que hablan más de un idioma. La identificación de hablantes es útil para reuniones y entrevistas. Y la eliminación de muletillas produce un texto limpio sin edición.
Las limitaciones también hay que mencionarlas. El máximo de tres hablantes significa que en reuniones grandes, el modelo no puede distinguir a todos. El ruido de fondo afecta la precisión, como en cualquier sistema de transcripción. No todas las apps de Android lo integran todavía: por ahora, funciona principalmente en aplicaciones de Google. En cuanto a privacy, el modelo procesa el audio en los servidores de Google, no en el dispositivo, lo que significa que necesitas conexión a internet. Sin señal, no hay transcripción. Si te preocupa que tu voz viaje a la nube, esto es algo a tener en cuenta.
Gemini 3.5 Transcribe frente a alternativas de transcripción
Comparado con otros servicios de transcripción de voz a texto, Gemini 3.5 Transcribe destaca en tres aspectos: precisión en streaming, detección automática de idiomas y la función de editar por voz. La mayoría de servicios actuales ofrecen buena precisión en modo diferido, pero pocos logran un WER del 4.0% en tiempo real.
La identificación de hablantes también es un punto donde este modelo compite bien. Muchos servicios solo etiquetan "Hablante 1" y "Hablante 2" sin marcas de tiempo. Gemini 3.5 añade marcas de tiempo para cada intervención, lo que facilita buscar partes específicas de una conversación larga. En una reunión de 45 minutos, poder buscar por marca de tiempo vale oro.
El function calling es lo que más lo diferencia de la competencia. Ningún otro modelo de transcripción que yo haya probado puede transcribir una frase como "recuérdame llamar a mamá a las tres" y crear automáticamente un recordatorio en el sistema. Esa integración entre transcripción y acción es propia del entorno de Gemini.
Google Gemini es una app de asistente de Google que ayuda a conversar, crear, estudiar y organizar tareas.
Conclusión: la transcripción de voz a texto llega a otro nivel
Al final, Gemini 3.5 Transcribe marca un punto de inflexión en cómo interactuamos con nuestros celulares. La combinación de precisión alta, streaming en tiempo real, soporte para 85+ idiomas y function calling lo coloca por delante de cualquier solución gratuita que haya existido hasta ahora. Si dictas mensajes largos, grabas reuniones o necesitas texto rápido sin teclear, vale la pena probarlo. Descarga la app de Google Gemini desde APKPure y pruébalo la próxima vez que necesites convertir tu voz en texto al instante.
NEWS
REVIEWS
HOWTO
