La dictée vocale sait depuis longtemps transformer des sons en mots. Google veut désormais lui faire comprendre ce que la personne essaie de dire, même lorsqu’elle hésite, se corrige, change de langue ou prononce un nom rare. Le groupe a lancé le 26 août 2026 Gemini 3.5 Transcribe, un modèle spécialisé dans la transcription audio, disponible en préversion publique dans son API et déjà intégré à plusieurs de ses produits.
La promesse est concrète : une latence inférieure à la seconde en direct, la détection automatique de plus de 85 langues, l’ajout d’un vocabulaire métier, l’identification des intervenants et des repères temporels mot par mot pour les enregistrements. Le modèle peut aussi retirer les « euh », résoudre une autocorrection orale et mettre en forme le résultat. Dire « rendez-vous mardi… non, mercredi » doit ainsi produire directement la bonne date.
Cette intelligence éditoriale constitue à la fois la nouveauté et le point de vigilance. Une transcription n’est plus seulement la copie littérale d’un signal sonore : le système choisit ce qu’il considère comme une hésitation inutile, une correction ou un format plus lisible. Pour écrire un message, ce nettoyage est précieux. Pour archiver une déclaration, sous-titrer un témoignage ou documenter une réunion réglementée, il peut devenir une transformation qu’il faut contrôler.
Deux modèles pour deux manières d’écouter
Google commercialise en réalité deux versions du même service. gemini-3.5-transcribe-live reçoit un flux audio continu par WebSocket. Il vise les agents vocaux, les sous-titres en direct, les centres d’appels et toutes les applications où une réponse doit apparaître pendant que la personne parle. Google annonce un délai inférieur à une seconde ; Artificial Analysis mesure environ 0,40 seconde après la fin d’une intervention dans son protocole.
La version gemini-3.5-transcribe traite un fichier déjà enregistré : réunion, entretien, appel ou note vocale. Elle peut recevoir jusqu’à une heure d’audio par requête. La limite tombe à trente minutes lorsque l’application demande l’identification des locuteurs ou les horodatages mot par mot. Ces fonctions ne sont pas prises en charge par le flux en direct.
La distinction évite de confondre vitesse et richesse du résultat. En direct, le système doit décider très vite si un mot est terminé, si la phrase continue et quelle langue est utilisée. Sur un fichier complet, il peut s’appuyer sur ce qui vient après pour corriger une ambiguïté, découper les tours de parole et aligner précisément les mots sur la bande sonore.
La documentation autorise jusqu’à huit locuteurs dans un enregistrement, tout en qualifiant d’expérimentale l’attribution au-delà de trois personnes. Une réunion animée, avec des interruptions ou des voix proches, reste donc un cas plus difficile qu’un entretien posé. Les développeurs ne devraient pas transformer la capacité maximale affichée en garantie de qualité.
Une transcription qui corrige avant d’écrire
Un système traditionnel de reconnaissance automatique de la parole cherche surtout la suite de mots la plus probable à partir du signal acoustique. Gemini 3.5 Transcribe ajoute davantage de contexte linguistique à cette opération. Il peut détecter qu’une personne s’est reprise, normaliser une adresse ou un identifiant et produire une ponctuation plus naturelle.
Le mode de transcription intelligente supprime les répétitions et les mots de remplissage, puis applique une mise en forme. L’expression orale « vingt-six millions de dollars » peut par exemple devenir « 26 M$ ». Pour une note, un compte rendu ou un formulaire, ce traitement réduit fortement le travail de reprise humaine.
Le modèle accepte également une liste de termes à favoriser. Une entreprise peut lui transmettre des noms de produits, des acronymes, des patronymes ou un vocabulaire médical et juridique. Google fixe la limite à 1 000 expressions, mais précise que les meilleurs résultats sont généralement obtenus avec une liste ciblée d’une centaine de termes. Ce mécanisme ne réentraîne pas le modèle : il lui indique simplement quelles graphies préférer lorsqu’un son est ambigu.
Le changement de langue peut intervenir au milieu d’une phrase sans reconfiguration manuelle. Cette fonction, appelée code-switching, est particulièrement utile dans les équipes internationales, les conversations où des termes anglais se mêlent au français ou les pays multilingues. Elle ne garantit pas une précision uniforme dans les 85 langues annoncées, mais retire une friction importante : l’application n’a plus besoin de connaître la langue avant d’écouter.
Des chiffres solides, mais pas un classement universel
Google cite deux évaluations différentes. Sur le benchmark indépendant AA-WER d’Artificial Analysis, la version différée obtient un taux moyen d’erreur sur les mots de 2,6 %, contre 4,0 % pour le flux en direct. Plus ce taux est bas, plus la transcription se rapproche du texte de référence. Le résultat place le nouveau modèle parmi les meilleurs services testés, sans en faire le numéro un de toutes les catégories.
Le protocole AA-WER v2 représente environ huit heures d’audio. La moitié du score provient de requêtes lues pour simuler des interactions avec des agents vocaux ; un quart vient de débats parlementaires européens et le dernier quart d’appels financiers. Le jeu comprend 17 groupes d’accents et huit styles de parole. Cette composition est plus variée qu’un enregistrement de studio en anglais, mais reste minuscule face à la diversité des situations réelles.
Sur FLEURS, un jeu académique multilingue, Google publie un taux d’erreur de 5,50 % en direct et de 5,04 % sur fichier pour un sous-ensemble de langues et de régions. Ces nombres ne contredisent pas ceux d’Artificial Analysis : les extraits, les langues et la normalisation ne sont pas les mêmes. Ils rappellent qu’un score de transcription n’a de sens qu’avec son protocole.
Le taux d’erreur sur les mots a aussi une limite éditoriale. Confondre « trente » et « treize » peut avoir plus de conséquences que d’oublier un article, alors que les deux erreurs pèsent de façon proche dans la métrique. Une étude française présentée à COLING a justement proposé de classer les erreurs selon leur gravité et leur effet sur la compréhension, plutôt que de compter seulement les différences orthographiques.
L’agent vocal se rapproche d’une vraie interface
Gemini 3.5 Transcribe ne se limite pas à une API isolée. Google l’utilise dans Rambler, une fonction Android qui transforme une pensée dictée en texte propre dans Gboard. L’utilisateur peut corriger un mot ou changer le style par la voix. Une fonction similaire apparaît dans l’application Gemini sur macOS et doit arriver dans Chrome pour permettre de parler dans n’importe quel champ web.
Le cas le plus révélateur est l’intégration à Google Antigravity, l’environnement agentique de l’entreprise. Avec l’autorisation de l’utilisateur, la transcription peut consulter le contexte de l’écran et l’historique de la conversation afin de reconnaître le nom d’un fichier, un terme technique ou l’étape sur laquelle travaille l’agent. La voix devient alors une commande située dans un contexte, et non un simple clavier acoustique.
Il faut néanmoins distinguer les couches. La fiche de l’API de transcription indique que le modèle spécialisé ne prend pas lui-même en charge l’appel de fonctions. Dans l’application Gemini sur macOS, Google orchestre en arrière-plan d’autres modèles capables d’analyser un fichier, de lancer une recherche ou de générer une image. La transcription comprend et nettoie la demande ; une autre composante exécute l’action.
Cette architecture ouvre un marché important. Un logiciel de support peut transcrire un appel puis transmettre le texte à un agent qui recherche un dossier. Un outil de développement peut reconnaître une commande prononcée tout en observant le fichier actif. Une application de réunion peut attribuer les interventions, produire des repères temporels et préparer un résumé. La qualité du premier maillon devient décisive : un agent qui reçoit le mauvais nom, le mauvais montant ou une négation supprimée exécute ensuite correctement une mauvaise consigne.
Un prix qui favorise les usages à grande échelle
Google affiche un tarif estimé d’environ 0,005 dollar par minute pour un fichier et 0,009 dollar par minute pour la version en direct, en additionnant l’entrée audio et la sortie texte selon une consommation moyenne. À ce niveau, une heure enregistrée revient à environ 30 centimes hors autres traitements ; une heure en direct, à environ 54 centimes.
Ces montants sont des estimations fondées sur le nombre de tokens audio et textuels. Un pipeline complet coûte davantage s’il ajoute un résumé, une recherche, un stockage, une traduction ou un agent. Ils placent néanmoins la transcription dans une zone où de très grands volumes d’appels, de vidéos ou de réunions deviennent économiquement accessibles.
Le régime des données compte autant que le prix. La page tarifaire de Google indique que les contenus du niveau gratuit peuvent servir à améliorer ses produits, tandis que les contenus du niveau payant ne sont pas utilisés à cette fin. Une organisation qui traite des conversations professionnelles, médicales ou confidentielles doit donc choisir l’offre appropriée, examiner les règles de conservation et ne pas se contenter de la présence d’une API.
La préversion publique ajoute une autre réserve. Les limites, les interfaces et le comportement peuvent évoluer. Une application de production doit conserver les fichiers d’origine lorsque le droit le permet, tester sa propre population d’utilisateurs et prévoir une validation humaine pour les champs à fort enjeu.
Nettoyer la parole peut aussi effacer une information
La suppression des hésitations rend un courriel plus lisible, mais une hésitation peut être signifiante. Dans une enquête, un entretien de recherche, une séance parlementaire ou un compte rendu clinique, les pauses, répétitions et autocorrections peuvent montrer l’incertitude, le stress ou la manière dont une réponse s’est construite. Transformer automatiquement la parole en prose lisse risque de donner à la déclaration une assurance qu’elle n’avait pas.
Le même problème apparaît avec la normalisation. Convertir des nombres, ponctuer une phrase ou choisir entre deux graphies implique une interprétation. Pour les sous-titres grand public, ce choix améliore généralement l’expérience. Pour une citation publiée, une preuve ou une instruction médicale, il faut pouvoir revenir à l’audio et signaler que le texte a été nettoyé.
L’accessibilité ne se mesure pas non plus au nombre de langues dans une fiche produit. Les travaux récents sur la reconnaissance vocale montrent des écarts persistants pour la parole dysarthrique et les langues peu dotées. Une étude publiée en 2026 dans AI & Society rapporte que des systèmes très performants sur une parole standard peuvent dépasser 50 % d’erreurs sur certaines paroles non normatives. Google affirme mieux gérer les accents et le bruit, mais ne publie pas encore de détail pour chaque langue, accent, handicap de parole ou environnement sonore.
Le progrès technique est réel ; la généralisation demande des évaluations locales. Une entreprise française devrait mesurer séparément les réunions en français, les noms propres de ses clients, les accents présents dans ses équipes et ses conditions acoustiques. Le meilleur score moyen ne remplace pas un test sur les conversations que le service transcrira réellement.
La voix devient une couche d’action, pas seulement du texte
Gemini 3.5 Transcribe n’invente pas la reconnaissance vocale. Sa portée vient de l’assemblage : faible latence, multilinguisme, vocabulaire personnalisé, nettoyage, contexte applicatif et orchestration avec des agents. La dictée cesse d’être une fonction périphérique pour devenir une porte d’entrée vers le logiciel.
Le succès du modèle ne se jugera donc pas seulement à son taux moyen d’erreur. Il faudra observer sa fiabilité sur les langues moins représentées, sa capacité à distinguer de nombreux locuteurs, la stabilité de ses API et la façon dont les produits exposent la différence entre verbatim et texte réécrit. Il faudra surtout vérifier que l’utilisateur garde la possibilité d’écouter, de corriger et de comprendre ce qui a été transformé.
Google avait déjà rapproché les langues avec Gemini 3.5 Live Translate et ouvert une autre voie d’accès avec son modèle de langue des signes vers le texte. Transcribe complète cette stratégie : faire de la parole un moyen de piloter directement les applications. Le prochain enjeu n’est plus seulement que la machine entende bien. C’est qu’elle sache quand recopier fidèlement, quand aider à reformuler et quand ne rien corriger sans demander.
Références
- Google — présentation de Gemini 3.5 Transcribe, 26 août 2026.
- Google AI for Developers — fiche technique et limites du modèle, août 2026.
- Google AI for Developers — guide de transcription audio, août 2026.
- Google AI for Developers — tarifs de Gemini 3.5 Transcribe, août 2026.
- Artificial Analysis — méthodologie du benchmark AA-WER v2.0, 2026.
- ACL Anthology — évaluer la gravité des erreurs de transcription en français, COLING 2025.
- AI & Society — limites de la reconnaissance vocale pour les troubles de la parole et les langues peu dotées, 2026.
