// TOM'S HARDWARE ITALIA — INTELLIGENZA ARTIFICIALE
Gemini 3.5 Transcribe, speech-to-text quasi gratis
Google ha lanciato il 26 agosto Gemini 3.5 Transcribe, il nuovo modello di trascrizione disponibile in public preview su Gemini API, AI Studio e Gemini Enterprise Agent Platform. L'azienda dichiara un tasso di errore sulle parole (WER) del 2,6% in modalità non-streaming e del 4,0% in streaming, misurato da Artificial Analysis, con un miglioramento del 70% nel tempo di trascrizione finale rispetto al predecessore Chirp 3. Il modello, come presentato nel post di lancio, copre oltre 85 lingue, dall'italiano al vietnamita.
Il blog aziendale di Google ribadisce questi numeri lo stesso giorno del lancio, segno di quanto l'azienda punti sul dato tecnico per aprire la partita. Google aveva già portato la trascrizione delle riunioni dentro Meet due anni fa: Gemini 3.5 Transcribe è il passo successivo, rivolto agli sviluppatori invece che agli utenti finali di Workspace. Il posizionamento di prezzo, però, riguarda anche chi non userà mai direttamente Gemini per trascrivere un audio: tocca l'intero mercato dei fornitori specializzati che vivono solo di questo.
Un fornitore dedicato può vantare mezzo punto di WER in meno; il contratto si decide comunque sul conto a fine mese, in dollari per ora trascritta.
Un'analisi indipendente calcola un costo di circa 0,005 dollari al minuto in modalità blended per Gemini 3.5 Transcribe, l'equivalente di 0,30 dollari l'ora. È una cifra che si colloca dentro, o sotto, la fascia dei fornitori nati specificamente per la trascrizione: AssemblyAI fattura da 0,21 a 0,45 dollari l'ora per il suo Universal-3 Pro, con un WER dichiarato del 5,6%, mentre Deepgram si muove tra 0,29 e 0,47 dollari equivalenti con Nova-3. Anche gpt-4o-transcribe di OpenAI, a circa 0,006 dollari al minuto, resta sopra questa soglia.
Whisper Large v3 Turbo dichiara un WER del 2,1%, ma il dato arriva da LibriSpeech, una prova in inglese non comparabile a quella usata da Google per Gemini. Il modello di OpenAI gira gratis in locale, con il solo costo dell'hardware: per chi ha già GPU disponibili resta l'opzione più economica in assoluto, a patto di gestire da sé infrastruttura, aggiornamenti e manutenzione del sistema.
Un fornitore cloud gestito, come Google o AssemblyAI, fattura ogni mese e si occupa da solo di scalabilità e continuità del servizio. Un modello aperto eseguito in locale scarica quel compito sul team interno, insieme al risparmio: nessun costo per minuto trascritto, ma qualcuno che deve tenere in piedi server e aggiornamenti.
Sui set multilingue FLEURS, Gemini 3.5 Transcribe segna 5,04% e 5,50% di WER nelle due modalità. Sono numeri buoni, ma arrivano da un comunicato aziendale, misurati su condizioni scelte dal fornitore stesso. Un'analisi di settore ha avvertito che i WER dichiarati dai fornitori sono auto-selezionati, e che quelli di punta restano quasi sempre entro uno o due punti percentuali l'uno dall'altro.
Il WER misura la percentuale di parole trascritte in modo diverso da una trascrizione umana di riferimento, quasi sempre in condizioni di laboratorio. Due persone che parlano insieme, un accento marcato o un microfono scadente in sala riunioni fanno crollare quel numero, ed è lì che si gioca la differenza reale tra un fornitore e l'altro.
Un confronto indipendente tra Gemini e la concorrenza diretta, in condizioni identiche, ancora non esiste: il modello è pubblico da un giorno. Chi valuta un cambio di fornitore farà bene ad aspettare test di terze parti prima di spostare un carico di lavoro in produzione, invece di fidarsi del numero pubblicato il giorno del lancio.
Il mercato della trascrizione basata su AI è stimato in crescita da 4,5 a 19,2 miliardi di dollari fra il 2024 e il 2034, un CAGR del 15,6% secondo un report di settore. Lo stesso report misura però l'accuratezza reale dell'AI in condizioni difficili, come rumore di fondo, accenti marcati e sovrapposizioni di voce, solo al 61,92%: un dato che ridimensiona parecchio i WER da comunicato stampa, compresi quelli appena pubblicati da Google.