Mis à jour le 29 août 2026
Gemini 3.5 Transcribe est le modèle de reconnaissance vocale de Google, chargé de convertir la parole en texte propre, ponctué et mis en forme. Un palier gratuit existe dans Google AI Studio, l'API se facturant ensuite au volume d'audio traité. Le modèle détecte de lui-même plus de 85 langues, dont le français, et alimente déjà la dictée Rambler sur Android ainsi que l'application Gemini sur macOS. Développeurs d'applications vocales et gros adeptes de la dictée sont les premiers visés.
Gemini 3.5 Transcribe propose deux styles de sortie, un mode verbatim qui conserve chaque hésitation et un mode smart qui nettoie le discours avant de l'écrire. Vous dictez « on se voit mardi, non, mercredi » et seul mercredi survit dans le texte final, pendant que les euh s'évaporent (personne ne portera le deuil).
Le reste se joue dans les détails techniques, et ils changent la vie des transcripteurs. Là où la reconnaissance vocale classique restitue la parole telle quelle, ce modèle se rapproche d'une relecture humaine.
Le modèle affiche un taux d'erreur de mots moyen de 2,6 % sur l'audio préenregistré et de 4 % en streaming, selon les mesures d'Artificial Analysis publiées à son lancement. Face à Chirp 3, son prédécesseur chez Google, le délai d'obtention de la transcription finale recule de 70 %.
La concurrence reste bien réveillée pour autant. À sa sortie, le modèle pointait cinquième du classement non-streaming d'Artificial Analysis, derrière notamment ElevenLabs Scribe v2, et OpenAI facture sa propre transcription de fichiers dans la même gamme de prix. L'atout de Google se situe ailleurs, un seul appel renvoie locuteurs, horodatage et mise en forme, quand d'autres empilent plusieurs briques pour le même résultat.
L'accès passe par l'API Gemini dans Google AI Studio, par la plateforme d'agents de Google Cloud, ou par les produits maison de Google. Sur Android, la dictée Rambler repose déjà dessus, et une arrivée dans Chrome a été annoncée. La version live, elle, vise le sous-titrage en direct et les applications vocales à base d'IA qui exigent une réponse immédiate.
Côté facturation, la minute d'audio revient à environ 0,005 $ en tarif combiné pour les fichiers et autour de 0,009 $ pour le direct, palier gratuit inclus sur les deux points d'accès. Ces montants correspondent à la préversion, vérifiez la page de tarification de Google avant de budgéter quoi que ce soit.
| Point d'accès | Usage type | Limite connue |
|---|---|---|
| gemini-3.5-transcribe | Fichiers audio, réunions, appels enregistrés | 1 heure d'audio par fichier |
| gemini-3.5-transcribe-live | Streaming temps réel, sous-titrage, agents vocaux | Sessions de 10 minutes |
| Rambler sur Android | Dictée nettoyée, édition à la voix | Grand public, sans frais |
| Application Gemini sur macOS | Commandes vocales, recherche, analyse de fichiers | Grand public, sans frais |
Oui pour commencer. Un palier gratuit est disponible dans Google AI Studio, et les usages grand public bâtis sur le modèle, comme Rambler sur Android, ne coûtent rien. Au-delà, l'API se facture au volume d'audio, la transcription de fichiers restant parmi les moins chères des services managés du marché.
Tout dépend de votre infrastructure. Whisper est open source et s'héberge soi-même pour un coût marginal quasi nul, mais il rend un texte brut, sans nettoyage ni identification des locuteurs. Gemini 3.5 Transcribe livre en un seul appel un texte mis en forme, horodaté et attribué, sans serveur à gérer.
Parfaitement. Le français figure parmi les plus de 85 langues détectées automatiquement, et le modèle suit même les conversations qui alternent deux langues dans la même phrase. Google met aussi en avant la gestion des accents régionaux. Seule la documentation reste en anglais, les transcriptions sortent dans la langue parlée.
Trois locuteurs sont attribués de façon fiable sur l'audio préenregistré, horodatage à l'appui. Au-delà de trois, la fonction existe mais Google la classe encore comme expérimentale. Pour une table ronde à six voix, prévoyez donc une relecture attentive du résultat avant diffusion.
Verdict : Des réunions enregistrées aux notes vocales, tout ce qui se dit peut finir en texte lisible sans passage par la case nettoyage, de quoi convaincre les développeurs d'applications vocales autant que les accros de la dictée sur Android.
