RADAR KUDUS - Google resmi memperkenalkan Gemini 3.5 Transcribe, model kecerdasan buatan baru yang dirancang untuk mengubah percakapan suara menjadi teks secara lebih akurat sekaligus memahami konteks ucapan. Google menyebutnya sebagai model speech-to-text paling presisi yang pernah mereka buat.
Berbeda dari sistem transkripsi konvensional yang cenderung menyalin setiap kata apa adanya, Gemini 3.5 Transcribe dirancang untuk menghasilkan teks yang lebih siap digunakan. Model ini dapat menghilangkan kata pengisi seperti “eh” atau “hmm”, mengenali ketika pembicara mengoreksi ucapannya sendiri, serta melakukan pemformatan secara otomatis.
Google menjelaskan, kemampuan tersebut dibuat agar AI tidak sekadar “mendengar” suara, tetapi juga menangkap cara manusia berbicara secara alami. Dalam pengumuman resminya, Google menyebut Gemini 3.5 Transcribe sebagai “our most precise speech-to-text model yet” atau model speech-to-text paling presisi yang mereka miliki sejauh ini.
Baca Juga: Samsung Galaxy S26 FE vs S25 FE: Bukan Cuma Ganti Chipset, Ini Upgrade yang Dibawa
Salah satu kemampuan yang menjadi pembeda adalah pemrosesan ucapan yang tidak selalu rapi. Misalnya, ketika seseorang mengatakan sebuah kalimat kemudian langsung memperbaikinya, model dapat memahami koreksi tersebut dan menghasilkan transkripsi yang lebih bersih, bukan sekadar menyalin seluruh ucapan mentah.
Gemini 3.5 Transcribe juga mendukung transkripsi secara langsung dengan latensi kurang dari satu detik. Untuk audio yang sudah direkam, model dapat memberikan informasi mengenai pembicara sekaligus timestamp hingga tingkat kata. Fitur ini membuatnya relevan untuk kebutuhan seperti rapat, wawancara, rekaman percakapan, hingga analisis panggilan.
Dari sisi bahasa, Google menyatakan Gemini 3.5 Transcribe mampu mendeteksi dan mentranskripsikan lebih dari 85 bahasa. Model tersebut juga dirancang untuk menghadapi variasi aksen, dialek, serta istilah khusus melalui dukungan custom vocabulary. Untuk rekaman yang melibatkan banyak orang, sistem dapat mengidentifikasi hingga tiga pembicara. Dukungan untuk lebih dari tiga pembicara masih berada dalam tahap eksperimental.
Klaim akurasi menjadi salah satu aspek yang paling ditekankan Google. Berdasarkan pengukuran Artificial Analysis yang dikutip perusahaan, Gemini 3.5 Transcribe mencatat Word Error Rate (WER) rata-rata 4 persen untuk penggunaan streaming dan 2,6 persen untuk audio yang sudah direkam. Dalam metrik WER, angka yang lebih rendah menunjukkan tingkat kesalahan transkripsi yang lebih kecil.
Baca Juga: 8 Aplikasi Streaming TV Legal 2026 yang Bisa Ditonton Lewat HP, Ada yang Gratis
Google juga membandingkan kemampuan model tersebut dengan Chirp 3, model transkripsi sebelumnya. Perusahaan menyatakan Gemini 3.5 Transcribe memberikan peningkatan kemampuan, termasuk penurunan latensi. Pada pengukuran tertentu, waktu hingga transkripsi final disebut meningkat kecepatannya sebesar 70 persen dibandingkan Chirp 3.
Kehadiran Gemini 3.5 Transcribe tidak hanya ditujukan untuk pengembang. Teknologi tersebut sudah digunakan dalam sejumlah produk Google. Di Android, kemampuan ini mendukung fitur Rambler pada Gboard yang memungkinkan pengguna mengubah ucapan menjadi teks lebih terstruktur, menghapus kata pengisi, memperbaiki kesalahan, hingga mengubah gaya tulisan menggunakan suara.
Pada aplikasi Gemini untuk macOS, kemampuan transkripsi tersebut dapat digunakan untuk mengubah ucapan alami menjadi teks sekaligus menjalankan perintah berbasis suara dengan mempertimbangkan konteks layar. Google juga menyatakan dukungan untuk Chrome sedang disiapkan sehingga pengguna nantinya dapat menggunakan suara untuk mengetik pada berbagai kolom di situs web.
Bagi pengembang, Gemini 3.5 Transcribe tersedia dalam status public preview melalui Gemini API di Google AI Studio dan Google Antigravity. Google juga menyediakan akses untuk kebutuhan perusahaan melalui Gemini Enterprise Agent Platform. Model tersebut dapat digunakan untuk membangun agen suara, alat teks otomatis secara real-time, hingga sistem analisis setelah percakapan atau panggilan selesai.
Secara teknis, Google menyediakan dua jalur penggunaan. Real-time streaming menggunakan Live API dengan model gemini-3.5-transcribe-live, sedangkan audio yang sudah direkam diproses melalui Interactions API menggunakan gemini-3.5-transcribe. Pemisahan ini memungkinkan pengembang memilih model sesuai kebutuhan, baik untuk percakapan langsung maupun pengolahan rekaman.
Dengan demikian, daya tarik utama Gemini 3.5 Transcribe bukan semata-mata kemampuan mengubah suara menjadi teks. Google mencoba membawa teknologi transkripsi ke tahap yang lebih kontekstual, yakni memahami ucapan yang tidak sempurna, merapikannya, mengenali istilah khusus, membedakan pembicara, dan menghasilkan teks yang lebih siap digunakan.
Meski Google menyebutnya sebagai model speech-to-text paling presisi yang pernah dibuatnya, angka akurasi tersebut tetap merupakan hasil pengukuran pada metodologi dan kondisi pengujian tertentu. Karena itu, klaim tersebut lebih tepat dipahami sebagai klaim performa dari Google berdasarkan pengujian yang mereka rujuk, bukan jaminan bahwa setiap rekaman akan bebas dari kesalahan.
Editor : Mahendra Aditya