Kalian pasti pernah berada di posisi ini: mencoba fitur speech-to-text saat terburu-buru, lalu hasilnya malah berantakan hanya karena kalian sempat mengucapkan kata "anu", tersedak hening, atau merevisi kalimat di tengah jalan. Kebanyakan alat konversi suara ke teks konvensional memang gampang tersedak saat dihadapkan pada background noise, jargun teknis yang rumit, hingga kebiasaan bicara manusia yang sering tidak teratur. Melihat masalah kronis ini, Google meluncurkan Gemini 3.5 Transcribe: Speech-to-Text AI Baru dari Google yang diklaim siap mengubah total cara kita berinteraksi dengan audio lewat kecerdasan kontekstual dan pembersihan teks secara real-time.
Ini bukan sekadar model pemroses suara yang menelan audio lalu menumpahkan string kata mentah. Google merancang model ini agar paham niat (intent) pengguna, mampu membersihkan filler words, hingga menjalankan perintah kompleks ke model AI lainnya.
Bukan Sekadar Dikte Biasa: Mengeliminasi "Um", "Ah", dan Koreksi Otomatis
Masalah terbesar dari model speech-to-text generasi lama adalah kepolosannya. Jika kalian mengucapkan "kita ketemu hari Selasa, eh bukan, Rabu", model lama akan mengetik seluruh kalimat salah tersebut secara harfiah.
Di sinilah letak lompatan dari model baru ini. Melalui fitur seperti Rambler yang disematkan di Android, model ini secara cerdas melakukan koreksi mandiri (self-correction). Jika pembicara meralat ucapannya, sistem langsung menyesuaikan output teks menjadi rapi tanpa menyisakan potongan draf yang salah. Kata-kata pengisi seperti "um" atau "ah" otomatis dibuang, sementara format teks langsung dirapikan di tempat.
Lebih jauh lagi, model ini dibekali fitur custom vocabulary. Bagi pengembang atau profesional yang berurusan dengan alphanumeric entities yang rewel seperti kode pos, ID pesanan, hingga istilah jargon industri medis dan teknologi, model ini mampu beradaptasi agar tidak salah mengeja kata-kata unik tersebut.
Performa Spesifikasi: Lompatan Jauh dari Chirp 3
Jika bicara soal angka, klaim performa yang dibawakan model ini tidak main-main. Berdasarkan pengujian Artificial Analysis, model ini mampu menembus angka Word Error Rate (WER) hingga 4.0% untuk skenario streaming dan 2.6% untuk skenario non-streaming.
Jika dibandingkan dengan model generasi sebelumnya dari Google, yaitu Chirp 3, ada peningkatan dramatis dari sisi latency. Waktu yang dibutuhkan hingga hasil transkripsi final keluar (time to final transcription) dipangkas hingga 70%. Sementara pada pengujian benchmark FLEURS di berbagai bahasa utama, model ini berhasil mencetak WER 5.50% pada mode streaming dan 5.04% pada mode non-streaming.
Berikut adalah perbandingan ringkas spesifikasi teknis dan mode operasional yang ditawarkan:
| Parameter / Fitur | Mode Streaming Live | Mode Pemrosesan Rekaman |
|---|---|---|
| Endpoint API | gemini-3.5-transcribe-live | gemini-3.5-transcribe |
| Karakteristik Latency | Sub-second latency (interaktif) | Berfokus pada presisi dan konteks mendalam |
| WER (Artificial Analysis) | 4.0% | 2.6% |
| WER (FLEURS Benchmark) | 5.50% | 5.04% |
| Atribusi Pembicara | Fokus pada streaming satu/dua arah | Hingga 3 pembicara (3+ eksperimental) |
| Fitur Detail Teks | Pembersihan disfluensi real-time | Word-level timestamps & log panggilan |
Model ini juga membawa dukungan bahasa global yang luas, mencakup lebih dari 85 bahasa secara otomatis, lengkap dengan pemahaman terhadap aksen regional maupun perpindahan bahasa secara langsung (live language switches).
Dua Varian API untuk Workflow Developer
Bagi para developer yang ingin mengintegrasikan kemampuan ini ke dalam aplikasi mereka, Google menyediakan dua pintu masuk utama melalui Gemini API di Google AI Studio dan Gemini Enterprise Agent Platform.
Pertama, ada API gemini-3.5-transcribe-live. Pintu ini dirancang untuk aplikasi interaktif yang membutuhkan komunikasi dua arah tanpa jeda. Dengannya, pembuatan voice agent, alat kation otomatis secara real-time, hingga platform perpesanan suara bisa berjalan mulus. Platform seperti Livekit bahkan sudah memanfaatkan infrastruktur ini untuk mempermudah pengembang membangun antarmuka berbasis suara.
Kedua, ada API gemini-3.5-transcribe untuk pemrosesan file audio rekaman. Pintu ini sangat cocok untuk pipeline analisis pasca-panggilan, riset, hingga rekap rapat. Kelebihannya terletak pada word-level timestamps dan pengenalan atribusi pembicara (speaker attribution) yang presisi.
Ekosistem Google: Dari Vibe Coding sampai Antigravity
Integrasi model ini tidak berhenti di tataran API untuk pengembang saja. Google langsung menyuntikkannya ke dalam berbagai lini produk harian mereka.
Di platform Google Antigravity, model ini memanfaatkan konteks layar (screen context) dan riwayat chat untuk menangkap nama file, ide agen, hingga dokumen aktif. Ini memungkinkan developer melakukan vibe coding atau menyusun draf aplikasi secara langsung cukup dengan perintah suara.
Di lingkungan macOS melalui aplikasi Gemini, model ini bahkan mampu melakukan delegasi tugas (function calls) ke model AI Gemini lainnya. Jadi, sewaktu kalian berbicara, sistem tidak cuma mengetik, tapi bisa diperintah untuk merangkum file lokal, memindahkan teks antar aplikasi, hingga membuat gambar secara instan di area kursor.
Umpan balik dari pemain industri seperti Vivo, Intellitek Health, dan Lingopal juga mengonfirmasi bahwa keunggulan latency, akurasi jargon, dan dukungan multi-bahasa dari model ini memberikan dorongan performa yang signifikan untuk produk mereka.
Langkah Google merilis model ini menegaskan satu hal: interaksi suara tidak boleh lagi terasa canggung. Dengan pemangkasan latency yang agresif serta kemampuan memahami konteks pembicaraan manusia yang berantakan, dikte suara kini berpotensi menjadi opsi utama navigasi digital, bukan sekadar fitur pelengkap yang dihindari.
Referensi
- https://arstechnica.com/ai/2026-08/google-announces-gemini-3-5-transcribe-for-ai-powered-speech-to-text/
- https://blog.google/innovation-and-ai/models-and-research/gemini-models/gemini-3-5-transcribe/