O Google anunciou nesta quarta-feira (26) uma nova geração de modelos de áudio para o Gemini, com foco em tornar as conversas em tempo real mais naturais. A principal mudança está na capacidade de lidar melhor com interrupções, pausas e correções durante uma conversa por voz.
A novidade busca resolver uma das limitações mais perceptíveis dos assistentes de inteligência artificial: quando o usuário tenta falar enquanto a IA ainda está respondendo. Com os novos recursos, o Gemini deve conseguir identificar melhor quando a pessoa quer interromper, acrescentar uma informação ou mudar o rumo da conversa.
O anúncio também inclui o Gemini 3.5 Transcribe, modelo desenvolvido para transformar áudio em texto com maior precisão e organização. A tecnologia reconhece mais de 85 idiomas e traz recursos voltados a reuniões, entrevistas, gravações e outras situações em que a transcrição de voz é necessária.
Leia mais:
TJSP aplica pela primeira vez cassação de aposentadoria após entendimento do STF
O que muda nas conversas por voz do Gemini?
A principal evolução está na maneira como o Gemini interpreta uma conversa contínua.
Até agora, uma interrupção durante uma resposta poderia fazer o assistente perder parte do contexto, ignorar a intervenção ou continuar falando enquanto o usuário tentava explicar alguma coisa. Pequenas pausas também poderiam ser interpretadas como o fim da fala.
Esse comportamento torna a interação pouco natural. Em uma conversa entre duas pessoas, é comum alguém interromper, corrigir uma frase, pedir mais detalhes ou mudar de assunto antes que o interlocutor termine.
A nova geração de áudio pretende aproximar o Gemini desse comportamento. O sistema passa a analisar o áudio de maneira mais contínua, identificando intervenções e ajustando a resposta conforme a conversa evolui.
Gemini 3.5 Live chega com foco em interações em tempo real
O Google apresentou duas versões voltadas às interações por voz: Gemini 3.5 Live e Gemini 3.5 Live Experimental.
A primeira é direcionada a conversas em tempo real e busca melhorar a troca de turnos entre usuário e inteligência artificial. Na prática, isso significa reduzir situações nas quais a pessoa precisa esperar vários segundos para conseguir falar novamente.
A versão Experimental adiciona recursos voltados para tarefas mais complexas, incluindo a possibilidade de explicar etapas durante a resolução de determinadas atividades.
A proposta é transformar o Gemini Live em algo menos parecido com um sistema de comandos e mais próximo de uma conversa contínua.
Por que interromper a inteligência artificial é tão importante?
A interrupção parece uma função simples, mas representa um desafio técnico considerável.
Sistemas tradicionais precisam determinar quando uma pessoa terminou de falar para começar a produzir uma resposta. O problema é que o silêncio nem sempre significa que a frase terminou.
Uma pessoa pode parar por alguns segundos para pensar, respirar ou procurar uma palavra. Também pode começar uma frase, perceber um erro e corrigi-la imediatamente.
Se a inteligência artificial interpretar qualquer pausa como o fim da fala, ela poderá responder antes da hora. Se esperar demais, a conversa ficará lenta.
O objetivo dos novos modelos é encontrar um equilíbrio melhor entre esses dois comportamentos.
Google também apresentou o Gemini 3.5 Transcribe
Outra novidade anunciada pelo Google é o Gemini 3.5 Transcribe, modelo especializado em reconhecimento e transcrição de áudio.
Segundo a empresa, ele consegue reconhecer mais de 85 idiomas, além de lidar com termos especializados e vocabulários personalizados. Esse último recurso pode ser particularmente útil para nomes próprios, expressões técnicas, marcas e palavras que normalmente confundem sistemas de reconhecimento de voz.
O modelo também consegue organizar automaticamente a transcrição, incluindo pontuação e formatação.
Modelo remove vícios de linguagem durante a transcrição
Uma das funções mais interessantes do Gemini 3.5 Transcribe é a capacidade de remover determinados vícios de linguagem.
Expressões como “hum” e “ahn”, comuns na fala espontânea, podem ser eliminadas durante a criação do texto final. O resultado é uma transcrição mais limpa e adequada para leitura.
O sistema também consegue interpretar autocorreções.
Por exemplo, se uma pessoa disser que uma reunião acontecerá “na terça-feira, não, na quarta”, a tecnologia pode compreender que a segunda informação corrige a primeira.
Isso diferencia o modelo de uma simples ferramenta que transforma cada palavra do áudio em texto.
Gemini consegue identificar diferentes participantes
O novo modelo também traz recursos para gravações com mais de uma pessoa.
O sistema consegue separar até três participantes e atribuir as respectivas falas durante a transcrição. Também é possível adicionar marcações de tempo para cada palavra.
A função pode ser útil para entrevistas, reuniões, aulas, chamadas e outros conteúdos gravados.
Em uma reunião, por exemplo, o usuário pode obter um documento organizado com a indicação de quem falou e em qual momento determinado trecho foi registrado.
Novidades chegam primeiro para desenvolvedores
Apesar do anúncio envolver tecnologias que podem melhorar diretamente o Gemini, a distribuição não acontece de uma única vez para todos os usuários.
Os novos recursos chegam inicialmente às ferramentas destinadas a desenvolvedores, como a Gemini API, o Google AI Studio e o Antigravity.
Isso permite que empresas e desenvolvedores comecem a incorporar os modelos em seus próprios aplicativos antes de uma expansão mais ampla para produtos voltados ao público geral.
Por isso, a existência do novo modelo não significa necessariamente que todos os usuários do Gemini já tenham acesso às mesmas funções.
O que muda para quem usa o Gemini Live?
Para o usuário comum, a principal diferença esperada está na fluidez.
Imagine que uma pessoa esteja conversando com o Gemini sobre uma viagem. O assistente começa a explicar um roteiro, mas o usuário percebe que esqueceu de mencionar uma restrição e o interrompe.
Em vez de continuar a resposta original ou exigir que o usuário espere, a nova tecnologia deve conseguir reconhecer a intervenção e incorporar a informação à conversa.
O mesmo vale para pedidos como “espera”, “não é isso”, “volta um pouco” ou “me explica essa parte melhor”.
São pequenas interações que fazem diferença na percepção de naturalidade de um assistente de voz.
A novidade também pode ajudar em ambientes barulhentos
Outro possível benefício está na capacidade de lidar com condições menos controladas.
Conversas reais raramente acontecem em ambientes completamente silenciosos. Há ruídos, outras pessoas falando, hesitações e mudanças de volume.
Gostou? Siga o Seu Crédito Digital no Google e receba notícias de benefícios, INSS e crédito em primeira mão.
+311 mil seguidores
Uma tecnologia de áudio mais sofisticada pode interpretar melhor esse tipo de situação e reduzir respostas causadas por falsos finais de fala.
Em ambientes com várias pessoas, entretanto, ainda existem limitações. Identificar corretamente quem está falando e separar diferentes vozes continua sendo um desafio para sistemas de áudio.
Google e OpenAI disputam o futuro da voz
A evolução do Gemini acontece em meio a uma disputa cada vez maior entre as principais empresas de inteligência artificial.
A OpenAI também vem investindo em conversas de voz capazes de funcionar de maneira mais contínua, permitindo que o usuário interrompa o sistema e fale naturalmente durante uma resposta.
A competição deixa de estar concentrada apenas em quem possui o melhor modelo para escrever textos ou responder perguntas.
Agora, a experiência de conversar com a IA também se tornou um dos principais campos de disputa.
Quem conseguir fazer a inteligência artificial entender melhor pausas, interrupções, correções e contexto terá uma vantagem importante na construção de assistentes que realmente possam ser utilizados durante atividades cotidianas.
O Gemini 3.5 Transcribe pode ser usado para quais tarefas?
A tecnologia de transcrição abre possibilidades que vão além do Gemini Live.
Entre os usos estão:
- transcrição de entrevistas;
- registro de reuniões;
- transformação de aulas em texto;
- criação de anotações;
- transcrição de chamadas;
- processamento de conteúdo em diferentes idiomas;
- identificação de participantes;
- organização automática de textos falados.
Para desenvolvedores, o acesso por API também permite criar aplicativos próprios utilizando os recursos de reconhecimento de áudio do modelo.
Quando as novidades estarão disponíveis para todos?
Essa é uma das principais dúvidas após o anúncio.
A disponibilidade depende do produto e da plataforma. Os recursos destinados a desenvolvedores começam a chegar antes, enquanto a integração das novas tecnologias ao Gemini usado pelo público pode ocorrer gradualmente.
O Google também trabalha na expansão desses recursos para diferentes produtos e plataformas.
Portanto, usuários que ainda não encontrarem as novas funções no Gemini não necessariamente estão com o aplicativo desatualizado. A liberação pode depender da região, idioma, plataforma e estágio de distribuição do recurso.
O que esperar do futuro do Gemini?
O anúncio mostra uma mudança importante na estratégia do Google. A empresa não está apenas tentando fazer o Gemini responder melhor, mas também tornar a interação com ele mais natural.
A voz pode se transformar em uma das principais interfaces para utilizar inteligência artificial. Em vez de formular comandos cuidadosamente, o usuário poderá conversar, interromper, corrigir e continuar a explicação de maneira espontânea.
O Gemini 3.5 Transcribe representa uma parte dessa transformação ao melhorar a compreensão e organização do áudio. Já os avanços no Gemini Live apontam para uma experiência em que a IA acompanha a conversa em tempo real.
Conclusão
A nova geração de áudio do Gemini representa um avanço na tentativa de tornar os assistentes de inteligência artificial menos rígidos durante conversas por voz. O Gemini 3.5 Live e sua versão Experimental foram apresentados com foco em interações mais naturais, enquanto o Gemini 3.5 Transcribe amplia as possibilidades de transformar áudio em texto, com suporte a mais de 85 idiomas, vocabulário personalizado, remoção de vícios de linguagem e identificação de participantes.
Por enquanto, parte importante das novidades está concentrada nas ferramentas para desenvolvedores, e a chegada aos usuários do Gemini deve acontecer de maneira gradual. A tendência, porém, é clara: a próxima geração de assistentes de IA não dependerá apenas de respostas inteligentes. Ela precisará saber ouvir, entender quando foi interrompida e acompanhar uma conversa da mesma forma que uma pessoa faria.
