Gemini 3.5 Transcribe: WER 2,6% dan Dukung 85+ Bahasa

Kalian pernah rapat panjang, terus pusing bikin notulen dari rekaman yang penuh "eh", "anu", dan kalimat yang dipotong di tengah? Google baru rilis model transkripsi yang katanya bisa beresin itu otomatis, sebelum kalian sempat buka Notion.

Apa yang baru

• Dua jalur API: Gemini 3.5 Transcribe dipecah jadi dua produk — Live API (gemini-3.5-transcribe-live) buat streaming real-time dengan latensi di bawah satu detik, dan Interactions API (gemini-3.5-transcribe) buat audio rekaman lama dengan speaker attribution dan timestamp per kata.
• Akurasi terukur: model ini mencetak Word Error Rate — persentase kata yang salah ditranskrip, makin kecil makin bagus — sebesar 4,0% di mode streaming dan 2,6% di mode non-streaming, diukur oleh Artificial Analysis.
• 85+ bahasa otomatis: deteksi bahasa jalan sendiri, termasuk aksen regional dan dialek, plus dukungan custom vocabulary buat istilah khusus dan nama yang aneh dieja standar.
• Smart transcription: model ini otomatis motong kata pengisi kayak "eh" dan "anu", ngerapiin kalimat yang dikoreksi sendiri di tengah bicara ("ketemu Selasa — eh, Rabu"), dan format teksnya otomatis.
• Multi-speaker identification: bisa bedain sampai tiga pembicara dalam satu rekaman lengkap dengan timestamp; dukungan lebih dari tiga orang masih tahap eksperimental.

Cara kerjanya

Bayangin dua alat beda kegunaan: Live API itu kayak walkie-talkie — ngobrol dua arah, langsung, dipakai buat voice agent atau caption yang muncul pas orang lagi ngomong. Interactions API itu kayak tukang transkrip yang dengerin rekaman rapat kemarin, terus kasih catatan siapa ngomong apa dan kapan.

Di produk konsumer Google sendiri, model ini udah jalan lewat fitur Rambler di Gboard Android — kalian ngomong, teksnya keluar rapi tanpa "um" dan "ah" — dan di app Gemini macOS, yang bisa manggil model Gemini lain buat ngerjain tugas kayak bikin gambar atau ringkas file, cukup lewat suara.

Kenapa ini penting

Buat developer Indonesia yang selama ini nunggu API speech-to-text yang ngerti logat lokal, ini kabar konkret — 85 bahasa dengan deteksi otomatis berarti gak perlu training model sendiri buat nangkep aksen daerah. Akses lewat Google AI Studio juga berarti gak ada drama kartu kredit US khusus yang biasanya jadi penghalang buat tim kecil yang mau eksperimen.

Ini juga nyambung ke tren yang lagi jalan di ekosistem Gemini API — Google baru aja upgrade Managed Agents dengan rem dan anggaran buat agent yang jalan otomatis, dan sekarang transkripsi jadi salah satu blok bangunan buat voice agent yang bisa didengar dan langsung dieksekusi. Buat bisnis yang ngandalin call center atau customer support suara, post-call analytics yang otomatis motong filler words berarti tim QA gak perlu dengerin rekaman mentah dari awal sampai akhir lagi.

Buat kalian

• Yang harus peduli: kalian yang lagi bangun voice agent, aplikasi captioning real-time, atau pipeline analisis panggilan customer service — dua API ini langsung kepake tanpa harus bangun infrastruktur streaming sendiri.
• Yang boleh santai: kalau produk kalian belum ada komponen suara sama sekali, gak perlu buru-buru pindah — ini bukan pengganti text-to-text yang udah jalan buat kalian.
• Langkah kecil pertama: buka Google AI Studio, upload satu sampel audio bahasa Indonesia dengan logat daerah, dan bandingin hasil Interactions API sama transkrip manual kalian sendiri.

Model secanggih apa pun cuma alat — yang bikin bedanya adalah kejelasan proses kalian sebelum bahan mentah itu masuk: definisi tugas yang presisi, standar kualitas yang diukur, bukan sekadar "coba dulu aja". Itu yang gw latih bareng murid-murid di kelas gw.

Sumber primer: blog resmi Google DeepMind, "Intelligent transcription with Gemini 3.5 Transcribe" — https://deepmind.google/blog/intelligent-transcription-with-gemini-3-5-transcribe/