- ▸ Une transcription qui ne se contente plus de retranscrire
- ▸ Ce que le modèle sait faire une fois l'enregistrement terminé
- ▸ Un lancement qui arrive pendant que Gemini 3.5 Pro se fait attendre
- ▸ Les modèles Live, ou la transcription en temps réel face à ses propres contraintes
Google a mis en ligne le 26 août 2026 une nouvelle version de son modèle de transcription audio, baptisée Gemini 3.5 Transcribe. Sa promesse : nettoyer automatiquement les hésitations orales — les « um », les « euh », les reprises de phrase — pour livrer un texte lisible sans repasse manuelle, selon les informations rapportées par The Verge. Une fonctionnalité modeste en apparence, mais qui déplace la frontière entre ce qu’un modèle transcrit et ce qu’il réécrit.
Ce qu’il faut retenir – Gemini 3.5 Transcribe supprime automatiquement les mots de remplissage (« um », « euh ») du texte transcrit, une fonctionnalité absente de Chirp 3, le modèle précédent. – Google qualifie cette version d’« avancée majeure » par rapport à Chirp 3, selon les propos relayés par The Verge. – Le modèle permet une édition du texte « naturellement avec juste votre voix », sans passer par un correcteur manuel. – Il peut distinguer jusqu’à trois locuteurs différents dans un enregistrement préexistant et accepter un vocabulaire personnalisé pour des termes techniques ou des orthographes spécifiques. – Le lancement intervient alors que Gemini 3.5 Pro, annoncé pour juin 2026, n’est toujours pas sorti au moment de la publication.
Une transcription qui ne se contente plus de retranscrire
Jusqu’ici, un modèle de transcription avait une mission simple : convertir un flux audio en texte, fidèlement, disfluences comprises. Les « euh », les phrases inachevées puis reprises, les répétitions nerveuses — tout cela finissait dans le document final, à charge pour l’utilisateur de nettoyer à la main avant publication. Gemini 3.5 Transcribe change cette règle du jeu en intégrant le nettoyage éditorial directement dans le pipeline de reconnaissance vocale.
Google présente ce modèle comme le successeur direct de Chirp 3, son architecture de transcription précédente. Dans les explications relayées par The Verge, l’entreprise affirme que Gemini 3.5 Transcribe « represents a major advancement from our previous transcription model, Chirp 3 » — une avancée majeure par rapport à ce modèle antérieur. La formulation reste mesurée : pas de rupture technologique revendiquée, mais un saut qualitatif situé précisément sur l’axe de la lisibilité du texte produit, plutôt que sur la seule précision de reconnaissance des mots prononcés.
Le second axe de nouveauté touche à l’édition elle-même. Google indique que les utilisateurs peuvent désormais « edit naturally with just your voice » — éditer naturellement avec leur seule voix, sans repasser par un clavier ou une interface de correction texte. Concrètement, cela signifie qu’une commande orale peut désormais déclencher une modification du texte transcrit, sans étape intermédiaire de relecture manuelle. C’est ce déplacement — du texte brut vers un texte pré-édité par la machine — qui constitue le véritable changement de périmètre de ce modèle, plus que la performance de reconnaissance vocale à proprement parler.
Ce que le modèle sait faire une fois l’enregistrement terminé
Au-delà de la suppression des tics de langage, Gemini 3.5 Transcribe embarque deux fonctionnalités qui ciblent des usages professionnels précis : l’attribution de la parole entre plusieurs intervenants, et la personnalisation du vocabulaire reconnu.
Sur un enregistrement préexistant — un fichier audio déjà capturé, par opposition à un flux en direct —, le modèle peut identifier et distinguer jusqu’à trois locuteurs différents, selon les informations relayées par The Verge. Pour une réunion à deux ou trois participants, un entretien ou un podcast à format resserré, cela évite le travail fastidieux de réattribution manuelle des répliques que connaissent bien les utilisateurs d’outils de transcription plus anciens. La limite à trois locuteurs signale toutefois un périmètre encore contraint : au-delà, sur une table ronde ou une conférence à plusieurs intervenants, l’attribution automatique atteint ses limites actuelles.
La seconde fonctionnalité, la personnalisation du vocabulaire, répond à un problème récurrent des modèles de reconnaissance vocale généralistes : leur difficulté avec le jargon métier, les noms propres rares ou les orthographes non standard. Un cabinet d’avocats, un service de recherche médicale ou une équipe technique travaillant sur des acronymes internes peuvent désormais fournir un lexique spécifique que le modèle utilisera en priorité au moment de trancher entre plusieurs interprétations phonétiques possibles. C’est une fonctionnalité qui existait déjà, sous des formes plus rudimentaires, chez plusieurs fournisseurs de transcription automatique — mais son intégration native dans un modèle grand public de la famille Gemini élargit son accessibilité.
Voici comment se positionnent les deux générations de modèles de transcription de Google, sur la base des éléments communiqués :
| Caractéristique | Chirp 3 (génération précédente) | Gemini 3.5 Transcribe |
|---|---|---|
| Suppression des mots de remplissage | Non mentionnée dans les communications de Google | Oui, intégrée nativement |
| Édition par commande vocale | Non disponible | Oui — « edit naturally with just your voice » |
| Attribution de la parole | Non précisée | Jusqu’à trois locuteurs sur audio préenregistré |
| Vocabulaire personnalisé | Non précisée | Oui, lexique fourni par l’utilisateur |
| Statut selon Google | Modèle de référence jusqu’en 2026 | Présenté comme une « avancée majeure » sur Chirp 3 |
Ce tableau illustre surtout un déplacement de priorité plus qu’une rupture d’architecture : Google ne communique pas de gain chiffré en taux d’erreur de mots (le « word error rate », mesure standard de la qualité d’une transcription), mais met en avant des fonctionnalités d’usage — fluidité du texte, édition vocale, personnalisation — qui parlent directement aux utilisateurs professionnels plutôt qu’aux seuls benchmarks techniques.
Un lancement qui arrive pendant que Gemini 3.5 Pro se fait attendre
Le calendrier de cette sortie mérite d’être noté. Gemini 3.5 Transcribe est mis en ligne alors que Gemini 3.5 Pro, le modèle de génération de texte le plus attendu de la même famille et promis pour juin 2026, n’était toujours pas disponible au moment de la publication de l’article de The Verge, fin août. Cet écart de plusieurs mois entre l’annonce et la disponibilité effective d’un modèle phare n’est pas propre à Google — il traverse l’ensemble de l’industrie des grands modèles de langage, où les fenêtres de lancement glissent régulièrement d’un trimestre à l’autre sans communication détaillée sur les raisons du retard.
Ce contexte donne à la sortie de Gemini 3.5 Transcribe une couleur particulière. En l’absence du modèle phare attendu, Google avance une mise à jour plus circonscrite, mais immédiatement utilisable, sur un segment — la transcription audio — où la comparaison avec la concurrence se joue moins sur la puissance brute que sur l’ergonomie du résultat produit. Publier une fonctionnalité concrète et démontrable pendant que le produit le plus commenté reste en attente permet de maintenir une actualité de la marque Gemini sans devoir justifier publiquement le calendrier du modèle principal.
Selon les informations disponibles à ce jour, Google n’a pas communiqué de nouvelle date pour la sortie de Gemini 3.5 Pro. Des mises à jour supplémentaires sont par ailleurs annoncées pour les versions Live et Experimental de Gemini Audio, sans qu’aucune date de disponibilité n’ait été précisée après l’annonce initiale. Cette absence de calendrier détaillé invite à la prudence : la nouveauté annoncée aujourd’hui vaut pour ce qu’elle est — une mise à jour de transcription — sans qu’on puisse en déduire un rythme de sortie généralisé pour le reste de la famille Gemini Audio.
Les modèles Live, ou la transcription en temps réel face à ses propres contraintes
À la différence de Gemini 3.5 Transcribe, pensé pour l’audio déjà enregistré, les versions Live de la famille Gemini Audio ciblent la conversation en cours — un cas d’usage aux contraintes très différentes. Transcrire un fichier audio permet de revenir en arrière, de comparer plusieurs hypothèses de reconnaissance et de corriger a posteriori. Traiter un flux vocal en direct impose de décider en une fraction de seconde, sans possibilité de réécouter.
C’est sur ce terrain que Gemini 3.5 Live apporte une amélioration notable : une meilleure gestion des interruptions survenant au milieu d’une phrase. Dans un échange oral naturel, les locuteurs se coupent la parole, changent d’idée avant la fin d’une phrase, ou reprennent une formulation abandonnée en cours de route. Un système de reconnaissance vocale mal calibré pour ces ruptures produit un texte haché, incohérent, ou perd purement et simplement le fil de l’échange. Une gestion plus fine de ces interruptions rapproche mécaniquement la transcription en temps réel du niveau de fluidité déjà atteint sur l’audio préenregistré.
La version Experimental de Gemini 3.5 Live ajoute une couche supplémentaire : elle narre son propre raisonnement étape par étape, en temps réel, pendant le traitement. Concrètement, l’utilisateur peut suivre la logique de traitement du modèle au fur et à mesure, plutôt que de recevoir uniquement le résultat final une fois le calcul terminé. Cette transparence de processus, si elle se généralise, pourrait devenir un argument de confiance pour des usages professionnels sensibles — juridique, médical, financier — où comprendre comment un texte a été produit compte parfois autant que le texte produit lui-même.
Il reste que ces fonctionnalités Live sont, à ce stade, décrites sans date de disponibilité générale confirmée. Le décalage entre l’annonce d’une capacité et son déploiement effectif reste, là encore, la caractéristique la plus constante de ce cycle de sorties Gemini Audio.
Ce que cette automatisation change concrètement pour les métiers de la parole
L’intérêt de cette mise à jour ne se mesure pas seulement à l’aune de la performance technique. Il se joue dans les usages quotidiens de professions qui vivent de la retranscription de la parole : journalisme, production de podcasts, comptes-rendus de réunion, sous-titrage, accessibilité.
Pour un journaliste qui retranscrit un entretien, le nettoyage automatique des hésitations orales représente un gain de temps réel : la relecture porte alors sur le fond des propos plutôt que sur leur mise en forme. Pour un service de compte-rendu de réunion, l’attribution automatique de la parole entre plusieurs intervenants — dans la limite des trois locuteurs annoncée — réduit une tâche répétitive qui occupait jusqu’ici une part significative du temps de post-production. Pour les équipes d’accessibilité chargées de produire des sous-titres, un texte déjà débarrassé de ses tics de langage améliore directement la lisibilité pour les publics malentendants, sans travail éditorial supplémentaire.
Mais cette automatisation déplace aussi une responsabilité éditoriale vers la machine. Décider qu’un « euh » doit disparaître du texte final est un choix de forme qui, jusqu’ici, relevait d’un humain — un journaliste, un monteur, un assistant de rédaction — capable d’évaluer au cas par cas si cette hésitation porte du sens (une hésitation révélatrice dans un témoignage sensible, par exemple) ou si elle relève du simple bruit de fond conversationnel. En confiant ce tri à un modèle, on gagne en rapidité ce qu’on perd potentiellement en contrôle fin sur des cas limites où l’hésitation elle-même fait partie du message.
Une question de fidélité que Google ne documente pas encore publiquement
C’est là que se niche la principale zone d’ombre de cette annonce. Selon les informations disponibles à ce jour, Google n’a pas publié de documentation détaillée sur les critères qui déterminent, dans le modèle, ce qui relève d’un « mot de remplissage » à supprimer et ce qui relève d’un élément de discours à conserver. Cette distinction n’est pourtant pas neutre : un « euh » suivi d’un silence long peut, dans un contexte judiciaire ou d’entretien d’embauche, constituer un signal significatif qu’un texte entièrement lissé effacerait sans le signaler.
Aucun expert indépendant n’a, à ce stade, publiquement commenté cette mise à jour au-delà des explications fournies par Google lui-même dans les propos relayés par The Verge. Cette absence de contradicteur nommé invite à la prudence dans l’appréciation de la portée réelle de la fonctionnalité : les capacités annoncées reposent, pour l’instant, sur la seule communication de l’éditeur.
Un deuxième point mérite d’être suivi dans les prochains mois : la fonctionnalité d’édition par commande vocale, qui permet de modifier un texte transcrit « avec juste sa voix », ouvre par construction une question de traçabilité. Si une correction orale modifie le contenu d’une transcription, la version éditée diffère-t-elle formellement de l’enregistrement audio source, et cette différence est-elle signalée dans le document final ? Google n’a pas communiqué, selon les sources disponibles à ce jour, sur les modalités de conservation ou de signalement des versions successives d’un même texte transcrit puis édité vocalement. Pour des usages où la fidélité au verbatim compte — comptes-rendus officiels, pièces versées à un dossier, transcriptions à valeur probante —, cette zone d’ombre pèsera davantage que le confort de lecture gagné sur les usages courants.
Un pari sur la lisibilité plutôt que sur la puissance brute
Ce que révèle in fine cette mise à jour, c’est un déplacement de l’endroit où se joue la compétition entre modèles de transcription. Pendant plusieurs années, la bataille s’est concentrée sur la réduction du taux d’erreur de mots — la métrique classique de qualité d’un système de reconnaissance vocale. Gemini 3.5 Transcribe déplace une partie de cet effort vers la qualité éditoriale du texte livré : moins d’erreurs de reconnaissance ne suffit plus, il faut aussi produire un texte prêt à l’usage, sans étape de nettoyage humain intercalée.
Ce pari a une limite structurelle : il fonctionne d’autant mieux que l’utilisateur accepte de déléguer à la machine un jugement éditorial qui relevait jusqu’ici de son propre travail de relecture. Pour une majorité d’usages — réunions internes, notes vocales, brouillons de contenu — ce compromis est probablement favorable. Pour les usages où le verbatim exact fait foi, la vigilance reste de mise, et rien dans les informations communiquées à ce jour n’indique qu’une option de désactivation du nettoyage automatique soit proposée à l’utilisateur.
La suite se jouera sur deux terrains distincts : la sortie effective de Gemini 3.5 Pro, dont le calendrier reste à ce jour non communiqué, et la publication éventuelle, par Google, d’une documentation plus précise sur les critères de suppression des disfluences. Tant que cette documentation n’existe pas, l’utilisateur professionnel qui adopte Gemini 3.5 Transcribe fait, sans le savoir précisément, confiance à un arbitrage éditorial dont il ne connaît pas encore les règles.
FAQ
Est-ce que Gemini 3.5 Transcribe peut gérer des langues autres que le français ?
Les informations relayées par The Verge ne détaillent pas de liste précise de langues prises en charge pour cette mise à jour spécifique. Le modèle s’inscrit dans la famille Gemini Audio de Google, dont les versions précédentes couvraient déjà un nombre élevé de langues. Selon les sources disponibles à ce jour, aucun chiffre officiel de couverture linguistique n’a été communiqué pour Gemini 3.5 Transcribe en particulier.
Le nouveau modèle est-il disponible immédiatement pour tous les utilisateurs ?
Gemini 3.5 Transcribe est présenté comme intégré à la famille Gemini Audio de Google. Les modalités précises d’accès — disponibilité par région, par niveau d’abonnement ou par produit — ne sont pas détaillées dans les informations disponibles à ce jour. La prudence est de mise avant de considérer la fonctionnalité comme universellement accessible dès son annonce.
Sources – Google’s new AI transcription edits out your ‘ums’ and ‘ahs’, The Verge, 26 août 2026.
