Gemini 3.5 vs Soniox v5 vs Linden-1: Guía de STT 2026

Tres opciones de conversión de voz a texto (STT), nuevas o recientemente actualizadas, compiten ahora por las cargas de trabajo de los agentes de voz en producción. Google lanzó Gemini 3.5 Transcribe y Transcribe Live de forma general el 26 de agosto de 2026, Soniox publicó stt-rt-v5 el 16 de junio, y LiveKit Agents añadió Gemini 3.5 Transcribe Live y Speechmatics Linden-1 el 27 de agosto (registro de cambios de Google, documentación del modelo Soniox, lanzamientos de LiveKit Agents).

Esta es una comparativa basada en investigación, no un benchmark de laboratorio. Actualmente no existe ninguna prueba neutral y reproducible que clasifique estos tres modelos exactos en el mismo conjunto de datos telefónicos alemanes de 8 kHz. Por tanto, la pregunta útil no es qué modelo gana en términos generales, sino qué ruta de acceso, límite de sesión, formato telefónico, comportamiento de endpointing, gestión de idiomas, ruta de datos y modelo de facturación se ajustan a tus llamadas. Si necesitas repasar los conceptos básicos primero, empieza por qué significa la conversión de voz a texto.

Conclusiones clave

• Gemini ofrece una amplia cobertura multilingüe directa y acceso nativo a LiveKit Inference, pero las sesiones en vivo están limitadas a diez minutos y la ruta de LiveKit no permite fijar la región.
• Soniox combina sesiones largas, códecs nativos para telefonía, diarización en vivo, cambio de idioma automático y endpointing semántico configurable a través de un plugin que utiliza tu propia clave de Soniox.
• Linden-1 es una opción nativa de LiveKit Inference con detección de fin de voz en el servidor, pero su entrada local vad se ignora y no se ha publicado ninguna garantía regional específica para Linden.
• Los precios públicos describen diferentes rutas de acceso y unidades de facturación. No son una clasificación de calidad.
• La decisión debe basarse en una prueba A/B controlada con tus propias llamadas, especialmente en audio de la red telefónica pública alemana (PSTN), captura de entidades, límites de turnos y el coste real por minuto de conversación.

Comparativa rápida

La tabla es una instantánea con fecha del 29 de agosto de 2026. Evita deliberadamente las puntuaciones de precisión porque los benchmarks de los proveedores no utilizan un conjunto de datos, canal telefónico, mezcla de idiomas o configuración de endpointing compartidos.

Rutas de acceso e integración

Los tres nombres ocultan diferentes modelos de despliegue que afectan a las credenciales, el enrutamiento y la facturación. Una lista de verificación más amplia para elegir un proveedor de STT ayuda a separar los requisitos a nivel de proveedor de las pruebas a nivel de modelo.

Gemini 3.5 Transcribe Live

El ID del modelo directo es gemini-3.5-transcribe-live; LiveKit lo expone como google/gemini-3.5-transcribe-live. Admite resultados provisionales y finales a través de una sesión WebSocket en vivo. La documentación directa de Google también describe el comportamiento de transcripción estricta y transcripción inteligente, además de estrategias de actividad de voz automáticas, híbridas y manuales (página del modelo Gemini, guía de transcripción en vivo).

La restricción operativa importante es el máximo de diez minutos por sesión. Las llamadas largas requieren una estrategia planificada de renovación, solapamiento y reconciliación de transcripciones. La transcripción en vivo de Gemini también carece de marcas de tiempo por palabra y de diarización de hablantes en vivo. La página de Gemini en LiveKit expone actualmente una lista de códigos de idioma más reducida que la documentación directa de Google y no establece que todos los controles VAD directos sean configurables a través de LiveKit Inference.

Soniox stt-rt-v5

Soniox utiliza la ruta del plugin de LiveKit en lugar de LiveKit Inference, por lo que la aplicación suministra su propia clave de Soniox. Configura stt-rt-v5 explícitamente. Es posible que la documentación actual del plugin para Node.js todavía muestre la v4 como predeterminada, mientras que Soniox redirige la v4 a la v5 en el servidor. La actualización de la pipeline de Soniox proporciona contexto relacionado.

Soniox documenta sesiones de streaming en tiempo real de hasta 300 minutos (transcripción en tiempo real, límites y cuotas). Esto es útil para consultas largas, pero los equipos aún necesitan gestionar la reconexión y los fallos.

Speechmatics Linden-1

Se accede a Linden-1 como speechmatics/linden-1 a través de LiveKit Inference, que gestiona el enrutamiento del modelo y la facturación del uso. No se ha verificado un SKU de API directa pública independiente para este modelo exacto. Speechmatics posiciona a Linden para agentes de voz, y LiveKit lo recomienda para la mayoría de las cargas de trabajo de agentes de Speechmatics (anuncio de Speechmatics, página de Speechmatics en LiveKit).

El fin de voz se detecta en el servidor. Se ignora un objeto vad local de LiveKit para Linden, por lo que los equipos no deben asumir que cambiar las bibliotecas VAD locales alterará su límite de turno.

Conversaciones en alemán y multilingües

Las tres opciones incluyen alemán, pero sus declaraciones de idiomas publicadas no son directamente equivalentes. Google indica más de 85 idiomas para el modelo directo, mientras que LiveKit enumera actualmente 26 códigos de idioma para su integración con Gemini. Gemini puede cambiar de idioma durante una sesión. Soniox documenta más de 60 idiomas y el cambio automático de código, incluidos los cambios dentro de una misma frase (guía en vivo de Google, idiomas soportados por Soniox). La página de LiveKit de Linden enumera más de 55 idiomas, pero las fuentes revisadas no confirman claramente el cambio automático de código arbitrario.

Para el tráfico de producción en alemán, prueba nombres, sustantivos compuestos, dialectos, alemán con acento y cambios entre alemán e inglés. Añade términos de dominio con el vocabulario personalizado de Gemini, el contexto y términos de Soniox, o el additional_vocab de Speechmatics. Prueba el vocabulario frente a expresiones reales utilizando estas pautas para términos especializados y nombres.

La detección de turnos importa más allá de la precisión de la transcripción

Los agentes de voz actúan cuando el sistema STT decide que un usuario ha terminado. Una transcripción correcta que llega después de una larga pausa puede crear una mala conversación, mientras que un endpoint prematuro puede cortar una fecha, dirección o corrección. Una discusión actual en Hacker News solo es útil como señal de que el intercambio de turnos merece pruebas de producción. Sus comentarios y las cifras de latencia reportadas no son una comparación controlada de estos modelos.

Google documenta el VAD automático del servidor, una estrategia híbrida que combina la detección de inicio de voz del servidor con la señal audio_stream_end local, y marcadores de actividad totalmente manuales. El modo híbrido directo puede evitar esperar al tiempo de espera del servidor, pero la paridad de configuración a través de LiveKit debe verificarse en lugar de asumirse.

Soniox describe explícitamente el endpointing semántico basado en pausas, entonación, patrones de habla y contexto. Expone endpoint_latency_adjustment_level de 0 a 3, endpoint_sensitivity de -1.0 a 1.0, y max_endpoint_delay_ms de 500 a 3.000 ms. Ajustes más agresivos pueden aumentar la segmentación y afectar ligeramente a la precisión de las palabras y la diarización, según la documentación de detección de endpoints de Soniox.

Linden detecta el fin de voz en el servidor. No llames a esto endpointing semántico sin una fuente primaria específica de Linden. Las consecuencias arquitectónicas son más fáciles de evaluar junto con la guía de arquitectura de pipeline y tiempo real y el desglose de latencia del agente de voz.

Audio telefónico y datos estructurados

Soniox documenta el soporte directo de audio de operador porque su API en tiempo real acepta PCM, mu-law, A-law y otros formatos. La especificación de transcripción en vivo directa de Gemini requiere PCM de 16 bits a 16 kHz mono, lo que puede requerir remuestreo desde un flujo PSTN de 8 kHz. LiveKit abstrae el transporte de medios para Linden, pero eso no prueba una capacidad de códec crudo específica para Linden.

Evalúa los campos estructurados por separado: nombres, direcciones de correo electrónico deletreadas, números de teléfono, IBAN, horas de citas, códigos postales y códigos de producto. Mide la tasa de error de entidades, así como la tasa de error de palabras. Gemini no tiene diarización en vivo, Soniox sí, y la diarización de Speechmatics debe validarse en la ruta exacta de Linden.

Privacidad y regiones de procesamiento

Ninguna declaración única de alojamiento en la UE cubre las tres rutas. LiveKit Inference no retiene datos por defecto, pero Gemini 3.5 Transcribe Live se ejecuta a través de un despliegue global y no se puede seleccionar para una solicitud fijada por región. Eso impide una reclamación estricta de solo región para esta ruta.

Soniox documenta dominios dedicados en la UE, incluidos stt-rt.eu.soniox.com, procesamiento regional y almacenamiento regional. La residencia de datos en la UE debe habilitarse primero (residencia de datos de Soniox). No se verificó ninguna garantía de región específica para Linden a través de LiveKit. Confirma la ruta contractualmente antes de un despliegue solo en la UE y revisa otras opciones de despliegue de STT para IA de voz.

Comparativa de precios por ruta de acceso

La estimación de Soniox sigue su precio por token y consumo de referencia. La estimación de Gemini sigue los precios de la API de Gemini de Google. Las dos cifras de LiveKit provienen de los precios de LiveKit Inference. Compara las facturas solo después de normalizar lo que incluye cada ruta. Un coste de STT más bajo no implica un coste total más bajo ni una mayor calidad de reconocimiento.

Una prueba A/B neutral para llamadas reales

Utiliza audio, lógica descendente y ventanas de medición idénticos. Incluye:

1. Grabaciones PSTN mu-law de 8 kHz en alemán, además de la versión remuestreada requerida por una integración.
2. Alemán estándar, dialectos regionales, hablantes no nativos y cambios entre alemán e inglés.
3. Nombres, direcciones de correo electrónico, IBAN, números de teléfono, horas, fechas y códigos de producto.
4. Silencios, pausas de pensamiento, autocorrecciones, habla solapada, ruido de fondo e interrupciones (barge-in).
5. Llamadas de servicio cortas y llamadas de más de diez minutos, incluyendo una renovación de sesión controlada de Gemini.

Reporta las tasas de error de palabras y entidades, el tiempo desde el fotograma final de voz hasta una transcripción estable, endpoints tempranos y tardíos, pérdida parcial, errores de barge-in, reconexiones y el coste real por minuto de conversación. Revisa por escenario porque un promedio puede ocultar fallos en campos críticos para el negocio.

Matriz de decisión

Esta matriz prioriza un orden de prueba, no un ganador universal. Verifica también si cada modelo exacto está disponible en tu espacio de trabajo actual antes del despliegue.

Preguntas frecuentes

¿Qué modelo es más preciso para llamadas telefónicas en alemán?

No existe un benchmark neutral cara a cara para estas versiones exactas en el mismo conjunto de datos telefónicos alemanes de 8 kHz. Prueba tus propias llamadas y reporta tanto la tasa de error de palabras como la tasa de error de entidades. Las puntuaciones de los proveedores de diferentes conjuntos de datos no pueden establecer una clasificación justa.

¿Puede Gemini 3.5 Transcribe Live manejar llamadas de más de diez minutos?

No como una sesión documentada ininterrumpida. El máximo publicado es de diez minutos, por lo que las llamadas más largas requieren un diseño de renovación con solapamiento, reconciliación de transcripciones y pruebas de fallos.

¿Se procesa automáticamente Soniox stt-rt-v5 en la UE?

No. Soniox ofrece endpoints dedicados en la UE y almacenamiento regional, pero el acceso a la residencia de datos debe estar habilitado. Confirma el endpoint, el comportamiento de almacenamiento y el contrato antes de la producción.

¿Utiliza Linden-1 endpointing semántico?

Las fuentes primarias revisadas confirman la detección de fin de voz en el servidor y que el VAD local de LiveKit se ignora. No confirman el endpointing semántico para Linden-1, por lo que esa etiqueta no debe usarse sin una documentación más reciente específica del modelo.

Conclusión y siguiente paso

Gemini 3.5 Transcribe Live, Soniox stt-rt-v5 y Speechmatics Linden-1 resuelven diferentes problemas de despliegue. Gemini enfatiza el alcance multilingüe directo y el acceso nativo a LiveKit, Soniox expone controles telefónicos y de endpointing a través de un plugin de proveedor, y Linden ofrece una ruta gestionada por LiveKit con finalización de turno en el servidor. Ninguna de esas diferencias demuestra un ganador de precisión general.

Elige una lista corta de la matriz de decisión, verifica la disponibilidad del modelo en tu espacio de trabajo y ejecuta el mismo conjunto de llamadas en alemán a través de cada candidato. Si quieres evaluar esa configuración frente a conversaciones reales, reserva una demo personal de Famulor para revisar juntos tu flujo de llamadas, idiomas y entorno de telefonía.

Sobre el autor

Sarah Müller es la autora nombrada de esta comparativa de Famulor. El análisis utiliza documentación primaria pública y separa los hechos publicados de las estimaciones y señales de los profesionales. Para preguntas editoriales o de producto, contacta con Soporte de Famulor. El manejo de datos personales por parte de Famulor se describe en su información de privacidad.