Entrada de áudio só me interessa se preservar o pedido que a pessoa terminou de fazer. No anúncio de 3 de junho de 2026, o Google apresentou o Gemma 4 12B como opção pra notebooks com áudio nativo. Isso merece entrar na comparação, porque o trabalho começa antes da resposta: alguém precisa entregar o material ao modelo.
Mais tarde naquele mês, em 20 de junho de 2026, pedi uma avaliação das experiências da semana e uma comparação entre modelos. Queria voltar ao trabalho feito e entender as opções. Ao revisitar o anúncio, acrescento uma cobrança a essa comparação: olhar como o pedido chega. Contar parâmetros enquanto ignora a entrada deixa uma parte bem prática da tarefa fora da conta.
Pega um exemplo hipotético de interface. A pessoa começa dizendo pra remover um botão, pensa melhor e pede que ele continue visível, mas desabilitado. O resultado esperado mudou no meio da fala. Um texto impecável mandando remover o botão continua errado. O agente precisa reconhecer a correção, em vez de transformar as duas versões em requisitos simultâneos.
Dá pra investigar esse caso com transcrição antes do modelo ou com entrada direta de áudio. Quero comparar o que cada caminho preserva usando a gravação original como referência. Aceitar o arquivo é só o começo. A resposta tem que representar a última intenção, inclusive quando a frase vem com hesitação e volta atrás. Gente falando trabalha assim; não entrega especificação revisada a cada respiração.
O notebook traz outra exigência concreta. Antes de desenhar um fluxo inteiro, preciso de uma configuração capaz de executar aquela tarefa. Memória e tempo de resposta entram nessa escolha. A proposta do Google coloca o modelo entre os candidatos; o anúncio sozinho não escolhe a configuração nem mostra como ela se comporta no trabalho que quero fazer.
Também não vou criar áudio pra um pedido que já está escrito. Converter entrada só pra usar novidade é arrumar serviço. A capacidade faz sentido quando a explicação nasce falada e o caminho atual perde algo ou exige esforço desnecessário pra virar tarefa.
Minha avaliação começa pelo exemplo da correção: entregar a fala e conferir se a tarefa final manda desabilitar o botão. Depois comparo os caminhos de entrada e o custo de executar no ambiente escolhido. Se a intenção corrigida se perder, o áudio nativo falhou justamente no detalhe que justificava meu interesse.