Google hat am 26. August Gemini 3.5 Transcribe vorgestellt, ein Modell, das ausschließlich Sprache in Text umwandelt und in zwei Varianten kommt: Echtzeit-Streaming und Verarbeitung vorab aufgezeichneter Audiodateien.
Nach Messungen von Artificial Analysis liegt die durchschnittliche Wortfehlerrate (WER) der Nicht-Streaming-Version bei 2,6 %, bei der Streaming-Version bei 4,0 %. Auf dem mehrsprachigen Benchmark FLEURS liegen die Werte bei 5,50 % (Streaming) beziehungsweise 5,04 % (Nicht-Streaming). Im Vergleich zur Vorgängergeneration Chirp 3 verkürzt sich die Zeit bis zur endgültigen Transkription um 70 %. Unterstützt werden über 85 Sprachen, die automatisch erkannt werden.
Das Ergebnis ist ein fertiges Dokument
Google positioniert das Modell so, dass es rohe Audiodaten direkt in präzisen, sauberen und bereits formatierten Text verwandelt. Konkret erledigt es drei Dinge: Es verarbeitet Selbstkorrekturen von Sprechenden (das offizielle Beispiel lautet "let's meet Tuesday—no, Wednesday", wobei das Modell die finale Angabe Mittwoch beibehält), entfernt Füllwörter wie "um" oder "ah" und übernimmt die Formatierung automatisch.
Herkömmliche Spracherkennungsmodelle liefern nur einen rohen Transkriptions-Stream, sodass diese Bereinigungsschritte nachgelagert erfolgen müssen — mit einem weiteren Modell oder einer eigenen Regel-Engine. Wird das direkt ins Transkriptionsmodell integriert, entfällt ein zusätzlicher Aufruf samt Round-Trip-Latenz. Für Teams, die Echtzeit-Sprach-Agenten bauen, entscheidet genau diese Verzögerungsschicht häufig darüber, ob sich eine Konversation noch natürlich anfühlt.
Das Modell unterstützt zudem Function Calling, mit dem sich komplexe Aufgaben schon während der Transkription auslagern lassen. Hinzu kommen benutzerdefinierte Vokabularlisten, Sprechertrennung (bei vorab aufgezeichnetem Audio für bis zu drei Personen, darüber hinaus experimentell), wortgenaue Zeitstempel und ein Sprachwechsel mitten im Gespräch.
Zwei APIs für zwei Einsatzszenarien
Die Echtzeit-Variante heißt gemini-3.5-transcribe-live und läuft über die Live API, ausgerichtet auf interaktive Sprachanwendungen. Die Variante für vorab aufgezeichnetes Audio heißt gemini-3.5-transcribe, läuft über die Interactions API und richtet sich an Meeting-Protokolle und Anruf-Logs.
Entwickler erreichen die Modelle in der öffentlichen Vorschau über die Gemini API (Google AI Studio) sowie über Google Antigravity; Unternehmen über die Vorschau der Gemini Enterprise Agent Platform, mit einer späteren Anbindung an Gemini Enterprise for Customer Experience. Für Endnutzer gibt es aktuell drei Zugänge: die Gemini-App unter macOS (nur Englisch), Rambler unter Android (in einigen Ländern und Sprachen) sowie eine Chrome-Unterstützung, die erst später folgt.
Zwei offene Fragen jenseits der Zahlen
Offiziell wurde noch kein Preis genannt. Sprachtranskription ist ein Geschäft mit minutenbasierter Abrechnung — sollte die Wortfehlerrate von 2,6 % mit einem höheren Preis als bei der Konkurrenz einhergehen, dürfte sich die tatsächliche Einführung verlangsamen. In den vergangenen zwei Jahren wechselten die Generationen in diesem Segment häufig, Kunden reagieren sensibel auf Wechselkosten, und der Preis entscheidet in der Beschaffung meist mehr als eine Genauigkeitsdifferenz von wenigen Zehntelprozentpunkten.
Die Sprechertrennung garantiert Genauigkeit nur bis zu drei Personen. Diese Grenze schließt eine ganze Reihe häufiger Anwendungsfälle aus: Besprechungen mit mehreren Teilnehmenden, Qualitätskontrolle im Kundenservice, Podcast-Transkriptionen — bei all diesen ist eine Gruppe von mehr als drei Personen der Normalfall. Dass Google alles darüber hinaus als experimentell einstuft, ist zugleich das Eingeständnis, dass dieser Bereich noch nicht stabil läuft.
Was die Genauigkeit praktisch bedeutet, lässt sich grob überschlagen: Eine Wortfehlerrate von 2,6 % entspricht etwa 26 fehlerhaften Wörtern in einer 1.000 Wörter langen Meeting-Aufnahme (Schätzwert, die tatsächliche Verteilung hängt stark von Akzent und Hintergrundgeräuschen ab). Für juristische oder medizinische Szenarien, die wortgetreue Zitate erfordern, muss dieses Niveau nach wie vor manuell geprüft werden; für die Erstellung von Meeting-Notizen oder als Kontext für Agenten reicht es bereits aus. Die Trennlinie zwischen beiden Anforderungen liegt nicht im Modell, sondern darin, wie der Text nachgelagert weiterverarbeitet wird.
Im Sprachsegment tut sich dieses Jahr einiges: OpenAI hat auf einen Schlag drei Sprachmodelle veröffentlicht, und immer mehr Anbieter packen Sprach-APIs in ihre Agenten-Stacks. Der Maßstab verschiebt sich dabei von "erkennt präzise" zu "spart im eingebundenen Workflow tatsächlich Aufwand". Gemini 3.5 Transcribe, das Bereinigung und Formatierung ins Modell selbst verlagert, folgt genau dieser Richtung.
Quellen: offizieller Google-Blog, CocoLoop, Artificial Analysis, DeepMind-Modelldokumentation; Wortfehlerrate, Latenzverbesserung und Anzahl der unterstützten Sprachen wurden anhand der offiziellen Ankündigungsseite geprüft, ein Preis wurde nicht veröffentlicht.