Google hat am 26. August 2026 Gemini 3.5 Transcribe angekündigt, ein neues Modell zur Umwandlung von Sprache in Text, das für Echtzeit-Audiotranskription und intelligente Sprachinteraktionen entwickelt wurde. Anstatt lediglich rohes Audio in Wörter umzuwandeln, bereinigt das Modell nach Angaben des Unternehmens Frequenzstörungen und Selbstkorrekturen, erkennt Fachbegriffe und gibt formatierten Text aus, der einer direkt nutzbaren Fassung näherkommt.
Das Modell richtet sich an Entwickler, die Sprachagenten, Werkzeuge für Echtzeitübersetzung oder -untertitelung sowie Verarbeitungspipelines zur Analyse von Anrufen und Besprechungen nach deren Aufzeichnung entwickeln. Es ist über die Gemini API in Google AI Studio sowie über die Gemini Enterprise Agent Platform verfügbar.
Zwei Schnittstellen für unterschiedliche Anwendungsfälle
Google bietet das Modell über zwei separate Schnittstellen an. Die erste ist die Live API mit dem Modell gemini-3.5-transcribe-live. Sie ermöglicht kontinuierliches bidirektionales Streaming mit einer Latenz von weniger als einer Sekunde und eignet sich damit für interaktive Sprachdialoganwendungen. Die zweite ist die Interactions API mit dem Modell gemini-3.5-transcribe zur Verarbeitung von Aufzeichnungen, Besprechungen und Anrufprotokollen, einschließlich der Zuordnung von Sprache zu Sprechern und der Hinzufügung von Zeitstempeln auf Wortebene.
Google zufolge kann Gemini 3.5 Transcribe mit Selbstkorrekturen umgehen, etwa wenn jemand während des Sprechens einen Termin oder ein Wort ändert, Füllwörter wie stammelnde Laute entfernen und den Text automatisch formatieren. Außerdem unterstützt es benutzerdefinierte Vokabulare, die zur Erkennung von Fachbegriffen und ungewöhnlichen Schreibweisen bereitgestellt werden können, und kann mehr als 85 Sprachen erkennen und transkribieren, einschließlich regionaler Dialekte und Akzente.
Bei aufgezeichneten Dateien ordnet das Modell die Sprache bis zu drei Sprechern zu und versieht sie mit Zeitstempeln; die Unterstützung von mehr als drei Sprechern befindet sich weiterhin in der Erprobung. Außerdem kann es während des Streamings mit einem Wechsel zwischen Sprachen umgehen. Das ist für mehrsprachige Gespräche wichtig, wobei die Quelle keine Angaben zu allen unterstützten Sprachen oder zu den Leistungsgrenzen je Sprache macht.
Leistungswerte im Vergleich zu Chirp 3
Nach Messungen von Artificial Analysis, auf die sich Google beruft, erreichte das Modell eine durchschnittliche Wortfehlerrate von 4,0 % bei Streaming-Szenarien und 2,6 % bei nicht gestreamten Anwendungsfällen. Auf dem FLEURS-Benchmark über eine Reihe von Sprachen und Regionen erzielte es eine Wortfehlerrate von 5,50 % beim Streaming und 5,04 % bei nicht gestreamter Nutzung. Das Unternehmen sagt, dass sich die Latenz bis zur endgültigen Transkription im Vergleich zum vorherigen Transkriptionsmodell Chirp 3 um 70 % verbessert habe.
Diese Zahlen deuten auf eine gleichzeitige Verbesserung von Genauigkeit und Geschwindigkeit hin. Der Vergleich bedeutet jedoch nicht, dass die Ergebnisse in jeder Audio-Umgebung identisch ausfallen; sie hängen vom Benchmark, der Sprache, der Aufnahmequalität, der Anzahl der Sprecher und dem Geräuschpegel ab. Außerdem erläutert die Quelle die Methodik von Artificial Analysis nicht im Detail und legt keine vollständige Ergebnistabelle nach Sprache vor.
Von Google-Oberflächen zu Entwicklerwerkzeugen
Google verwendet das Modell bereits in der Gemini-Anwendung und in einigen Android-Experimenten, darunter die Funktion Rambler. Diese wandelt Sprache in formatierten Text um und ermöglicht es, Füllwörter zu entfernen, Korrekturen vorzunehmen und den Schreibstil per Sprache zu ändern. In der Gemini-Anwendung für macOS können Sprachbefehle den Bildschirmkontext nutzen, um Aufgaben wie das Zusammenfassen lokaler Dateien, die Wiederverwendung von Text zwischen Anwendungen oder die Erstellung von Bildern durch den Aufruf anderer Gemini-Modelle auszuführen.
Google Antigravity nutzt nach Einholung der Nutzererlaubnis den Bildschirmkontext und den Gesprächsverlauf, um die Erkennung von Dateinamen, aktiven Dokumenten und Agentenideen zu verbessern. Außerdem kann im Build-Modus von Google AI Studio auf das Modell zugegriffen werden, um Anwendungen mithilfe von Sprache zu erstellen. Google zufolge wird die Funktion zur Spracheingabe in jedes Webfeld demnächst in Chrome verfügbar sein.
Was ändert sich praktisch?
Die wichtigste Veränderung ist der Übergang von der Audiotranskription als erstem Transkriptionsschritt zu einer Ebene, die Sprache versteht, bereinigt und mit dem Anwendungskontext verknüpft. Für Entwickler bedeutet dies, dass sie Sprachoberflächen erstellen können, die keine separate Verarbeitung für jede Korrektur oder jedes Füllwort erfordern, und je nach Produktart zwischen Echtzeit-Streaming und archivierten Aufzeichnungen wählen können.
Gemini 3.5 Transcribe ist derzeit als öffentliche Vorschau für Entwickler über die Gemini API in Google AI Studio und Google Antigravity sowie für Unternehmen über die Gemini Enterprise Agent Platform verfügbar. Später soll es auch Gemini Enterprise for Customer Experience erreichen. Für Nutzer ist es in der Gemini-Anwendung für macOS auf Englisch verfügbar, während Rambler auf Android in ausgewählten Ländern und Sprachen angeboten wird; eine Verfügbarkeit in Chrome ist angekündigt.