Google hat ein neues Speech-to-Text-Modell namens Gemini 3.5 Transcribe in einer öffentlichen Preview veröffentlicht. Die Ankündigung erfolgte am August 26, 2026 im Google Blog. Das Modell hilft Entwicklern dabei, gesprochene Audiodaten in sauberen Text umzuwandeln.
Bei natürlicher Sprache scheitern Transkriptionen häufig. Diese Version soll das ändern.
Zwei Wege zur Audioverarbeitung
Google unterteilt das Modell in zwei verschiedene Werkzeuge:
- Live-Streaming-Audio. Die Live API bietet
gemini-3.5-transcribe-livefür bidirektionale Audiostreams. - Aufgezeichnete Audiodateien. Die Interactions API bietet
gemini-3.5-transcribefür Dateien und ergänzt Wort-Zeitstempel sowie Sprecherbezeichnungen. - Intelligente Bereinigung. Das Modell entfernt Füllwörter, korrigiert Selbstkorrekturen und verarbeitet benutzerdefinierte Begriffe sowie Formatierungen.
- Breite Sprachunterstützung. Google gibt Unterstützung für 85+ Sprachen an.
- Sprechererkennung. Es identifiziert bis zu drei verschiedene Sprecher, wobei die Unterstützung für 3+ Sprecher experimentell bleibt.
Sie können die Preview in der Gemini API über Google AI Studio und Google Antigravity testen. Enterprise-Teams haben über die Gemini Enterprise Agent Platform Zugriff darauf. Außerhalb von Entwickler-Tools erhält die macOS Gemini App die Funktion auf Englisch, Rambler unterstützt sie auf Android in ausgewählten Ländern und Sprachen, und ein Rollout für Chrome folgt in Kürze.
Was noch nicht überprüft ist
Google und Artificial Analysis berichten von starken Benchmark-Werten. Sie geben eine durchschnittliche Wortfehlerrate (WER) von 4.0% für Streaming und 2.6% für aufgezeichnetes Audio an. Zudem berichten sie von FLEURS-WER-Werten von 5.50% live und 5.04% non-streaming sowie einer Geschwindigkeitssteigerung von 70% gegenüber Chirp 3.
Diese Zahlen stammen direkt aus Tests von Google und Artificial Analysis. Niemand außerhalb dieser Teams hat sie bisher unabhängig überprüft. Echte Anrufe mit starken Akzenten, Hintergrundgeräuschen oder durcheinander sprechenden Personen können andere Ergebnisse liefern. Google hat zudem noch keine Details zu Preisen, Datenschutzbestimmungen oder Datenaufbewahrung bekannt gegeben.
So testen Sie es selbst
Ersetzen Sie Ihr bestehendes Spracherkennungssystem noch nicht. Führen Sie stattdessen einen direkten Vergleich durch.
Sammeln Sie Beispieldateien aus Ihren tatsächlichen Arbeitsabläufen. Berücksichtigen Sie Audio mit Störgeräuschen, schwierige Produktnamen, Unterbrechungen zwischen Sprechern und gemischte Sprachen. Lassen Sie diese Testdateien durch Ihr aktuelles Sprachtool und das neue Gemini-Modell laufen. Überwachen Sie Genauigkeit, Geschwindigkeit, Fehler bei der Sprechererkennung und eventuelle Kosten.
Wenn in Ihren Meetings regelmäßig vier oder mehr Personen sprechen, prüfen Sie die Sprechererkennung sorgfältig. Betrachten Sie diese Veröffentlichung als vielversprechende Preview zum Testen und nicht als fertiges Produkt für den sofortigen Produktiveinsatz.