Google bringt Gemini 3.5 Transcribe mit automatischer Sprachbereinigung

Gemini 3.5 Transcribe erfasst nicht nur, was jemand sagt. Es wandelt das Gesagte in das um, was gemeint war. Wenn ein Sprecher sich mitten im Satz korrigiert – „Legen wir es auf Dienstag, nein, Mittwoch“ – gibt das Modell „Mittwoch“ aus und verwirft die Korrektur. Füllwörter verschwinden. Hintergrundgeräusche stoppen es nicht. Das Ergebnis ist polierter, formatierter Text, keine rohe Audio-Aufnahme.

Für alle, die Interviews, Podcasts oder mehrsprachige Inhalte aufnehmen, ist dieser Unterschied der gesamte Workflow. Jedes Transkriptionswerkzeug auf dem Markt verarbeitet „das Gesagte“. Der menschliche Redakteur, der es danach bereinigt, kümmerte sich um alles andere. Google baut diesen Redakteur nun direkt in das Modell ein.

Das Modell unterstützt zwei separate API-Pfade. Die Live-API bewältigt kontinuierliches bidirektionales Streaming mit Latenzen unter einer Sekunde – konzipiert für Echtzeit-Sprachagenten, Kundendienst-Bots und alles, was sofortige Transkription benötigt. Die Interactions-API verarbeitet aufgezeichnetes Audio: vollständige Meetings, Anrufprotokolle und Interviews und liefert Sprecherzuordnung für bis zu drei Teilnehmer mit Zeitstempeln. Beide erreichen eine Wortfehlerrate von 4,0 % im Streaming-Modus und 2,6 % im Nicht-Streaming-Modus – gemessen von der unabhängigen Benchmarking-Firma Artificial Analysis. Googles vorheriges Sprach-zu-Text-Modell, Chirp 3, benötigte 70 % mehr Zeit, um die endgültige Transkription zu erreichen.

Die Verbraucherseite des Starts ist bescheidener. Unter Android nutzt Gboard Rambler bereits Gemini 3.5 Transcribe für Sprache-zu-Text-Eingabe. Die Gemini-macOS-App unterstützt es auf Englisch über eine Funktion namens „Speak to Window“. Chrome wird als „bald verfügbar“ gelistet, was es Nutzern ermöglichen würde, in jedes Webfeld zu diktieren – Antworten, Beiträge, Formulare – ohne die App zu wechseln. Ein konkretes Datum für diesen Rollout wurde nicht bestätigt.

Die Grenzen des Modells sind wichtig. Die Mehrsprecherszuordnung ist auf drei Teilnehmer begrenzt; Panels und Runde Tische mit größeren Teilnehmerzahlen erfordern Workarounds. Die Verbraucher-App Rambler ist derzeit in „ausgewählten Ländern und Sprachen“ verfügbar, nicht in den vollen 85, die das Modell unterstützt. Google hat keine Preise für die API bekannt gegeben, die sich über Google AI Studio in der öffentlichen Vorschau befindet. Der Unternehmenszugang erfolgt über die Gemini Enterprise Agent Platform, wo die Preise separat verhandelt werden. Für kleinere Kreative bleibt die Kostenfrage offen.

Auch der wettbewerbliche Rahmen ist relevant. OpenAIs Whisper, immer noch der Standard für unabhängige Entwickler, erreicht Wortfehlerraten im Bereich von 5–7 % bei englischem Audio und benötigt Nachbearbeitungscode, um Füllwörter zu entfernen und zu formatieren. Dienste wie AssemblyAI und Deepgram bieten Sprecherdiarisierung, aber nicht die eingebaute natürliche Sprachkorrektur, die Gemini 3.5 Transcribe standardmäßig anwendet. Der Abstand ist messbar, wie er sich jedoch im schwierigeren Bereich des 85-Sprache-Spektrums – regionale Akzente, ressourcenarme Sprachen, laute Umgebungen – schlägt, muss durch unabhängige Tests ermittelt werden.

Die Funktion, die am meisten über Googles langfristige Richtung aussagt, ist die Chrome-Integration. Sobald die Spracheingabe in jedem Webfeld funktioniert, ist das Modell kein Entwicklerwerkzeug mehr – es ist Infrastruktur dafür, wie Menschen tippen. Der Zeitplan für die Einführung dieser Änderung wurde nicht bestätigt.

Schlagwörter: Google, Gemini, AI, audio-ai, creator-tools, speech-to-text