Google startet Gemini 3.5 Transcribe zur Beschleunigung der Echtzeit-Sprachtranskription

Thursday 27 August 2026 - 09:06

Google macht einen weiteren Schritt im Bereich der Sprach-KI mit der Einführung von Gemini 3.5 Transcribe, einem neuen Modell, das entwickelt wurde, um Sprache schneller und präziser in Text umzuwandeln. Diese Technologie richtet sich sowohl an Entwickler als auch an Unternehmen und zielt darauf ab, den wachsenden Bedarf an sofortiger Transkription von Gesprächen, Meetings und Audioaufnahmen zu decken.

Das neue Modell zeichnet sich insbesondere durch seine Fähigkeit aus, Sprache in komplexen Umgebungen zu verarbeiten. Hintergrundgeräusche, Fachvokabular, Zögern oder Korrekturen der Sprecher können berücksichtigt werden, um die Qualität des generierten Textes zu verbessern.

Laut den bereitgestellten Daten weist Gemini 3.5 Transcribe eine Fehlerquote von 4 % bei der kontinuierlichen Transkription und von 2,6 % bei der Verarbeitung von nicht gestreamten Audios auf. Die Zeit, die benötigt wird, um eine endgültige Transkription zu erhalten, wurde ebenfalls um 70 % im Vergleich zum vorherigen Modell Chirp 3 reduziert.

Echtzeit- oder nachträgliche Transkription verfügbar

Google bietet zwei Nutzungsmöglichkeiten an, die unterschiedlichen Bedürfnissen gerecht werden. Die erste ermöglicht eine nahezu sofortige Transkription durch eine Live-Streaming-Oberfläche mit einer Latenz von weniger als einer Sekunde.

Die zweite ist für bereits aufgezeichnete Audioinhalte gedacht, wie z.B. berufliche Meetings oder Anrufprotokolle. Diese Version ermöglicht es insbesondere, die Beiträge der verschiedenen Teilnehmer zu identifizieren und zuzuordnen.

Das Modell ist in der Lage, automatisch mehr als 85 Sprachen zu erkennen und zu transkribieren. Es kann auch bis zu drei Sprecher in einer einzigen Aufnahme erkennen und deren Beiträge mit Zeitstempeln verknüpfen.

Zu den angekündigten Funktionen gehören auch die Entfernung von Füllwörtern, die automatische Textformatierung und die Möglichkeit, einen benutzerdefinierten Wortschatz zu integrieren, um die Erkennung von branchenspezifischen Begriffen zu verbessern.

Google erweitert den Einsatz seiner Sprach-KI

Im FLEURS-Benchmark weist Gemini 3.5 Transcribe eine Fehlerquote von 5,50 % im Streaming-Modus und von 5,04 % für nicht gestreamte Inhalte auf, so die bereitgestellten Informationen.

Google plant, diese Technologie schrittweise in mehrere seiner Produkte und Dienstleistungen zu integrieren. Das Modell ist unter anderem mit der Gemini-Anwendung auf macOS, bestimmten Funktionen auf Android über Gboard sowie mit Google AI Studio verbunden.

Der Start erfolgt auch im Rahmen einer umfassenderen Strategie zur Stärkung der Integration von generativer KI in professionelle und öffentliche Tools. Entwickler können auf das Modell über Google AI Studio im öffentlichen Preview zugreifen, während Unternehmen eine Integration über die Plattform Gemini Enterprise Agent haben.

Langfristig wird auch der Chrome-Browser von neuen Diktierfunktionen profitieren, die auf dieser Technologie basieren. Mit Gemini 3.5 Transcribe möchte Google die Stimme zu einer immer zentraleren Schnittstelle in der täglichen Nutzung digitaler Werkzeuge machen.