Gemini 3.5 Transcribe: Googles Sprache-zu-Text-KI

Google hat mit Gemini 3.5 Transcribe am 26. August 2026 sein bislang präzisestes Sprache-zu-Text-Modell in die Public Preview geschickt, das belegen sowohl die eigenen Benchmarks als auch unabhängige Tests. Ausgeliefert wird es in zwei getrennten APIs: einer Echtzeit-Streaming-Variante für Sprachanwendungen im Live-Betrieb und einer Variante für bereits vorliegende Aufnahmen, die Sprecherzuordnung und wortgenaue Zeitstempel für Podcasts, Meetings und Interviews ergänzt.

Kernstück ist ein smarter Transkriptionsmodus, der Korrekturen mitten im Satz erkennt, Füllwörter herausfiltert und den Text automatisch formatiert, zusätzlich zum klassischen wortwörtlichen Transkript, auf das die meisten Sprachtools standardmäßig setzen. Unabhängige Tests von Artificial Analysis messen eine Wortfehlerrate von 2,6% bei Aufnahmen und 4,0% beim Live-Streaming, dazu ein um 70% schnelleres finales Transkript gegenüber Chirp 3, dem bisherigen Modell. Der Rollout erreicht bereits Gboard, Google Antigravity, AI Studio und die Gemini-App für macOS.

Echtzeit oder Aufnahme: So funktioniert die Gemini Transcribe API

Gemini 3.5 Transcribe teilt sich in zwei APIs für unterschiedliche Aufgaben auf. Die Live API mit der Modellkennung gemini-3.5-transcribe-live streamt Audio fortlaufend in beide Richtungen und liefert Text mit einer Latenz unter einer Sekunde, gedacht für Voice-Agenten und andere Anwendungen, die nicht auf eine Sprechpause warten können. Die Interactions API, gemini-3.5-transcribe, verarbeitet dagegen bereits vorliegende Aufnahmen und ergänzt sie um Sprecherzuordnung und wortgenaue Zeitstempel, also genau das Format, das Podcast-Redakteure und Meeting-Protokolle brauchen.

Beide APIs gehen mit den Unschärfen echter Sprache gleich um. Der Standardmodus, verbatim, transkribiert wortwörtlich, inklusive Füllwörtern. Ein separater smarter Modus löst dagegen Selbstkorrekturen auf, wie sie in normalen Gesprächen vorkommen, etwa wenn jemand mitten im Satz sagt: „Treffen wir uns Dienstag, nein, Mittwoch.“ Zusätzlich filtert er Füllwörter wie „äh“ und „ähm“ heraus und formatiert das Ergebnis, statt es als durchgehende Textwand stehen zu lassen.

Individuelles Vokabular wird ebenfalls unterstützt. Fachbegriffe, Produktnamen oder ungewöhnliche Schreibweisen lassen sich vorab hinterlegen, sodass das Modell sie erkennt, statt zu raten. Die Interactions API kann außerdem einzelne Sprecher identifizieren und jeden davon mit Zeitstempeln versehen.

Wie genau ist Gemini 3.5 Transcribe?

Unabhängige Tests stützen Googles Genauigkeitsversprechen. Artificial Analysis maß über die Interactions API eine Wortfehlerrate von 2,6% bei Aufnahmen und über die Live API 4,0% beim Live-Streaming, dabei behauptet sich das Modell auch in lauter Umgebung und erfasst alphanumerische Angaben wie Postleitzahlen oder Bestellnummern korrekt.

Auf dem mehrsprachigen FLEURS-Benchmark, der die Genauigkeit über ein breites Sprachspektrum hinweg prüft, kommt das Modell auf 5,04% Wortfehlerrate bei Aufnahmen und 5,50% beim Streaming.

Chirp 3, Googles bisheriges Transkriptionsmodell, dient dabei als Vergleichsbasis für die 70-Prozent-Zahl. Google verweist auf neue Fähigkeiten zusätzlich zur niedrigeren Wortfehlerrate, doch der deutlichste praktische Unterschied liegt bei der Geschwindigkeit: Artificial Analysis maß eine um 70% schnellere finale Transkription gegenüber Chirp 3, was sich vor allem in den Echtzeit-Anwendungsfällen der Live API bemerkbar macht, wo jede Verzögerung sofort auffällt.

Wo lässt sich Gemini 3.5 Transcribe schon nutzen?

Die Verfügbarkeit unterscheidet sich je nach Zielgruppe. Entwickler können Gemini 3.5 Transcribe schon jetzt über die Gemini API in Google AI Studio sowie in Google Antigravity testen. Unternehmen erhalten das Modell in der Public Preview über die Gemini Enterprise Agent Platform. Gemini Enterprise for Customer Experience soll demnächst nachziehen. Bei Privatnutzern läuft das Modell bereits in vier Produkten:

Die Chrome-Unterstützung soll folgen, für gesprochene statt getippte Eingaben in beliebigen Webformularen oder Textfeldern. Unter macOS kann das Modell eine Aufgabe außerdem per Function Calling an ein anderes Gemini-Modell weiterreichen: Die Bitte, mitten im Gespräch ein Bild zu erzeugen oder eine Datei zu analysieren, wird automatisch weitergeleitet. Gemini 3.5 Transcribe fungiert dabei nur als Schnittstelle und erledigt die Aufgabe nicht selbst.

Für Creator im Tagesgeschäft decken sich die praktischen Anwendungsfälle mit dem, was ohnehin täglich anfällt: eine rohe Podcast-Aufnahme in ein durchsuchbares Transkript verwandeln, Untertitel vor dem Video-Export entwerfen, ein grobes Skript diktieren, statt es zu tippen, oder ein sauberes Transkript in eines der besten KI-Text-to-Speech-Tools einspeisen, um daraus ein vertontes Voiceover in einer anderen Sprache zu erzeugen. Entwicklerplattformen wie Agora, Fishjam, LangChain, LiveKit, Pipecat, Vercel und Vision Agents unterstützen das Modell bereits. Frühe Nutzer wie Vivo, Intellitek Health und Lingopal loben Latenz, Genauigkeit und Sprachabdeckung in Rückmeldungen, die Google zum Launch veröffentlicht hat.

Googles Wette: Transkription als Infrastruktur

Google hat dem Launch am 26. August keine eigene Produktseite und keine Preisliste spendiert. Stattdessen kommt das Modell als Schicht innerhalb bereits genutzter Werkzeuge: einer Tastatur, einem Coding-Tool, dem eingebauten Assistenten eines Betriebssystems. Das ist ein anderer Ansatz als der, mit dem sich dedizierte Voice-AI-Plattformen bislang positionieren.

ElevenLabs hat sein Geschäft umgekehrt aufgebaut: als Plattform, auf der Transkription eine Funktion unter mehreren ist statt ein im Hintergrund laufendes Werkzeug innerhalb anderer Apps. Das hauseigene Sprache-zu-Text-Modell Scribe sitzt in einem Workspace, der zusätzlich Text-to-Speech, Voice Cloning und Dubbing abdeckt, gedacht für alle, die ein Tool speziell für die Audioproduktion suchen. Ein Entwickler, der einen Voice-Agenten zusammenbaut, braucht etwas anderes als eine Videoeditorin, die einfach nur eine fertige Oberfläche will und keine API lernen möchte.

Was sich durch Gemini 3.5 Transcribe verschiebt, ist die Grundlinie. Wenn ein derart genaues Modell kostenlos in einer Tastatur-App mitkommt, hört brauchbare Transkription auf, standardmäßig ein separates Abo wert zu sein, und Plattformen, die um genau dieses Budget konkurrieren, brauchen einen klareren Grund als reine Genauigkeit. Google hat in diesem Quartal Tempo bei Gemini-Funktionen vorgelegt, vom Wasserzeichen-Schalter für KI-generierte Medien bis zu diesem Transkriptions-Launch. Beide Male dasselbe Muster: Fähigkeiten kommen als Infrastruktur, nicht als eigenständiges Produkt zum Verkauf. Wer verfolgen will, wie es weitergeht, findet die nächsten Meldungen in unserem KI-News-Feed.

Häufig gestellte Fragen

---

Quellen

1. Google: Gemini 3.5 Transcribe - Google, 26. August 2026
2. 9to5Google: Gemini 3.5 Transcribe - 9to5Google, 26. August 2026
3. Business Today: Google launches Gemini 3.5 Transcribe with smarter speech-to-text and 85 language support - Business Today, 27. August 2026
4. Google AI for Developers: Transcribe audio - Google AI-Dokumentation