AKTUELL
Google startet Gemini 3.5 Transcribe als öffentliche Vorschau
Google hat Gemini 3.5 Transcribe am 26. August 2026 als öffentliche Vorschau freigegeben. Das neue Sprach-zu-Text-Modell verarbeitet sowohl laufende Audioströme als auch bereits aufgezeichnete Gespräche und unterstützt dabei offiziell Deutsch. Entwickler können die Technik ab sofort über die Gemini API und Google AI Studio ausprobieren, während erste Varianten bereits in Gboard auf dem Pixel 11 und in der Gemini-App für macOS eingesetzt werden. Einen allgemeinen Funktionsstart auf sämtlichen Android-Geräten bedeutet die Ankündigung von Google jedoch nicht.
Die eigentliche Neuerung liegt darin, dass Google Spracherkennung nicht mehr nur als wortgetreue Abschrift behandelt. Gemini 3.5 Transcribe soll auch Selbstkorrekturen innerhalb eines Satzes erkennen, Füllwörter entfernen, Fachbegriffe anhand eines vorgegebenen Vokabulars zuverlässiger erfassen und gesprochene Gedanken in lesbare Absätze oder Listen überführen. Damit richtet sich das Modell an Anwendungen wie automatische Untertitel, Besprechungsprotokolle, sprachgesteuerte Programme, Callcenter-Auswertungen und Diktierfunktionen.
Gemini 3.5 Transcribe trennt Live-Audio und Aufzeichnungen
Für laufende Gespräche stellt Google das Modell „Gemini 3.5 Transcribe Live“ bereit. Es überträgt Audiodaten über eine dauerhafte Verbindung und liefert während des Sprechens vorläufige Textteile, die nach einer Pause durch eine endgültige Fassung ersetzt werden. Laut der Dokumentation der Live API liegt die Verzögerung unter einer Sekunde. Eine Sitzung kann derzeit allerdings höchstens zehn Minuten lang durchgehend laufen. Eine Erkennung verschiedener Sprecher und Zeitmarken für einzelne Wörter sind im Live-Modus noch nicht verfügbar.
Aufzeichnungen werden dagegen über eine eigene Schnittstelle verarbeitet. Die Dokumentation für Audiodateien nennt eine maximale Dauer von einer Stunde. Werden Sprecherzuordnung oder Zeitmarken aktiviert, sinkt die Grenze auf 30 Minuten. Bis zu acht Stimmen lassen sich technisch kennzeichnen, wobei Google die Zuordnung ab drei Sprechern weiterhin als experimentell einstuft. Für Konferenzen mit vielen Teilnehmern ist das Ergebnis deshalb nicht automatisch belastbar.
Lesbarer Text ist nicht immer ein genaues Protokoll
Besonders wichtig ist die Unterscheidung zwischen den Modi „Verbatim“ und „Smart“. Verbatim versucht, die Aufnahme möglichst wörtlich abzubilden und erhält Wiederholungen, Versprecher sowie Füllwörter. Das eignet sich eher für Interviews, Belege oder Situationen, in denen der tatsächliche Wortlaut entscheidend ist.
Smart Transcription bearbeitet das Gesprochene dagegen redaktionell. Aus „Wir treffen uns Dienstag – nein, Mittwoch“ wird direkt die bereinigte Aussage mit Mittwoch. Das Modell kann außerdem Satzzeichen ergänzen, Zahlen normalisieren und gesprochene Aufzählungen strukturieren. Dadurch entsteht schneller ein gut lesbarer Text, doch die Bearbeitung entfernt zugleich Bestandteile der Originalaussage. Sprecherzuordnung und Wort-Zeitmarken lassen sich in diesem Modus derzeit nicht gleichzeitig verwenden. Wer Gesprächsprotokolle, journalistische Interviews oder rechtlich relevante Mitschriften erstellt, sollte deshalb das Originalaudio aufbewahren und die Abschrift kontrollieren.
Deutsch wird unterstützt, der Produktstart bleibt gestaffelt
Gemini 3.5 Transcribe erkennt nach Angaben von Google mehr als 85 Sprachen und Sprachvarianten automatisch. Deutsch ist in den technischen Unterlagen ausdrücklich als „de-DE“ aufgeführt. Auch der neue Gboard-Diktiermodus Rambler versteht Deutsch, benötigt für den vollständigen Funktionsumfang aber ein Pixel 11, eine aktuelle Gboard-Version und eine Internetverbindung. Offline bleiben lediglich einfachere Funktionen wie Zeichensetzung und grundlegende Textbereinigung verfügbar.
Die erweiterte Spracheingabe des Pixel 11 wurde bereits im Android Kompass eingeordnet. Der neue Nachrichtenanlass geht darüber hinaus: Google gibt nun die zugrunde liegende Transkriptionsplattform für andere Entwickler frei. Die Gemini-App für macOS nutzt das Modell zunächst auf Englisch, während eine Diktierfunktion für beliebige Textfelder in Chrome lediglich angekündigt ist.
Genauigkeitswerte sind kein Versprechen für jede Aufnahme
Google nennt unter Berufung auf Messungen von Artificial Analysis eine durchschnittliche Wortfehlerrate von 2,6 Prozent bei Aufzeichnungen und 4,0 Prozent im Live-Betrieb. Auf dem mehrsprachigen FLEURS-Datensatz liegen die von Google veröffentlichten Werte mit 5,04 beziehungsweise 5,50 Prozent höher. Eine niedrigere Wortfehlerrate bedeutet grundsätzlich weniger falsch erkannte, ausgelassene oder zusätzlich eingefügte Wörter.
Solche Durchschnittswerte lassen sich jedoch nicht unverändert auf jedes Gespräch übertragen. Dialekte, schlechte Mikrofone, Hall, Hintergrundgeräusche, gleichzeitig sprechende Personen und ungewöhnliche Fachbegriffe können die Erkennung verschlechtern. Das Modell erlaubt zwar ein eigenes Vokabular mit bis zu 1.000 Begriffen, Google empfiehlt für zuverlässige Ergebnisse aber eine deutlich kleinere und gezielt ausgewählte Liste.
Audiodaten verlangen klare Datenschutzentscheidungen
In der kostenlosen API-Stufe können Eingaben und Ergebnisse laut der aktuellen Preisübersicht der Gemini API zur Verbesserung von Google-Produkten verwendet werden. Für bezahlte API-Nutzung kennzeichnet Google diesen Punkt mit „Nein“. Die geschätzten Kosten liegen derzeit bei etwa 0,005 US-Dollar je Minute für Aufzeichnungen und 0,009 US-Dollar je Minute für Live-Transkriptionen.
Damit allein ist eine datensparsame Anwendung noch nicht eingerichtet. Bei der Interactions API ist die Speicherung des Sitzungszustands standardmäßig aktiviert. Hochgeladene Dateien bleiben gespeichert, bis sie gelöscht werden oder ablaufen. Für eine Nutzung ohne dauerhafte Speicherung müssen Entwickler nach Googles Hinweisen zur Datenaufbewahrung unter anderem die Zustandsspeicherung abschalten, Dateien löschen und bei Live-Verbindungen auf die Sitzungswiederaufnahme verzichten.
Gemini 3.5 Transcribe ist damit vor allem eine neue technische Grundlage und noch kein fertiger universeller Diktierdienst. Die Unterstützung für Deutsch, zwei klar getrennte Verarbeitungswege und die gezielte Erkennung von Fachbegriffen machen die Vorschau interessant. Ob daraus zuverlässige Untertitel, Protokolle oder Sprachsteuerungen entstehen, hängt jedoch ebenso von der jeweiligen Anwendung, dem Umgang mit Originalaufnahmen und den gewählten Datenschutzeinstellungen ab wie vom Modell selbst.
Hauptquellen
- Google: Vorstellung von Gemini 3.5 Transcribe
- Google: Dokumentation der Live-Transkription
- Google: Dokumentation für aufgezeichnetes Audio
- Google: Preise der Gemini Developer API
- Google: Hinweise zur Datenaufbewahrung
Technik-Deals im Überblick
Ausgewählte Angebote und zeitlich begrenzte Preisaktionen rund um Technik und Gadgets.
