Gemini 3.5 Transcribe: Google filtert Füllwörter in Echtzeit heraus

Google DeepMind hat am 26. August 2026 Gemini 3.5 Transcribe vorgestellt. Der offizielle Blog des Unternehmens beschreibt das Modell als sein bislang präzisestes Sprache-zu-Text-Modell, das rohes Audio direkt in akkuraten, formatierten Text umwandeln soll. Das System zielt auf das ab, was Google "intelligente Sprachinteraktionen" nennt, und geht damit über klassische Spracherkennung hinaus, die mit Hintergrundgeräuschen, Fachjargon und Sprechpausen zu kämpfen hat.

Laut Zahlen, die Google dem unabhängigen Analysehaus Artificial Analysis zuschreibt, erreicht Gemini 3.5 Transcribe im Streaming eine durchschnittliche Wortfehlerrate (WER) von 4,0 Prozent, bei aufgezeichnetem Audio 2,6 Prozent. Auf dem mehrsprachigen Benchmark FLEURS erzielt das Modell eine WER von 5,50 Prozent im Streaming und 5,04 Prozent im Nicht-Streaming-Betrieb. Gegenüber dem Vorgängermodell Chirp 3 verbessere sich zudem die Zeit bis zur finalen Transkription um 70 Prozent, so Google.

Was es von klassischer Spracherkennung unterscheidet

Der zentrale Anspruch des Modells ist die "intelligente Transkription": Es verarbeitet Selbstkorrekturen nahtlos — Googles eigenes Beispiel lautet "Treffen wir uns Dienstag — nein, Mittwoch" —, entfernt Füllwörter wie "ähm" und formatiert den resultierenden Text automatisch. Entwickler und Nutzer können dem Modell zudem ein eigenes Vokabular mitgeben, damit es Fachjargon oder ungewöhnliche Schreibweisen korrekt wiedergibt, statt zu raten.

Laut DeepMind erkennt und transkribiert Gemini 3.5 Transcribe automatisch mehr als 85 Sprachen und kommt dabei mit regionalen Akzenten und Dialekten zurecht, ohne dass Nutzer die Sprache vorab festlegen müssen. Bei aufgezeichnetem Audio kann das Modell außerdem die Sprache von bis zu drei verschiedenen Sprechern mit wortgenauen Zeitstempeln zuordnen; die Unterstützung für mehr als drei Sprecher bezeichnet Google noch als experimentell.

Über die Transkription hinaus kann das Modell per "Function Calling" Aufgaben wie Bildgenerierung oder Dateianalyse an andere Gemini-Modelle delegieren — eine Funktion, die aktuell in der Gemini-App für macOS verfügbar ist. Das deutsche Portal The Decoder berichtete zusätzlich, dass das Modell auf diese Weise auch Websuchen delegieren könne, ein Anwendungsfall, den Googles eigener Blogbeitrag nicht ausdrücklich nennt.

Zwei Schnittstellen und immer mehr Einsatzorte

• Echtzeit-Streaming über die Live API (Modell gemini-3.5-transcribe-live) mit einer Latenz unter einer Sekunde für Sprachagenten und Live-Untertitel
• Verarbeitung aufgezeichneter Audiodateien über die Interactions API (Modell gemini-3.5-transcribe) für Meetings, Anrufprotokolle und Nachgesprächs-Analysen
• Rambler, eine neue Diktierfunktion in Gboard für Android, in ausgewählten Ländern und Sprachen
• Die Gemini-App für macOS, derzeit auf Englisch, die Transkription mit Sprachbefehlen und Bildschirmkontext kombiniert
• Google Antigravity, wo das Modell Bildschirmkontext und Chatverlauf kombiniert, um Dateinamen und Fachbegriffe präzise zu transkribieren
• Der Build-Modus von Google AI Studio, um Apps per Sprache zu beschreiben und zu erstellen

Drittanbieter-Plattformen wie Agora, Fishjam, LangChain, LiveKit, Pipecat, Vercel und Vision Agents setzen bereits auf die Live API, um sprachgesteuerte Oberflächen anzubieten. Google zitiert zudem positives Feedback von Vivo, Intellitek Health und Lingopal. Die Unterstützung für Chrome, mit der sich Text in jedem Webformular diktieren lassen soll, wird als "demnächst" angekündigt.

Ein leiser Launch inmitten eines größeren Wartens

The Verge merkt an, dass Gemini 3.5 Transcribe erscheint, während das seit Juni versprochene Modell Gemini 3.5 Pro weiterhin auf sich warten lässt. Das Medium berichtete zudem zunächst — und korrigierte dies später, nachdem Google erneut Kontakt aufgenommen hatte —, dass zwei weitere Audiomodelle, Gemini 3.5 Live und 3.5 Live Experimental, gemeinsam mit Transcribe erscheinen würden. Tatsächlich wurden beide entgegen ursprünglicher Angaben von Google nicht gleichzeitig veröffentlicht, ein neuer Termin wurde nicht genannt. Auch die Verfügbarkeit selbst bleibt gestaffelt: Für Entwickler ist das Transkriptionsmodell über Google AI Studio und Antigravity in der öffentlichen Vorschau verfügbar, für Unternehmen über die Gemini Enterprise Agent Platform, während der Rollout für Endnutzer bislang nur teilweise erfolgt ist.

Für deutschsprachige Unternehmen, die große Mengen mehrsprachiges Audiomaterial verarbeiten — etwa Callcenter, Vertriebsgespräche, Podcasts oder Untertitelung —, könnte eine Transkriptionsschicht, die Füllwörter entfernt und Sprecher automatisch zuordnet, den manuellen Nachbearbeitungsaufwand verringern, der auf ein Rohtranskript üblicherweise folgt. Die niedrigere Fehlerrate bei aufgezeichnetem Audio (2,6 Prozent) gegenüber Live-Streaming (4,0 Prozent) legt nahe, dass Stapelverarbeitung wie die Analyse von Callcenter-Gesprächen derzeit die sicherere Wahl ist, während Echtzeit-Untertitel und Sprachagenten noch etwas fehleranfälliger bleiben. Unternehmen, die das Modell prüfen, sollten zudem bedenken, dass die Sprecherzuordnung über drei Personen hinaus sowie die vollständige deutschsprachige Unterstützung unter macOS noch nicht verfügbar sind — und dass die Frage einer DSGVO-konformen Verarbeitung von Audiodaten in der eigenen Prüfung nicht fehlen sollte, bevor größere Meetings produktiv darüber laufen.