Google hat am 26. August 2026 mit Gemini 3.5 Transcribe ein neues Speech-to-Text-Modell vorgestellt, das als Teil der Gemini-Audio-Familie in die öffentliche Preview geht. Statt Audio bloß Wort für Wort in Text zu verwandeln, soll das Modell laut Google „intelligent" transkribieren: Füllwörter wie „äh" und „ähm" werden auf Wunsch entfernt, Versprecher und Selbstkorrekturen erkannt, Satzzeichen und Groß-/Kleinschreibung automatisch gesetzt. Für Entwickler, Callcenter-Betreiber und alle, die Meetings, Interviews oder Podcasts verschriftlichen, ist das eine relevante Neuerung — mit einigen Haken für Anwender in Europa.
Was Gemini 3.5 Transcribe kann
Nach Angaben aus Googles Ankündigung erkennt das Modell automatisch mehr als 85 Sprachen, inklusive Sprachwechsel mitten im Satz und regionaler Akzente. Als Genauigkeit nennt Google eine durchschnittliche Wortfehlerrate (WER) von 2,6 Prozent im Nicht-Streaming-Betrieb und 4,0 Prozent im Streaming, gemessen vom unabhängigen Benchmark-Dienst Artificial Analysis. Auf dem mehrsprachigen FLEURS-Benchmark liegen die Werte bei 5,04 Prozent (nicht-streaming) beziehungsweise 5,50 Prozent (streaming). Gegenüber dem Vorgängermodell Chirp 3 soll die Zeit bis zur fertigen Transkription um 70 Prozent gesunken sein.
- Zwei Modi: „verbatim" (wortgetreu, inklusive Füllwörter) und „smart" (bereinigt, formatiert)
- Sprechererkennung für bis zu drei Sprecher, mehr experimentell
- Zeitstempel auf Wortebene für Untertitel und Suchfunktionen
- Eigenes Vokabular: Fachbegriffe, Produktnamen und Schreibweisen lassen sich vorgeben
- Function Calling: Das Modell kann Aufgaben an andere Gemini-Modelle delegieren
Zwei Endpunkte, mehrere Produkte
Google liefert das Modell als zwei getrennte Varianten aus: gemini-3.5-transcribe verarbeitet aufgezeichnete Audiodateien über die Interactions API — nur hier gibt es Sprechererkennung und Wort-Zeitstempel. gemini-3.5-transcribe-live läuft über die Live API und ist für bidirektionales Streaming mit Latenzen unter einer Sekunde gedacht, etwa für Sprachagenten oder Live-Untertitel. Verfügbar ist beides über die Gemini API in Google AI Studio sowie über die Gemini Enterprise Agent Platform. Als Integrationspartner nennt Google unter anderem LiveKit, Pipecat, Agora, LangChain und Vercel.
Auch Endnutzer bekommen das Modell zu sehen: Es steckt in der Diktierfunktion von Gboard auf Android, in der Gemini-App für macOS und in Googles Entwicklungsumgebung Antigravity. Eine Chrome-Integration soll folgen.
Preise: günstig, aber nur in Dollar
Google selbst nennt in der Ankündigung keine Preise. Auswertungen von Drittanbietern wie OrcaRouter und MarkTechPost beziffern die Kosten auf rund 0,005 US-Dollar pro Minute für aufgezeichnetes Audio und etwa 0,009 US-Dollar pro Minute im Live-Streaming; eine Stunde Meeting würde demnach umgerechnet rund 30 Cent kosten. Ein kostenloses Kontingent gibt es über Google AI Studio. Zu beachten sind die Limits der Preview: Live-Sitzungen enden nach 10 Minuten, Audiodateien dürfen maximal eine Stunde lang sein, mit Sprechererkennung oder Zeitstempeln nur 30 Minuten.
Was bedeutet das für Anwender in Deutschland?
Deutsch gehört zu den unterstützten Sprachen, und die API ist über AI Studio auch aus der EU nutzbar. Preise gibt es bislang nur in US-Dollar, eine Abrechnung in Euro läuft über Google Cloud Billing. Der eigentliche Knackpunkt ist der Datenschutz: Sprachaufnahmen sind personenbezogene Daten, oft mit Gesundheits- oder Vertragsinhalten. Wer Kundengespräche, Arztdiktate oder interne Meetings an eine US-Cloud sendet, braucht einen DSGVO-konformen Auftragsverarbeitungsvertrag und sollte prüfen, ob die Enterprise-Variante mit EU-Datenresidenz möglich ist — die kostenlose AI-Studio-Nutzung ist dafür nicht geeignet, weil Google dort Eingaben zur Produktverbesserung auswerten darf. Beim Einsatz in Sprachagenten greift zudem die Transparenzpflicht des EU AI Act: Seit dem 2. August 2026 müssen Nutzer erfahren, dass sie mit einer KI sprechen.
Wer die Daten lieber im Haus behält, hat gute Optionen: Whisper Large V3 von OpenAI läuft als Open-Weight-Modell auf einer normalen Gaming-GPU, die beschleunigte Variante Faster Whisper auch auf schwächerer Hardware. Beide transkribieren Deutsch zuverlässig, allerdings ohne Googles Live-Streaming-Komfort und smarte Bereinigung. Als Cloud-Alternativen mit ausdrücklich europäischer Datenhaltung bieten sich Anbieter wie Speechmatics oder Deepgram an. Für ein mittelständisches Unternehmen heißt das konkret: Gemini 3.5 Transcribe für unkritische Inhalte wie Podcasts oder Marketing-Videos testen, sensible Aufnahmen lokal mit Whisper verarbeiten — und vor dem Produktiveinsatz das Ende der Preview-Phase abwarten, da Google Limits und Preise dann noch anpassen kann.