Google hat mit Gemini 3.5 Transcribe sein bislang präzisestes Sprache-zu-Text-Modell vorgestellt: 4,0 % Wortfehlerrate live, 2,6 % bei Aufnahmen, Sprechertrennung und über 85 Sprachen. Was das für Podcasts, Meetings und Content-Workflows wirklich bedeutet — und wo es noch nicht hinreicht.
Am 26. August hat Google offiziell Gemini 3.5 Transcribe vorgestellt — kein Gerücht, sondern eine Ankündigung mit klaren, nachprüfbaren Zahlen. Für alle, die aus gesprochenem Wort regelmäßig Text machen müssen — Podcast-Show-Notes, Meeting-Recaps, Untertitel — lohnt ein genauer Blick: Was kann das Modell wirklich, und wo hört der Nutzen für den eigenen Workflow auf?
Über die Live API liefert gemini-3.5-transcribe-live durchgehendes, bidirektionales Streaming mit Latenz unter einer Sekunde — gedacht für Interviews, Calls oder Voice-Agents, bei denen Text quasi in Echtzeit entstehen soll. Das Modell erkennt automatisch die gesprochene Sprache, korrigiert Versprecher im laufenden Text ("wir treffen uns Dienstag — nein, Mittwoch"), entfernt Füllwörter wie "ähm" und formatiert automatisch. Über ein eigenes Vokabular lassen sich Fachbegriffe und Eigennamen zusätzlich hinterlegen.
Laut Google, gemessen von der unabhängigen Benchmark-Firma Artificial Analysis, liegt die durchschnittliche Wortfehlerrate im Streaming-Modus bei 4,0 % — bei mehr als 85 automatisch erkannten Sprachen inklusive Dialekten und Akzenten.
Gemini 3.5 Transcribe ist für Entwickler bislang nur als Public Preview in der Gemini API über Google AI Studio, in Google Antigravity und über die Gemini Enterprise Agent Platform verfügbar. Für Endnutzer läuft es aktuell in der Gemini-App auf macOS (nur Englisch) und über die neue Rambler-Funktion in Gboard auf Android (ausgewählte Länder) — Chrome soll "demnächst" folgen. In der offiziellen Ankündigung tauchen Google Docs und Gmail nicht auf — wer das erwartet, sollte wissen, dass Google das (noch) nicht zugesagt hat.
Für bereits aufgenommenes Material — Podcast-Folgen, Meeting-Mitschnitte, Call-Logs — läuft gemini-3.5-transcribe über die Interactions API. Der Unterschied zur Live-Variante: Sprecherzuordnung mit wortgenauen Zeitstempeln, offiziell für bis zu drei Personen, mehr Sprecher laufen laut Google als "experimentell". Genau das macht daraus die Vorstufe für Show Notes, Meeting-Recaps oder Untertitel — nicht nur ein Textblock, sondern strukturierte, zeitlich verortete Sprecherabschnitte.
Konkret heißt das für die Content-Produktion: Aus einer Podcast- oder Video-Aufnahme entsteht ein sauberes Transkript, das direkt als Rohmaterial für Blogartikel, Newsletter-Abschnitte oder Social-Snippets taugt — der Zwischenschritt "Transkript erstmal aufräumen" entfällt. Die wortgenauen Zeitstempel sind zugleich die Vorstufe für Untertitel-Dateien, und die Sprecherzuordnung macht Kundeninterviews oder Case-Study-Gespräche ohne manuelle Nacharbeit auswertbar. Wer die Aufgabe schon über n8n, Make oder Zapier automatisiert hat, kann prüfen, ob sich der bestehende Transkriptions-Node ersetzen lässt — die API-Verfügbarkeit macht das direkt in bestehende Workflows einbindbar.
Bei Aufnahmen liegt die gemessene Wortfehlerrate bei 2,6 %, und laut Google verbessert sich die Zeit bis zur fertigen Transkription gegenüber dem Vorgängermodell Chirp 3 um 70 %. Auf dem mehrsprachigen FLEURS-Benchmark erreicht das Modell 5,50 % (Streaming) bzw. 5,04 % (Aufnahme) — höher als die Bestwerte, aber ein realistischeres Bild über viele Sprachen hinweg.
Eine Cloud-API pro Minute Audio abzurechnen ist praktisch, hat aber zwei Haken, die in der Produktankündigung naturgemäß fehlen: Kosten skalieren mit dem Volumen, und die Audiodaten verlassen die eigene Infrastruktur — für Unternehmen mit hohem Transkriptionsaufkommen oder strengen Datenschutzanforderungen (DSGVO, Mandantendaten, Kundengespräche) ist das ein echter Abwägungspunkt. Quelloffene, lokal laufende Modelle wie Whisper liefern in der Praxis keine Sprecherzuordnung oder Funktionsaufrufe wie Gemini, kosten dafür aber nichts pro Minute und verlassen den eigenen Server nie.
Eine bessere Wortfehlerrate spart Korrekturaufwand. Eine offene API dahinter macht aus Transkription den Startpunkt einer Automatisierungskette — Show Notes, Kapitelmarken, Social-Schnipsel, alles ohne manuellen Zwischenschritt.
Die Zahlen von Gemini 3.5 Transcribe sind real und stammen nicht nur aus Googles eigener Pressemitteilung, sondern wurden von Artificial Analysis unabhängig gemessen — das unterscheidet diese Ankündigung positiv von manchem hausinternen Benchmark, den wir hier schon einordnen mussten. Für Content-Ersteller, die bereits im Google-Ökosystem arbeiten und Podcasts, Interviews oder Meetings regelmäßig in Text verwandeln, ist das ein handfester Fortschritt gegenüber dem Vorgänger.
Trotzdem lohnt der nüchterne Blick: Das Modell ist Public Preview, also noch nicht überall verfügbar und noch nicht final. Sprecherzuordnung endet offiziell bei drei Personen. Und wer viel transkribiert oder mit sensiblen Gesprächen arbeitet, sollte Cloud-Kosten und Datenresidenz genauso in die Entscheidung einbeziehen wie die Wortfehlerrate — dafür bleiben lokale, quelloffene Modelle wie Whisper eine ernstzunehmende, kostenlose Alternative, auch wenn sie Geminis Automatisierungstiefe nicht mitbringen.
Quellen: blog.google (offizielle Ankündigung) · 9to5Google · Engadget. Stand: 30.08.2026.
Welches Modell für welche Aufgabe, welche Tools wirklich zählen und wie du richtig promptest — komplett lesbar, kein Download.
Jetzt gratis lesen →Ich helfe dir, KI-Themen für deinen Content so aufzubereiten, dass sie stimmen — nicht nur, dass sie gut klicken. Lass uns reden.