Gemini 3.5 Transcribe verwandelt rohes Audio direkt in formatierten Text

Das Ende der rohen Transkripte

Google hat Gemini 3.5 Transcribe veröffentlicht, ein neues Speech-to-Text-Modell, das die klassischen Probleme bei der Transkription lösen soll. Anstatt nur Wörter auszuspucken, kann es „ähm“ und „äh“ direkt auswerfen, Korrekturen mitten im Satz („lass uns am Dienstag treffen, nein, am Mittwoch“) handhaben und den Text sofort formatieren.

Verlagerung von Transkription zu Verständnis

Der Unterschied zum älteren Modell Chirp 3 liegt nicht nur in der Genauigkeit (die Word Error Rate ist beim Streaming auf 4,0 % gesunken). Der entscheidende Teil ist die Anbindung an das Ökosystem. Transcribe kann bis zu drei Sprecher erkennen und Timestamps zurückgeben. Vor allem aber kann es in der Gemini-App für macOS direkt aus Audiosignalen Funktionen aufrufen (Function Calling) und anderen Modellen Aufgaben zuweisen.

Wo KI endet und UI beginnt

Google drängt dieses Modell in seine Produkte (Gboard, Antigravity, Chrome) und zeigt damit, dass die Spracheingabe nicht länger nur ein Diktierwerkzeug sein soll, sondern eine vollwertige Möglichkeit, das System zu steuern. Für Entwickler ist das Modell über die Gemini API in Varianten für Live-Streaming und die Verarbeitung von Aufzeichnungen verfügbar.

Akzeptanzgeschwindigkeit außerhalb von Google

Der eigentliche Test wird sein, ob dieses Modell Entwickler überzeugt, die derzeit auf Whisper oder Deepgram bauen. Preis, Latenz und Zuverlässigkeit in Grenzfällen werden entscheiden.

Liliths Urteil

Die Audiotranskription ist eine Ware, daher versucht Google, das Verstehen von Absichten und die Maschinensteuerung direkt zu verkaufen. Die Frage ist, ob Entwickler ein smartes Paket von Google wollen oder lieber ihre eigene Logik auf Basis von reinem Text aus Whisper aufbauen.