Gemini 3.5 Transcribe ist Googles neues, speziell entwickeltes Speech-to-Text-Modell, angekündigt um den 26. August 2026 und aufgebaut auf dem Audioverständnis von Gemini. Es erscheint in zwei Varianten: gemini-3.5-transcribe für aufgezeichnete Dateien (bis zu einer Stunde, mit Diarisierung und Wort-Zeitstempeln) und gemini-3.5-transcribe-live für Echtzeit-Streaming über WebSockets (Sitzungen von 10 Minuten, keine Diarisierung).
Der Preis ist das Schlagzeilenthema: etwa 0,005 $ pro Minute für das Datei-Modell und 0,009 $ pro Minute für Live, womit es Googles eigene Standardstufe von Cloud Speech-to-Text v2 (0,016 $/Min.) unterbietet. Google nennt eine Wortfehlerrate von 2,6 % für englisches Audio ohne Streaming (gemessen von Artificial Analysis), und das Modell ist als Nachfolger von Chirp 3 positioniert.
Das ehrliche Fazit: Die Laborwerte sind hervorragend, aber die ersten Praxiserfahrungen sind geteilt. Fans nennen es das beste Diktiermodell, das sie genutzt haben; Kritiker sagen, Smart-Transkription könne präzise Formulierungen "vereinfachen", und die Diarisierung gerät ab drei Sprechern ins Stocken. Ein Statuspunkt, den man kennen sollte: Googles Modellliste kennzeichnet es als "Stable", während der Launch-Blog von "public preview" spricht. Wenn Ihr Support-Team das für Sprachtickets ins Auge fasst, bedenken Sie: Transkription ist nur die Eingabeschicht, Sie brauchen weiterhin etwas, das das Ticket tatsächlich löst, und genau dafür gibt es ein KI-Helpdesk-Teammate.
Was ist Gemini 3.5 Transcribe?
Seit ein paar Jahren hatte man mit Googles Modellen zwei Optionen, um Audio in Text umzuwandeln: Googles Cloud Speech-to-Text API (die Chirp-Reihe) oder eine Audiodatei einfach an ein allgemeines Gemini-Chatmodell zu übergeben und es um die Transkription zu bitten. Gemini 3.5 Transcribe ist das erste Mal, dass Google ein Modell mit Gemini-Namen speziell für diese Aufgabe veröffentlicht, neben dem Rest der Gemini-3-Reihe.
Google beschreibt es als "a speech-to-text model based on Gemini's audio understanding capabilities", das latenzarme Transkription mit äußerungsbasierter Spracherkennung, Sprecherdiarisierung, Zeitstempeln auf Wortebene, Smart-Transkription und individueller Vokabular-Gewichtung bietet. Einfach gesagt: Es hört Audio und liefert sauberen, formatierten Text mit Sprecherzuordnung zurück, in mehr als 85 Sprachen, ohne dass Sie selbst eine Pipeline zusammenbauen müssen.
Wenn Sie die Transkriptionskonsole von Google Cloud schon einmal benutzt haben, kommt Ihnen der Ablauf bekannt vor: Sie verweisen auf eine Audiodatei und wählen Ihre Optionen:
Eines vorweg, weil sich Googles eigene Dokumente widersprechen: Die Modellübersicht kennzeichnet Gemini 3.5 Transcribe als "New Stable", während der Launch-Blogbeitrag sagt, es sei für Entwickler und Unternehmen "in public preview". Es steckt bereits in Verbraucherprodukten, Rambler in Gboard für Android, der Gemini-App für macOS und "demnächst in Chrome", laut demselben Beitrag. Betrachten Sie es als fast produktionsreif, aber noch nicht vollständig gefestigt.
Die zwei Modelle: Datei vs. Live
Das Wichtigste, was Sie vor der ersten Zeile Code wissen sollten: "Gemini 3.5 Transcribe" besteht eigentlich aus zwei Endpunkten, die sich sehr unterschiedlich verhalten.
Das Datei-Modell gemini-3.5-transcribe nehmen Sie, wenn Sie bereits eine Aufnahme haben, einen Support-Anruf, einen Podcast, ein Meeting, und das vollständige Transkript mit Sprecherlabels wollen. Das Modell gemini-3.5-transcribe-live ist für Audio-Streaming in Echtzeit gedacht, etwa für Live-Untertitel, bei denen jede zusätzliche Sekunde Latenz spürbar ist. So sieht die Funktionsunterstützung aus:
| Funktion | gemini-3.5-transcribe (Datei) | gemini-3.5-transcribe-live (Streaming) |
|---|---|---|
| Am besten für | Aufgezeichnetes Audio | Echtzeit-Untertitel |
| Automatische Spracherkennung | 85+ Sprachen, inkl. Code-Mixing mitten in der Sitzung | 85+ Sprachen |
| Zeitstempel auf Wortebene | Unterstützt (verringert die Genauigkeit) | Nicht unterstützt |
| Sprecherdiarisierung | Unterstützt (siehe Hinweis unten) | Nicht unterstützt |
| Individuelle Vokabular-Gewichtung | Bis zu 1.000 Begriffe (am besten ≤100) | Bis zu 1.000 Begriffe |
| Smart-Diktat & Formatierung | Unterstützt | Unterstützt |
| Max. Audiodauer | Bis zu 1 Stunde (30 Min. mit Diarisierung oder Zeitstempeln) | 10 Minuten pro Sitzung |
| Gemischter Preis | ca. 0,005 $ / Min. | ca. 0,009 $ / Min. |
Auf den Diarisierungs-Hinweis sollten Sie achten. Googles Funktionstabelle der Modellseite sagt, das Datei-Modell unterstütze "up to 8 speakers (Attribution for 3+ speakers is experimental)", der Ankündigungs-Blog dagegen "up to three speakers". So oder so liegt die verlässliche Obergrenze heute bei drei, und ich würde mit dieser Zahl planen, nicht mit acht.
Was Smart-Transkription tatsächlich macht
Die Funktion, auf die Google am stärksten setzt, ist Smart-Transkription, und es lohnt sich, sie zu verstehen, weil sie auch die lautesten Beschwerden auslöst. Ein Rohtranskript menschlicher Sprache ist unordentlich: Leute sagen "ähm", beginnen einen Satz, brechen ab, setzen neu an, nuscheln Zahlen. Smart-Transkription räumt das alles automatisch auf.
Laut Launch-Beitrag verarbeitet es Selbstkorrekturen (jemand sagt "treffen wir uns Dienstag, nein, Mittwoch" und Sie erhalten "Mittwoch"), entfernt Füllwörter und wendet absichtsbewusste Formatierung auf Dinge wie alphanumerische Zeichenfolgen an. Für das Diktieren einer E-Mail oder das Aufräumen von Meeting-Notizen ist das genau das, wofür spezielle Diktier-Tools Geld verlangen, es im Basismodell zu haben ist also nützlich.
Die Kehrseite: "Aufräumen" ist eine Ermessensfrage, und das Modell sieht nicht immer so wie Sie, was Rauschen ist. Ein Entwickler, der es auf einem Pixel 11 Pro getestet hat, formulierte es deutlich:
"The main issue is when you want to say something precise with specific wording it might 'simplify' it and break the meaning. Something like 'I hesitated to check it, I should have verified' => 'I should have verified'... I tried the sentence few times and it always removed the first part."
Das Denkmodell lautet also: Smart-Transkription ist ein Feature, keine neutrale Transkription. Wenn Sie wörtliche Genauigkeit brauchen (Recht, Forschung, alles, wo der genaue Wortlaut zählt), ist das ein echter Kompromiss, den Sie abwägen sollten.
Wie genau ist es wirklich?
Auf dem Papier sind die Zahlen hervorragend. Google nennt die folgenden Wortfehlerraten, alle von Artificial Analysis gemessen:
Eine Wortfehlerrate von 2,6 % bei englischem Audio ohne Streaming ist sehr gut, grob ein falsches Wort pro vierzig. Google behauptet außerdem, die Zeit bis zum finalen Transkript verbessere sich um 70 % gegenüber Chirp 3, doch diese Darstellung stammt von Google selbst, ich würde sie daher als Herstellerangabe statt als unabhängigen Benchmark behandeln.
Das interessantere Signal ist, was Praktiker nach der Nutzung sagen. Und hier ist das Bild geteilt. Auf der positiven Seite:
"I am using it all day as a main dictation model, and I can say it's the best model in terms of accuracy, latency, and formatting I have ever used."
Aber der Launch-Thread auf Hacker News ist voll von Leuten, die eigene Vergleiche fahren und zu anderen Schlüssen kommen. Einige bevorzugen weiterhin Whisper, und ein paar fanden echte Lücken:
"Curious if this suffers from the same hallucination problems as Chirp or not... we've moved back to Whisper for timestamp accuracy and then Gemini Flash for transcription correction."
Mein Fazit: Die Wortfehlerrate in einem sauberen Benchmark und die auf Ihrem echten Audio (verrauschte Anrufe, verschiedene Akzente, Durcheinanderreden) sind zwei verschiedene Dinge. Die Laborwerte sind ein starker Anfang, keine Garantie. Wenn Sie irgendein Transkriptionsmodell für echte Arbeit bewerten, testen Sie es an Ihren eigenen Aufnahmen, bevor Sie sich festlegen.
Preise von Gemini 3.5 Transcribe
Google hat die Preise nicht in die Modellankündigung aufgenommen, was Entwickler so verärgerte, dass einer die Zahlen selbst auf Hacker News gepostet hat. Hier das vollständige Bild von der Preisseite, für die Gemini Developer API:
| Modell | Audio-Eingabe | Text-Ausgabe | Gemischter Satz |
|---|---|---|---|
gemini-3.5-transcribe (Datei) | 2,00 $ / 1 Mio. Token (~0,003 $/Min.) | 12,00 $ / 1 Mio. Token (~0,002 $/Min.) | ~0,005 $ / Min. |
gemini-3.5-transcribe-live (Streaming) | 3,50 $ / 1 Mio. Token (~0,005 $/Min.) | 21,00 $ / 1 Mio. Token (~0,004 $/Min.) | ~0,009 $ / Min. |
Zum Vergleich: Googles eigene Cloud Speech-to-Text v2 Standard-Erkennung beginnt bei 0,016 $/Min. und sinkt mit dem Volumen, während die dynamische Batch-Stufe 0,003 $/Min. kostet. Das neue Gemini-Datei-Modell liegt also sauber unter der Standard-Echtzeit-Erkennung, aber über der günstigsten Batch-Option. Vergleichen Sie bei der Rechnung Gleiches mit Gleichem (Echtzeit vs. Batch).
Apropos Rechnen, hier ein kleiner Rechner. Geben Sie ein, wie viele Stunden Audio Sie pro Monat verarbeiten, und sehen Sie ungefähr, was jede Option kostet:
Ein durchgerechnetes Beispiel: Ein kleines Team, das 200 Stunden Support-Anrufe pro Monat transkribiert, zahlt mit dem Datei-Modell etwa 60 $/Monat, gegenüber rund 192 $ bei Cloud Speech-to-Text Standard. In dieser Größenordnung ist der Unterschied real, aber nicht riesig. Die größere Kostenfrage ist meist, was Sie danach mit den Transkripten machen, nicht die Transkription selbst.
Wie es sich gegen Whisper, Deepgram und Scribe schlägt
Ich möchte hier vorsichtig sein, denn ein fairer Vergleich braucht die eigenen Zahlen jedes Anbieters, und ehrlicherweise laufen die echten Direktvergleiche bei Nutzern, nicht bei mir. Statt einer Spezifikationstabelle, die ich nicht vollständig belegen kann, hier also, was die Leute herausfinden, die diese Modelle tatsächlich A/B-testen.
Bei den Kosten teilt sich die Reaktion fast genau in der Mitte. Ein Entwickler, der whispermemos.com betreibt, hat nachgerechnet und war zufrieden:
"I did the math based on our data from customers... and it seems to be $0.12 per hour of input audio... Scribe is $0.22. If the accuracy is close to Scribe, I think it's a good deal."
Andere waren nicht überzeugt, dass die Genauigkeit nah genug dran ist:
"Still more expensive and worse performing than ElevenLabs Scribe, unfortunately. Not sure who's the target audience for this."
Die am häufigsten genannte Beschwerde, und die, die ich bei Meeting-Transkription am stärksten gewichten würde, betrifft den Umgang mit mehreren Sprechern:
"Still no real time diarization beyond 3 people (and even then experimental) when others do it very well, like Soniox and Deepgram. For something like meeting notes this is critical."
Und Whisper hat weiterhin eine treue Anhängerschaft, teils weil es kostenlos selbst gehostet werden kann, teils weil viele Teams bereits Pipelines darum gebaut haben. Ein gängiges Muster ist hybrid: Whisper für genaue Wort-Zeitstempel, dann ein Gemini-Modell für den eigentlichen Text. Kurz gesagt: Gemini 3.5 Transcribe ist eine starke, gut bepreiste verwaltete Option, kein automatischer Sieger gegenüber den spezialisierten ASR-Tools. Welches gewinnt, hängt stark von Ihrem Audio ab und davon, ob Sie verlässliche Diarisierung brauchen.
Wo Transkription für ein Support-Team ins Spiel kommt
Etwas, das man leicht übersieht und das ich deshalb klar sagen möchte: Gemini 3.5 Transcribe ist Infrastruktur. Es verwandelt Audio in Text, und dieses schwierige Problem löst es gut. Aber ein Transkript eines Kundenanrufs oder einer Sprachnachricht ist keine Antwort, es ist nur der Anfang. Irgendetwas muss diesen Text lesen, verstehen, was der Kunde braucht, die richtigen Informationen heranziehen und das Ticket lösen.
An dieser Lösungsschicht arbeite ich. Ich habe die letzten Jahre dabei geholfen, KI aufzubauen, die in Live-Support-Warteschlangen sitzt, und das Muster ist immer dasselbe: Die Worte richtig zu erfassen ist die Grundvoraussetzung, richtig darauf zu reagieren ist das Schwierige. Ein Transkriptionsmodell liefert Ihnen die Worte. Es kennt weder Ihre Erstattungsrichtlinie noch Ihr Bestellsystem noch die letzten drei Tickets dieses Kunden.
Das ist der Unterschied zwischen einem Modell und einem Teammate. Gemini 3.5 Transcribe ist ein Modell, brillant bei einer engen Aufgabe. eesel ist eine Teammate-Plattform: Sie stellen einsatzbereite KI-Teammates für bestimmte Aufgaben ein, und das aktuelle Angebot umfasst ein KI-Helpdesk-Teammate und einen KI-Blog-Autor. Das Helpdesk-Teammate fügt sich in das Helpdesk ein, das Sie bereits betreiben, Zendesk, Freshdesk, Gorgias, und reiht sich in die bestehende Warteschlange ein, trainiert auf Ihrem Help Center und früheren Tickets.
eesel für Sprach- und Chat-Tickets ausprobieren
Wenn Sie sich mit Transkription beschäftigen, weil Ihr Team in Sprach- oder Chat-Tickets versinkt, ist das Transkript nur die halbe Arbeit. Das eesel AI-Helpdesk-Teammate setzt dort an, wo ein Modell wie Gemini 3.5 Transcribe aufhört: Es liest die Nachricht des Kunden, entwirft oder sendet die Antwort und schließt den Vorgang tatsächlich ab, über 1.000+ Integrationen.
Als Erstes würde ich den Simulationsmodus nennen. Bevor die KI einen Live-Kunden berührt, lassen Sie sie über Tausende Ihrer eigenen historischen Tickets laufen und sehen genau, wie sie geantwortet hätte, Sie legen also nicht einfach den Schalter um und hoffen. Der Preis ist ein fester Monatspreis, ab 299 $/Monat für 500 Credits (1 Credit pro Ticket oder Chat) ohne Gebühren pro Nutzer, und es gibt einen kostenlosen Plan mit 100 Credits, ohne Karte. Das ist der Unterschied zwischen einer klugen Transkription eines Problems und seiner tatsächlichen Lösung.