Google zeigt Gemini 3.5 Transcribe als Preview: Platz fünf in der unabhängigen Rangliste, die es selbst zitiert

Spracherkennung steht wieder im Zentrum des Wettbewerbs zwischen den Modellanbietern – sie ist der natürliche Zugang zu Assistenten und Sprachagenten. In diesem Umfeld hat Google am 26. August 2026 im eigenen Blog die öffentliche Preview von Gemini 3.5 Transcribe angekündigt. Das Modell, das die Chirp-Reihe ablösen soll, wandelt Audio nicht bloß Wort für Wort um, sondern bereinigt und formatiert es direkt. So beschreibt es das Unternehmen selbst: "Unlike conventional speech recognition models that struggle with background noise, complex jargon, and disfluency cleanup, Gemini 3.5 Transcribe converts raw audio directly into accurate, polished, formatted text" (»Anders als herkömmliche Spracherkennungsmodelle, die mit Hintergrundgeräuschen, komplexem Fachjargon und dem Bereinigen von Sprechpausen kämpfen, wandelt Gemini 3.5 Transcribe rohes Audio direkt in genauen, geschliffenen, formatierten Text um«). Verfügbar ist die Technik in öffentlicher Preview über die Gemini API in Google AI Studio und auf der Gemini Enterprise Agent Platform, ausgeliefert als `gemini-3.5-transcribe` für aufgezeichnetes Audio (Interactions API) und `gemini-3.5-transcribe-live` für Interaktionen in Echtzeit (Live API).

Google stellt das Modell als sein bislang genauestes Speech-to-Text-Werkzeug vor, unabhängige Messungen zeichnen jedoch ein differenzierteres Bild. Google nennt eine von Artificial Analysis gemessene Fehlerrate von 2,6 % im Non-Streaming- und 4,0 % im Streaming-Betrieb. In der öffentlichen AA-WER-Rangliste derselben Stelle, abgerufen am 29. August 2026, steht das Modell mit einer Wortfehlerrate (WER) von 2,6 % auf Platz fünf, gleichauf mit zwei weiteren Modellen und hinter Fun-Realtime-ASR-preview (1,7 %), Scribe v2 von ElevenLabs (2,2 %), MAI-Transcribe-1.5 von Microsoft Azure (2,4 %) und Smallest AI Pulse Pro (2,4 %). In der Methodennotiz stellt Artificial Analysis klar, dass ein niedrigerer AA-WER eine genauere Transkription bedeutet; berechnet wird er als nach Audiodauer gewichteter Mittelwert über rund 8 Stunden Testmaterial. Beim mehrsprachigen Benchmark FLEURS gibt Google einen WER von 5,04 % (Non-Streaming) und 5,50 % (Streaming) an – gemessen allerdings an einer Auswahl von Sprachen und lokalen Varianten, die nicht vollständig offengelegt ist, womit ein direkter Vergleich ausscheidet. Zudem beziffert das Unternehmen die Verbesserung der Verarbeitungszeit gegenüber Chirp 3 auf 70 %, ohne dass es dafür eine unabhängige Prüfung gäbe; die Details des Vergleichs veröffentlicht Google nicht.

Zu den genannten Funktionen zählen die Unterstützung von über 85 Sprachen mit automatischer Erkennung, das Entfernen von Füllwörtern wie "ähm" oder "äh" sowie die Sprecherzuordnung für bis zu drei Beteiligte samt Zeitstempeln (darüber hinaus experimentell). Die asynchrone Variante kostet 2,00 US-Dollar je Million Audio-Eingabetokens und 12,00 US-Dollar je Million Text-Ausgabetokens, die Live-Version 3,50 beziehungsweise 21,00 US-Dollar, jeweils mit einem kostenlosen Nutzungskontingent. Bei den Integrationen treibt das Modell die Funktion Rambler der Gboard-Tastatur unter Android und die Gemini-App unter macOS an, ein Rollout in Chrome ist vorgesehen. Einige Informationslücken bleiben: Google beschreibt die Verfügbarkeit von Rambler als auf "ausgewählte Länder und Sprachen" begrenzt, ohne eine offizielle Liste zu nennen, während Engadget in seiner Berichterstattung vom 26. August 2026 schreibt, die Funktion sei auf Geräten der Pixel-11-Reihe aktiv und künftig für Dienste wie Search Live und Google Antigravity vorgesehen. Da es sich um eine Preview handelt, sind keine Service-Level-Agreements (SLA) verknüpft; auch zur Leistung im Italienischen oder in dessen regionalen Varianten liegen keine Angaben vor.

Den Text direkt an der Quelle zu bereinigen, ist eine pragmatische Entscheidung: Sprachagenten brauchen klare Absichten, nicht unser menschliches Zögern. Eine relative Verbesserung von 70 % zu verkünden, ohne die Details des Vergleichs zu zeigen, während eine unabhängige Rangliste das Modell bei der Genauigkeit auf Platz fünf führt, deutet allerdings darauf hin, dass die Aufholjagd auf die Marktführer noch offen ist. — Olya