Gemini 3.5 Transcribe: Googles präzisestes Sprachmodell versteht sogar Selbstkorrekturen
Gemini-3.5-Transcribe
Google stellt Gemini 3.5 Transcribe vor, ein neues Speech-to-Text-Modell, das rohes Audio direkt in sauberen, formatierten Text umwandelt. Es meistert Hintergrundgeräusche, Fachjargon und Selbstkorrekturen, entfernt Füllwörter und unterstützt über 85 Sprachen. Entwickler können es über die Live API für Echtzeit-Streaming oder die Interactions API für vorab aufgenommene Audiodaten nutzen. Laut Artificial Analysis erreicht das Modell eine Wortfehlerrate von nur 4,0 % (Streaming) und 2,6 % (Non-Streaming) und verbessert die Latenz um 70 % gegenüber dem Vorgänger Chirp 3. Zudem ist es in Google-Produkten wie Gboard, Antigravity und der Gemini-App integriert.
Gemini 3.5 Transcribe wandelt rohes Audio direkt in präzisen, formatierten Text um – selbst bei Hintergrundgeräuschen, komplexem Fachjargon und Selbstkorrekturen.
- Lucasoato
Ich habe mindestens 20 STT-Modelle in einem Benchmark getestet, den ich mit deutschen, italienischen und englischen Stimmen aus Meetings in meinem Unternehmen aufgesetzt habe. Die Stimmen enthielten sehr branchenspezifische Wörter, die Sprachen wechselten von Satz zu Satz, manchmal wurden Wörter in einer Sprache erwähnt, während eine Diskussion in einer anderen lief. Das einzige lokale Modell, das mich zufriedenstellt, ist Voxtral Mini 3b, die einzige kostenpflichtige API, die etwas besser ist, ist eleven labs. Ja, Voxtral erreicht vielleicht nicht die beste Punktzahl in den Benchmarks, aber für mich löst es einfach ein Problem. Es ist vielleicht nicht das beste in Bezug auf Geschwindigkeit ... aber das ist für mich kein Problem. Ich teste gerne dieses neue Modell von Google, aber ich bin nicht sicher, ob ich es dem vorziehen würde, was so einfach auf meinem Rechner läuft.
- spentrent
Wird aus "Jemand im Konferenzraum" "Bob aus der Buchhaltung"?
- Crystalin
Ich habe es auf dem Pixel 11 Pro getestet und mag es größtenteils nicht. Es ist praktisch, wenn man etwas Langes zu sagen hat, ohne vorher darüber nachzudenken. Aber das Hauptproblem ist, wenn man etwas Präzises mit bestimmter Formulierung sagen möchte, kann es das "vereinfachen" und die Bedeutung brechen. So etwas wie "Ich habe gezögert, es zu überprüfen, ich hätte es verifizieren sollen" => "Ich hätte es verifizieren sollen" (Das "Ich habe gezögert ..." wird entfernt, aber ich habe es gesagt, weil ich die Person wissen lassen wollte, dass ich vorher darüber nachgedacht habe). Ich habe den Satz ein paar Mal versucht, und es entfernt immer den ersten Teil.
- ameliaquining
"Function Calling: Das Modell kann komplexe Aufgaben (wie Bildgenerierung und Dateianalyse) über Funktionsaufrufe an andere Gemini-Modelle delegieren. Derzeit in der Gemini-macOS-App verfügbar." Das hat mich total verwirrt, weil es sich so anhört, als ob das STT-Modell Funktionsaufrufe ausführen kann, um beliebige Aufgaben zu erledigen, was keinen Sinn ergeben würde. Die Entwicklerdokumentation (https://ai.google.dev/gemini-api/docs/models/gemini-3.5-tran...) bestätigt, dass das Gemini-3.5-Transcribe-Modell tatsächlich keine Funktionsaufrufe ausführen kann. Ich schätze, der Blogbeitrag verwendet nur sehr verwirrende Formulierungen, um zu beschreiben, wie ihre Verbraucher-Assistent-/Chatbot-App sowohl Audioeingaben über Gemini 3.5 Transcribe entgegennehmen und dann bei Bedarf andere Dinge aufrufen kann. Oder vielleicht war dieser Aufzählungspunkt für eine andere Modellankündigung gedacht und jemand hat einen Bearbeitungsfehler gemacht.
- lnalx
Ich habe persönlich alle STT-Modelle für meinen Echtzeit-Übersetzer (https://fliptalk.ai) getestet. Von Spracherkennung und Genauigkeit in einer lauten Umgebung bis zum wichtigsten Punkt: Latenz. Im Moment ist Soniox STT v5 definitiv das Beste, und ich bin von seiner Leistung beeindruckt. Es ist gut, dass Google Gemini-3.5-Transcribe veröffentlicht hat, und es übertrifft jedes andere Modell an Genauigkeit, aber es braucht definitiv noch etwas mehr Arbeit an der Latenz, die der wichtigste Faktor für STT-Apps ist.
- zhivota
Ich würde die Gemini-API sicherlich viel mehr nutzen, wenn ich herausfinden könnte, wie ich ihnen Geld gebe und sie mir Token geben. Das ganze Stufen-Gerede ist einfach ein wahnsinniger Hindernislauf im Vergleich zu ihrer Konkurrenz.
- dayone1
Weiß jemand, ob dies für Gemini-Abonnenten verfügbar ist, nicht nur für API-Nutzer? Kann ich dieses Modell direkt in agy cli aufrufen?
- blissofbeing
Ich benutze Wispr Flow auf meinem Pixel 9 und mag es. Es macht die Dinge, von denen Rambler behauptet, dass es sie tun soll, aber es ist auf meinem Pixel 9 verfügbar, anders als Rambler, das derzeit nur für Pixel 11 verfügbar ist.