Google hat am Mittwoch Gemini 3.5 Transcribe vorgestellt, ein Sprach-zu-Text-Modell, das für die Echtzeit-Übersetzung mit verbesserter Genauigkeit und Latenz entwickelt wurde.
Auf Basis der Benchmarks von Artificial Analysis erreicht das Modell eine Wortfehlerrate von 4,0 % bei Streaming-Applikationen und 2,6 % bei nicht-streaming-ähnlichen Szenarien. Im Vergleich zum vorherigen Chirp 3-Modell verkürzt es die Zeit für die endgültige Transkription um 70 %. Auf der FLEURS-Benchmark erreicht das Modell eine Wortfehlerrate von 5,50 % im Streaming-Modus und 5,04 % bei nicht-streaming-gleichen Anwendungsfällen.
Gemini 3.5 Transcribe bietet zwei Betriebsmodi. Die Live-API bietet eine Latenz von weniger als einer Sekunde für Echtzeit-Streams über die Kennung `gemini-3.5-transcribe-live`, während die Interactions-API voraufagierte Audiomitschnitt wie Meetings und Anrufprotokolle mit Zutrittsangaben verarbeitet, und zwar unter der Kennung `gemini-3.5-transcribe`.
Das Modell unterstützt automatische Transkription in über 85 Sprachen und kann bis zu drei Sprecher in zuvor aufgezeichnetem Content mit Zeitmarkierungen identifizieren. Weitere Features sind die Unterdrückung von Hintergrundgeräuschen, die Verarbeitung technischer Begriffe, die Entfernung von Fillerwörtern, die automatische Formatierung von Texten und die Erkennung eines benutzerdefinierten Wortschatzes für spezielle Begriffe.
Die Produktintegration umfasst die Gemini-App auf macOS, die Rambler-Funktion auf Android über Gboard und Google AI Studio. Das Modell geht in eine öffentliche Vorschau für Entwickler über Google AI Studio und für Unternehmen über die Gemini Enterprise Agent Platform. Chrome soll in einer zukünftigen Updates Diktierfunktionen erhalten.
