Alphabet-Tochter Google hat am Mittwoch Gemini 3.5 Transcribe vorgestellt, ein Sprach-zu-Text-Modell, das für Echtzeit-Transkription mit einer Latenz von unter einer Sekunde und verbesserter Genauigkeit im Vergleich zum Vorgänger Chirp 3 konzipiert wurde.
Das neue Modell erzielt eine 70-prozentige Reduktion der Zeit bis zur finalen Transkription gegenüber Chirp 3 und erreicht dabei eine Streaming-Word-Error-Rate von 4,0 Prozent sowie eine Non-Streaming-Rate von 2,6 Prozent, laut Artificial Analysis. Bei Benchmark-Tests auf dem FLEURS-Datensatz verzeichnete es eine Streaming-Fehlerrate von 5,50 Prozent und eine Non-Streaming-Rate von 5,04 Prozent.
Gemini 3.5 Transcribe ist über zwei API-Schnittstellen verfügbar: die Live API für Echtzeit-Streaming mit einer Latenz von weniger als einer Sekunde sowie die Interactions API für vorab aufgezeichnetes Audio wie Besprechungen und Anrufprotokolle. Letztere umfasst eine Sprecheridentifikation für bis zu drei Stimmen mit zeitgestempelten Transkripten.
Das Modell unterstützt die automatische Spracherkennung für mehr als 85 Sprachen und bietet Funktionen wie das Entfernen von Füllwörtern, automatische Textformatierung sowie die Erkennung benutzerdefinierter Vokabulare für Fachbegriffe. Es startet die öffentliche Vorschau für Entwickler über Google AI Studio sowie für Unternehmen über die Gemini Enterprise Agent Platform.
Google plant die Integration der Technologie in die Gemini-App für macOS, die Rambler-Funktion auf Android über Gboard sowie ein künftiges Update des integrierten Diktatwerkzeugs in Chrome. Über Preisgestaltung und den Zeitpunkt der kommerziellen Verfügbarkeit gab das Unternehmen keine Auskunft.
