Gemini 3.5 Transcribe: Google killt das Diktiergerät für immer

Gemini 3.5 Transcribe ist da: Google filtert Füllwörter, korrigiert Versprecher live und schickt Diktiergeräte in Rente. Der Haken steckt im Detail.

Ein KI-Modell, das Sprecher live unterbricht, bevor sie selbst merken, dass sie sich gerade verhaspelt haben. Genau das verspricht Gemini 3.5 Transcribe, Googles neues Speech-to-Text-Modell, das seit dem 26. August 2026 als öffentliche Preview in der Gemini-API und über die Gemini Enterprise Agent Platform nutzbar ist. Es geht nicht mehr nur ums Zuhören, sondern ums Mitdenken.

Die Ansage ist steil: Gemini 3.5 Transcribe entfernt laut Google Füllwörter und verarbeitet Selbstkorrekturen. Laut Googlewatchblog wird ein Beispiel wie „Treffen wir uns Dienstag, äh nein, Mittwoch“ zu einem bereinigten Satz mit der korrigierten Zeitangabe. Das ist der Unterschied zwischen einem Transkript und einem fertigen Text.

Die Technik hinter dem Versprechen

Gemini 3.5 Transcribe kommt laut Googlewatchblog in zwei Varianten: eine für Echtzeit-Streaming, eine für die Verarbeitung bereits aufgezeichneter Audiodateien. Beide laufen über Googles Gemini API und sind über Google AI Studio sowie die Gemini Enterprise Agent Platform nutzbar. Die Live-Variante wird von Google mit einer sehr niedrigen, typischerweise unter einer Sekunde liegenden Latenz beworben, was für Anwendungen wie Live-Untertitelung oder Sprachsteuerung in Echtzeit entscheidend ist.

Die zweite Variante, gedacht für bereits aufgezeichnetes Audio, spielt ihre Stärken eher in der Nachbearbeitung aus, etwa bei Meeting-Protokollen oder Interview-Mitschnitten. Die Wortfehlerrate liegt bei 4,0 Prozent im Live-Streaming und bei 2,6 Prozent bei Aufnahmen, so Googlewatchblog. Zum Vergleich: Menschliche Transkriptionsdienste bewegen sich oft in ähnlichen Fehlerbereichen, kosten aber Zeit und Geld.

Unterstützt werden über 85 Sprachen inklusive regionaler Akzente, bei Aufnahmen erkennt das Modell bis zu drei Sprecher und versieht sie mit Zeitstempeln. Für Unternehmen mit internationalen Teams oder mehrsprachigen Kundenkontakten ist das ein handfester Business-Case, denn Sprecherzuordnung und Zeitstempel sind genau die Funktionen, die manuelle Transkription bislang teuer und langsam gemacht haben.

Das Modell bildet außerdem die technische Basis für Rambler, die neue Gboard-Funktion auf Android, sowie für die Gemini-App auf macOS. Wer per Sprachbefehl nicht nur diktieren, sondern auch Formatierungen ändern oder Aufgaben an andere Gemini-Modelle delegieren will, landet damit direkt im Google-Ökosystem. Bemerkenswert ist, dass Google die Funktion nicht als isolierte App verkauft, sondern konsequent in bestehende Produkte einbettet, von der Tastatur bis zum Desktop-Betriebssystem.

Vom Diktat zum Kommando

Der eigentliche Bruch liegt in der Absichtserkennung. Gemini 3.5 Transcribe versteht laut Googlewatchblog nicht nur Worte, sondern kann Sprachbefehle zum Bearbeiten, Korrigieren oder Ändern des Schreibstils verarbeiten und sogar Dateianalysen oder Bildgenerierungen an andere Gemini-Modelle weiterreichen. Wer also während des Diktierens sagt „mach den letzten Satz kürzer„ oder “formatiere das als Liste“, bekommt keine wortgetreue Transkription dieser Anweisung, sondern die tatsächliche Umsetzung im Text.

Wo frühere Diktierprogramme strikt zwischen Diktat und Befehl trennten, verschwimmt diese Grenze bei Gemini 3.5 Transcribe zunehmend. Das Modell muss dafür in Echtzeit entscheiden, ob ein gesprochener Satz Teil des Inhalts ist oder eine Anweisung an das System, eine Unterscheidung, die bislang häufig Fehlerquelle klassischer Sprachassistenten war.

Gleichzeitig bleibt die Frage, wie robust diese Unterscheidung im Alltag funktioniert, etwa wenn jemand tatsächlich über Formatierungen oder Bearbeitungen spricht, ohne das System damit steuern zu wollen. Google selbst rollt Rambler bislang nur in ausgewählten Ländern und Sprachen aus, während die Einbindung in Chrome laut Googlewatchblog erst angekündigt, aber noch nicht umgesetzt ist. Das deutet darauf hin, dass auch Google die Feinheiten der Absichtserkennung noch nicht für jeden Anwendungsfall als ausgereift genug einschätzt.

Business Punk Check

Die Wortfehlerraten klingen beeindruckend, bis man fragt: Unter welchen Bedingungen gemessen? Im öffentlich zugänglichen Launch-Material werden keine klar ausgewiesenen, extern durchgeführten Benchmark-Studien zitiert. Das ist Marketing mit Substanz, aber eben auch Marketing.

Echte Praxistauglichkeit zeigt sich erst im Alltag: bei Dialekten, Nebengeräuschen in Großraumbüros, bei Fachjargon aus Nischenbranchen. Die Selbstkorrektur-Funktion ist der spannendste Teil, weil sie ein echtes Nutzerproblem löst, nicht nur ein Feature für die Pressemitteilung. Ein Praxistest empfiehlt sich, bevor ganze Workflows umgebaut werden. Die Rollout-Beschränkung auf ausgewählte Länder und Sprachen bei Rambler zeigt, dass selbst Google hier noch vorsichtig austestet, statt flächendeckend auszurollen.

Auf einen Blick

• Google stellte Gemini 3.5 Transcribe am 26. August 2026 als öffentlich zugängliche Preview des neuen Speech-to-Text-Modells für Entwickler vor.
• Das Modell erreicht laut *Googlewatchblog* eine Wortfehlerrate von 4,0 Prozent im Echtzeit-Streaming und 2,6 Prozent bei Audioaufzeichnungen.
• Gemini 3.5 Transcribe unterstützt über 85 Sprachen, erkennt bis zu drei Sprecher bei Aufnahmen und bildet die technische Grundlage für die Gboard-Funktion Rambler.
• Über Sprachbefehle kann das Modell nicht nur transkribieren, sondern auch Aufgaben wie Dateianalysen oder Bildgenerierungen an andere Gemini-Modelle delegieren.

Quellen: Googlewatchblog, KI-unterstützt