Apple’s SpeechAnalyzer hat Whisper vor einigen Monaten geschlagen. Jetzt kontert Google. Gemini 3.5 Transcribe wurde am 26. August gestartet und landete sofort auf Product Hunt und der HackerNews‑Frontpage (181 Punkte).
Es handelt sich um ein dediziertes Speech-to-Text‑Modell, nicht um eine Chatbot‑Funktion: 2,6 % Wortfehlerquote bei aufgezeichnetem Audio, 4,0 % beim Streaming, 70 % niedrigere Latenz als sein Vorgänger Chirp 3. 85 + Sprachen mit Mid‑Sentence‑Code‑Switching, Sprecher‑Diarisierung, wortgenaue Zeitstempel.
Transkription, die denkt
Der eigentliche Verkaufspunkt ist nicht die Genauigkeit, sondern das Denkvermögen. Das Modell entfernt Füllwörter, verarbeitet Selbstkorrekturen („treffen um 3, nein, warte, 4“ wird zu „treffen um 4“) und formatiert die Ausgabe automatisch. Whisper gibt Ihnen, was Sie gesagt haben; dies gibt Ihnen, was Sie gemeint haben. Es treibt bereits die Rambler‑Funktion von Gboard und die Gemini‑App auf macOS, demnächst Chrome.
Die API
Zwei Endpunkte über die Gemini‑API: gemini-3.5-transcribe-live für Echtzeit‑Streaming (Sprachagenten, Live‑Untertitel) und gemini-3.5-transcribe für aufgezeichnetes Audio mit Sprecher‑Labels (Besprechungsnotizen, Anrufanalyse). Benutzerdefinierte Vokabular‑Bias‑Funktion behandelt Fachjargon. Ca. 0,005 $/min Batch, 0,009 $/min Live — kostenlos in der AI Studio‑Vorschau. Selbstgehostetes Whisper bleibt günstiger für rein englische Batch‑Jobs. Für alles andere hat Google gerade den Standard neu gesetzt.