Zurück zur Übersicht
Google stellt Gemini 3.5 Transcribe vor: Ein neues Zeitalter für präzise und intelligente Spracherkennung
ProduktstartGoogle GeminiSpracherkennungKünstliche Intelligenz

Google stellt Gemini 3.5 Transcribe vor: Ein neues Zeitalter für präzise und intelligente Spracherkennung

Google hat mit Gemini 3.5 Transcribe sein bisher präzisestes Speech-to-Text-Modell veröffentlicht, das speziell für intelligente Sprachinteraktionen entwickelt wurde. Im Gegensatz zu herkömmlichen Modellen verarbeitet es Rohaudio direkt in polierten, formatierten Text und bewältigt dabei Herausforderungen wie Hintergrundgeräusche, Fachjargon und Redeflussstörungen. Das Modell ist bereits in Google-Produkten wie der Gemini-App und Android integriert. Entwickler erhalten nun über die Gemini API in Google AI Studio und die Gemini Enterprise Agent Platform Zugriff auf zwei spezialisierte Versionen: eine für bidirektionales Echtzeit-Streaming mit minimaler Latenz und eine für die detaillierte Analyse vorab aufgenommener Audioinhalte inklusive Sprecherzuordnung.

Hacker News

Die wichtigsten Punkte

  • Präzise Audio-Verarbeitung: Gemini 3.5 Transcribe wandelt Rohaudio direkt in präzisen, formatierten und bereinigten Text um.
  • Robustheit gegenüber Störungen: Das Modell bewältigt Hintergrundgeräusche, komplexen Jargon und korrigiert Redeflussstörungen (Disfluency Cleanup) automatisch.
  • Zwei spezialisierte APIs: Verfügbarkeit als gemini-3.5-transcribe-live für Echtzeit-Anwendungen und gemini-3.5-transcribe für die Verarbeitung von Aufzeichnungen.
  • Nahtlose Integration: Das Modell ist bereits in Google-Diensten wie Android (Rambler-Funktion) und der Gemini-App auf macOS im Einsatz.

Analyse

Intelligente Transkription statt einfacher Erkennung

Gemini 3.5 Transcribe markiert einen signifikanten Fortschritt gegenüber konventionellen Spracherkennungssystemen. Während klassische Modelle oft Schwierigkeiten haben, wenn die Audioqualität durch Umgebungsgeräusche beeinträchtigt ist oder Sprecher Fachbegriffe verwenden, setzt Google hier auf eine direkte Umwandlung von Rohaudio in strukturierten Text. Ein wesentliches Merkmal ist das sogenannte „Disfluency Cleanup“. Dabei werden unnötige Füllwörter oder Satzabbrüche erkannt und entfernt, sodass das Ergebnis nicht nur ein Protokoll des Gesagten, sondern ein direkt nutzbarer, polierter Text ist.

Flexible Einsatzmöglichkeiten für Entwickler

Google stellt das Modell über zwei verschiedene Schnittstellen zur Verfügung, um unterschiedliche Anforderungen abzudecken. Die Live API nutzt das Modell gemini-3.5-transcribe-live und ist auf bidirektionales Streaming mit einer Latenz von weniger als einer Sekunde optimiert. Dies ist besonders für interaktive Sprachagenten und Echtzeit-Untertitelung von Bedeutung.

Für die Analyse bestehender Daten bietet die Interactions API mit dem Modell gemini-3.5-transcribe spezialisierte Funktionen für vorab aufgenommene Inhalte. Hierzu gehören die präzise Sprecherzuordnung (Speaker Attribution) sowie Zeitstempel auf Wortebene, was die Nachbearbeitung von Meetings, Call-Logs und anderen Audioarchiven erheblich vereinfacht.

Bedeutung für die KI-Branche

Mit der Einführung von Gemini 3.5 Transcribe festigt Google seine Position im Bereich der Sprach-KI. Durch die Bereitstellung über Google AI Studio und die Gemini Enterprise Agent Platform wird es Entwicklern ermöglicht, komplexe Sprachfunktionen ohne großen Infrastrukturaufwand in eigene Workflows zu integrieren. Die Fähigkeit, intelligente Sprachinteraktionen in Echtzeit und mit hoher Präzision abzubilden, könnte die Entwicklung von Sprachassistenten und automatisierten Analysetools in Unternehmen maßgeblich beschleunigen.

Häufig gestellte Fragen

Was ist der Hauptvorteil von Gemini 3.5 Transcribe gegenüber herkömmlichen Modellen?

Der Hauptvorteil liegt in der Intelligenz der Verarbeitung. Das Modell liefert nicht nur eine bloße Wortabfolge, sondern bereinigt den Text von Störungen und formatiert ihn direkt, während es gleichzeitig resistent gegen Hintergrundlärm und schwieriges Fachvokabular ist.

Welche Funktionen bietet das Modell für die Analyse von Aufzeichnungen?

Bei der Verarbeitung von vorab aufgenommenem Audio bietet Gemini 3.5 Transcribe eine automatische Sprechererkennung und versieht jedes Wort mit einem genauen Zeitstempel, was besonders für Meeting-Protokolle und Call-Center-Analysen hilfreich ist.

Wie können Entwickler auf das neue Modell zugreifen?

Entwickler können Gemini 3.5 Transcribe über die Gemini API in Google AI Studio sowie über die Gemini Enterprise Agent Platform nutzen, wobei separate Endpunkte für Echtzeit-Streaming und die Verarbeitung von Aufnahmen zur Verfügung stehen.

Ähnliche Nachrichten

Tool Retrieval in der Gemini API: Google kündigt Vorschau für KI-Agenten an
Produktstart

Tool Retrieval in der Gemini API: Google kündigt Vorschau für KI-Agenten an

Google stellt Tool Retrieval als Vorschau in der Gemini API bereit. Die Funktion soll KI-Agenten Zugang zu Hunderten von Werkzeugen ermöglichen und dabei weniger Tokens benötigen. Damit verbindet die Ankündigung zwei Aspekte: die Zahl der Werkzeuge, auf die Agenten zugreifen können, und den dafür nötigen Tokenverbrauch. Wie groß die Einsparung ausfällt, geht aus der Meldung des Google AI Blog nicht hervor. Sie nennt weder einen konkreten Vergleichswert noch erläutert sie, wie Tool Retrieval technisch funktioniert. Auch welche Werkzeuge zur Verfügung stehen und ob oder wann die Funktion über die Vorschau hinaus verfügbar sein wird, bleibt offen. Die Meldung beschreibt somit den angekündigten Nutzen, liefert aber keine technischen Details oder Messwerte.

LangSmith Tool Gateway startet in die öffentliche Beta und regelt Werkzeugaufrufe von KI-Agenten
Produktstart

LangSmith Tool Gateway startet in die öffentliche Beta und regelt Werkzeugaufrufe von KI-Agenten

LangChain meldet, dass LangSmith Tool Gateway als öffentliche Beta verfügbar ist. Das Produkt verwaltet bei jedem Werkzeugaufruf eines KI-Agenten die Zugangsdaten, die Identität und den Zugriff. Zum genannten Funktionsumfang gehören außerdem Richtlinien, Freigaben und Ablaufspuren. Die Meldung beschreibt damit zwei Seiten der Werkzeugnutzung: die Verwaltung von Zugangsdaten, Identität und Zugriff einerseits sowie die Kontrolle und Nachverfolgung von Aufrufen andererseits. Entscheidend für die Einordnung ist, dass LangChain diese Funktionen auf einzelne Werkzeugaufrufe bezieht. Wie Richtlinien festgelegt werden, wann Freigaben erforderlich sind und welche Informationen die Ablaufspuren enthalten, geht aus der Meldung nicht hervor. Der ausdrücklich genannte Veröffentlichungsstatus ist die öffentliche Beta.

Google stellt Gemini Decision 1 vor: Das Modell wählt Antworten aus, statt sie zu schreiben
Produktstart

Google stellt Gemini Decision 1 vor: Das Modell wählt Antworten aus, statt sie zu schreiben

Mit Gemini Decision 1 stellt Google ein Modell vor, das Antworten auswählt, statt sie zu schreiben. Nach der Meldung hat das Modell genau diese eine Aufgabe und verfasst dabei selbst keinen Text. Auf der Eingabeseite kann es Texte, Bilder, Videos, Audio und PDFs verarbeiten. Die Verarbeitung erfolgt in einem einzigen Vorwärtsdurchlauf. Pro Anfrage unterstützt Gemini Decision 1 bis zu 262.144 Eingabetokens. Die Meldung unterscheidet damit zwischen den vielfältigen Eingaben, die das Modell lesen kann, und seiner eng umrissenen Aufgabe bei der Antwort: Es formuliert keine eigene Antwort, sondern trifft eine Auswahl. Die genannte Tokenobergrenze bezieht sich auf die Eingabe pro Anfrage, nicht auf eine Textausgabe.