Gemini 3.5 Transcribe: 85 Sprachen für 30 Cent pro Stunde

Google hat am 26. August 2026 Gemini 3.5 Transcribe vorgestellt, ein spezialisiertes Modell, das gesprochene Sprache in Text umwandelt. Es erkennt laut Google über 85 Sprachen automatisch, entfernt auf Wunsch Füllwörter und Versprecher und formatiert das Ergebnis selbstständig. Die Verarbeitung aufgezeichneter Audiodateien kostet effektiv rund 0,005 US-Dollar pro Minute – etwa 30 Cent für eine Stunde Sitzung. Damit rutscht automatische Transkription in eine Preisklasse, in der sie für praktisch jedes Protokoll infrage kommt. Für Schweizer Firmen bleiben zwei Fragen offen: Dialekt und Datenstandort.

Zwei APIs, zwei Preise

Das Modell kommt in zwei Varianten. gemini-3.5-transcribe-live läuft über die Live API und transkribiert einen laufenden Audiostrom in Echtzeit – für Voice-Agents, Live-Untertitel oder Diktat. gemini-3.5-transcribe verarbeitet über die Interactions API fertige Aufnahmen, inklusive Sprecher-Zuordnung und Zeitstempeln auf Wortebene. Laut Googles Preisliste liegt der effektive Mischpreis bei rund 0,009 US-Dollar pro Minute für die Live-Variante und 0,005 US-Dollar für aufgezeichnetes Audio.

Beide sind in Public Preview – für Entwickler über Google AI Studio und Antigravity, für Unternehmen über die Gemini Enterprise Agent Platform. Endnutzer bekommen die Technik in der Gemini-App auf macOS (bisher nur auf Englisch) und in Gboard über die Funktion Rambler, die laut Google-Support ein Gerät der Pixel-11-Serie voraussetzt. Chrome soll folgen. Eine Grenze nennt die Dokumentation: Eine Standard-Anfrage verarbeitet bis zu eine Stunde Audio – mit Sprecher-Erkennung oder Wort-Zeitstempeln nur noch 30 Minuten.

Deutsch ja, Dialekt offen

Hier wird es für die Schweiz interessant. Googles offizielle Sprachtabelle führt Deutsch, Französisch und Italienisch – jeweils aber nur als de-DE, fr-FR und it-IT. Schweizer Varianten fehlen ebenso wie Rätoromanisch. Dass Google feiner unterscheiden könnte, zeigt dieselbe Tabelle: Englisch ist nach Grossbritannien, Indien und USA aufgeschlüsselt, Portugiesisch nach Brasilien und Portugal.

Im Ankündigungstext heisst es, das Modell verarbeite «regionale Akzente und diverse Dialekte» – konkret benannt wird kein einziger, Messwerte für Dialekte liefert Google keine, und eine unabhängige Messung existiert bislang nicht. Ob Gemini 3.5 Transcribe eine Sitzung auf Schweizerdeutsch brauchbar mitschreibt, ist damit schlicht unbeantwortet. Wer das einsetzen will, kommt um einen eigenen Test mit echtem Material nicht herum.

Platz fünf, aber mit Attribution

Die Genauigkeitszahlen stammen von einer unabhängigen Stelle. Google beruft sich auf Messungen von Artificial Analysis: eine durchschnittliche Wortfehlerrate (Word Error Rate, kurz WER – der Anteil falsch transkribierter Wörter) von 4,0 Prozent im Streaming und 2,6 Prozent bei aufgezeichnetem Audio. Der zweite Wert lässt sich im öffentlichen Ranking von Artificial Analysis nachprüfen: Dort steht Gemini 3.5 Transcribe mit 2,6 Prozent auf Rang fünf – unter anderem hinter ElevenLabs Scribe v2 (2,2 Prozent) und Microsofts MAI-Transcribe-1.5 (2,4 Prozent). OpenAIs Whisper, jahrelang der Standard für günstige Transkription, erreicht im selben Ranking bestenfalls 4,1 Prozent (Whisper Large v2 bei OpenAI) und je nach Anbieter und Version auch deutlich schlechtere Werte. Whisper hat dafür ein Argument, das Google nicht kontern kann: Die Modellgewichte sind öffentlich, Whisper läuft auf eigener Hardware, und dann verlässt keine einzige Audiodatei das Haus.

Bei zwei weiteren Zahlen ist Vorsicht geboten. Die viel zitierte 70 Prozent geringere Latenz gegenüber dem Vorgängermodell Chirp 3 schreibt Google zwar ebenfalls Artificial Analysis zu, auf deren öffentlichen Seiten ist dieser Wert aber nicht nachprüfbar – bis auf Weiteres also eine Herstellerangabe. Und die 2,6 Prozent sind nicht der mehrsprachige Wert: Auf dem mehrsprachigen FLEURS-Benchmark meldet Google selbst 5,04 Prozent für aufgezeichnetes und 5,50 Prozent für gestreamtes Audio – rund doppelt so hoch.

Wenn das Protokoll glatter ist als das Gespräch

Das Aufräumen von Versprechern klingt nach Komfort, ist aber eine inhaltliche Entscheidung. Im Modus smart löst das Modell Selbstkorrekturen direkt auf: Aus «treffen wir uns am Dienstag, nein, doch am Mittwoch um zwei» wird laut Google-Dokumentation ein sauberes «Mittwoch, 14:00 Uhr». Bequem – aber kein Wortprotokoll mehr. Wer später belegen muss, was tatsächlich gesagt wurde, hat einen redigierten Text vor sich, nicht die Aufnahme.

Google macht die Wahl sogar explizit: Der smart-Modus lässt sich laut Dokumentation nicht mit Wort-Zeitstempeln oder Sprecher-Zuordnung kombinieren. Entweder schön lesbar oder nachvollziehbar mit Zeitmarken und Sprecher-Labels. Für Sitzungsprotokolle, Personalgespräche und alles mit Beweisfunktion heisst das: verbatim wählen und die «ähs» in Kauf nehmen.

Wo die Aufnahme verarbeitet wird

Beim Datenschutz sollten Schweizer Firmen genau hinschauen. Erstens steht in Googles Preisliste bei beiden Transcribe-Modellen unter «Used to improve our products» im Gratis-Kontingent ein Ja und erst im bezahlten Tarif ein Nein. Wer mit dem kostenlosen Zugang Kundengespräche durch das Modell schickt, gibt sie zur Produktverbesserung frei.

Zweitens: Googles Übersicht zur Data Residency für die Gemini Enterprise Agent Platform listet auf, welche Modelle ihre Verarbeitung auf eine Region festnageln können. Für Transkription stehen dort Chirp 2 und Chirp 3 – Gemini 3.5 Transcribe taucht in dieser Tabelle (Stand 28. August 2026) nicht auf. Und selbst wenn: Google hält auf derselben Seite fest, dass der EU-Endpunkt nur EU-Mitgliedstaaten abdeckt und Gebiete ausserhalb der politischen EU-Grenze – Grossbritannien und die Schweiz ausdrücklich eingeschlossen – davon ausgenommen sind.

Wer Sitzungen oder Kundengespräche über die API transkribiert, gibt also Personendaten ins Ausland bekannt. Dafür gelten Art. 16 ff. des Datenschutzgesetzes; der EDÖB fasst Anforderungen und Staatenliste auf seiner Seite zur Bekanntgabe ins Ausland zusammen. Machbar – aber es braucht Auftragsbearbeitungsvertrag, Eintrag im Bearbeitungsverzeichnis und Transparenz gegenüber den Betroffenen.

Der Zugang selbst ist kein Hindernis: Die Schweiz steht auf Googles Länderliste für Gemini API und AI Studio. Testen kannst du sofort – am besten mit einer echten Aufnahme aus dem eigenen Sitzungszimmer, auf Mundart.