Gemini 3.5 Transcribe macht Sprache zu Text

Sprache aufzunehmen ist einfach. Daraus einen sauberen Text zu machen, der nicht nach «ähm, Moment, ich fange nochmals an» klingt, ist deutlich mühsamer. Genau hier setzt Gemini 3.5 Transcribe an: Googles neues KI-Modell soll gesprochene Sprache schneller, genauer und auf Wunsch geglättet in Text umwandeln.

Das betrifft dich, wenn du Diktate nutzt, Sitzungen dokumentierst oder Unterrichtsmaterial aus Audio weiterverarbeiten möchtest. Statt zuerst lange aufzuräumen, könntest du schneller zu einem Text kommen, mit dem du weiterarbeiten kannst.

Was passiert ist

Google hat Gemini 3.5 Transcribe angekündigt, ein KI-Modell für Sprache-zu-Text. Sprache-zu-Text bedeutet: Gesprochene Sprache wird automatisch in geschriebenen Text umgewandelt. Laut dem gelieferten Bericht zu Gemini 3.5 Transcribe soll das Modell Spracheingaben vereinfachen, indem es Füllwörter wie «um» und Korrekturen herausarbeitet und daraus einen geglätteten Text erstellt.

Das Modell wird bereits in der Gboard-Funktion «Rambler» auf dem Pixel 11 eingesetzt. Gboard ist Googles Tastatur-App. Rambler ist laut Quelle derzeit noch auf Pixel-11-Telefone beschränkt. Google sagt aber, dass die Funktion später in diesem Jahr auf weitere Geräte mit Gemini Intelligence ausgeweitet werden soll.

Laut Google ist Gemini 3.5 Transcribe schneller und genauer als die bisherige Sprache-zu-Text-Technik Chirp 3. Der Weg von Sprache bis zum fertigen transkribierten Text soll rund 70 Prozent schneller sein. Die Fehlerrate bei live gesprochener Sprache soll bei 5,5 Prozent liegen. Eine Fehlerrate beschreibt hier, wie häufig die Erkennung danebenliegt. Zum Vergleich: Google gibt für Chirp 3 eine Fehlerrate von 7,32 Prozent an. Diese Angaben stammen vom Anbieter und sind im Quellentext nicht unabhängig geprüft.

Google hebt nicht nur das Erkennen einzelner Wörter hervor. Gemini 3.5 Transcribe soll auch besser erfassen, was du sagen wolltest. Es kann laut Quelle beim Sprechen Fülllaute wie «um» und «uh» entfernen. Es kann ausserdem Text laufend anpassen, wenn du dich selbst korrigierst. Zusätzlich kann es auf ein bereitgestelltes eigenes Vokabular zurückgreifen, um Fachausdrücke zu behandeln. Ein eigenes Vokabular meint hier: Wörter, Namen oder Begriffe, die für deinen Kontext wichtig sind und die das System kennen soll.

Gemini 3.5 Transcribe funktioniert laut Quelle in 85 Sprachen und bei vorab aufgezeichnetem Audio mit bis zu drei Sprechenden. Für live gesprochene Sprache wird im Text die Fehlerrate genannt; für vorab aufgezeichnetes Audio wird die Unterstützung von bis zu drei Personen erwähnt.

Auch in der Gemini-App auf macOS soll die Spracheingabe ab dem genannten Zeitpunkt von Gemini 3.5 Transcribe profitieren. Wenn du die entsprechenden Geräte oder Anwendungen nicht nutzt, wirst du die neue Funktion laut Quelle noch nicht sehen. Google plant aber, die KI-Transkription «bald» in den Chrome-Browser zu bringen. Dann soll es möglich sein, Text per Stimme in beliebige Textfelder im Web einzugeben.

Für Entwicklerinnen und Entwickler wird Gemini 3.5 Transcribe ebenfalls in mehreren Werkzeugen verfügbar. Für den Alltag von Kursteilnehmenden ist vor allem wichtig: Google baut die Funktion nicht nur an einer einzelnen Stelle ein, sondern plant eine breitere Verfügbarkeit in seinem Umfeld.

Warum das relevant ist

Der spannende Punkt ist nicht nur, dass Sprache in Text verwandelt wird. Das gibt es schon länger. Relevant ist die Kombination aus schnellerer Verarbeitung, geringerer Fehlerrate und automatischem Aufräumen. Wenn ein System Füllwörter, Stolperer und Selbstkorrekturen erkennt, kann aus einer gesprochenen Notiz schneller ein lesbarer Entwurf werden.

Stell dir eine Audioaufnahme aus einer Sitzung vor. In der Aufnahme spricht jemand frei, macht Pausen, beginnt Sätze neu oder sagt zwischendurch «nein, anders gesagt». Eine klassische Transkription bildet solche Stellen oft ziemlich direkt ab. Das ist zwar nahe am Gesagten, aber nicht unbedingt angenehm zu lesen. Gemini 3.5 Transcribe soll laut Google solche Unebenheiten glätten und den Text polierter ausgeben.

Für Unterrichtsmaterial kann das praktisch sein. Eine gesprochene Erklärung, ein aufgezeichnetes Gespräch oder ein kurzer Input kann schneller in eine Textgrundlage verwandelt werden. Daraus lassen sich anschliessend Zusammenfassungen, Arbeitsaufträge oder Lernnotizen erstellen. Wichtig bleibt: Der Quellentext beschreibt die Umwandlung in Text, nicht automatisch die didaktische Aufbereitung. Den pädagogischen Feinschliff nimmt dir das Modell also nicht einfach ab.

Gleichzeitig steckt genau hier der heikle Teil. Die Quelle weist darauf hin, dass du dich darauf verlässt, dass die KI den Kern deiner Aussage richtig erfasst. Das Modell verändert technisch gesehen die Formulierung dessen, was du gesagt hast. Für kurze Textblöcke scheint das laut dem Bericht beim Aufräumen von Unstimmigkeiten und sprachlichen Stolperern gut zu funktionieren. Aber eine veränderte Formulierung ist nicht in jeder Situation passend.

Wenn es um sinngemässe Notizen geht, kann ein geglätteter Text sehr hilfreich sein. Wenn es dagegen auf den genauen Wortlaut ankommt, solltest du vorsichtig sein. Ein automatisch geglätteter Text kann angenehmer wirken, aber eben nicht mehr eins zu eins dem gesprochenen Original entsprechen.

Auch die Zahlen verdienen eine nüchterne Einordnung. Eine Fehlerrate von 5,5 Prozent klingt niedrig, bedeutet aber nicht fehlerfrei. Namen, Fachwörter, undeutliche Stellen oder mehrere Stimmen können weiterhin kritisch sein. Laut Quelle kann das Modell zwar mit eigenem Fachvokabular umgehen und bei vorab aufgezeichnetem Audio bis zu drei Sprechende verarbeiten. Trotzdem bleibt Kontrolle nötig, besonders wenn der Text weitergegeben oder veröffentlicht wird.

Was das für dich heisst

Für Einsteiger

Wenn du bisher selten mit Spracheingabe gearbeitet hast, könnte Gemini 3.5 Transcribe den Einstieg angenehmer machen. Du musst nicht perfekt diktieren. Laut Google kann das Modell Füllwörter und Selbstkorrekturen bereinigen. Das nimmt Hemmungen: Du kannst zuerst sprechen, wie du denkst, und bekommst danach eher einen brauchbaren Textentwurf. Trotzdem solltest du den Text lesen, bevor du ihn verwendest. Gerade bei Namen, Zahlen, Fachausdrücken oder wichtigen Aussagen lohnt sich ein genauer Blick.

Für Fortgeschrittene

Wenn du bereits mit KI-Werkzeugen arbeitest, ist Gemini 3.5 Transcribe vor allem als Zwischenschritt interessant. Aus Audio wird schneller ein Text, den du anschliessend weiterbearbeiten kannst. Besonders relevant sind die Angaben zu Geschwindigkeit, Fehlerrate, eigenem Vokabular und bis zu drei Sprechenden in vorab aufgezeichnetem Audio. Gleichzeitig solltest du bewusst entscheiden, ob du eine geglättete Transkription willst oder eine möglichst wortgetreue Mitschrift. Für Notizen und Entwürfe kann Glättung willkommen sein. Für Zitate, Protokolle oder heikle Inhalte kann sie problematisch sein, weil die KI die Formulierung verändert.

Konkret ausprobieren

  1. Entscheide zuerst, welche Art Text du brauchst. Willst du eine lesbare Zusammenfassung deiner gesprochenen Gedanken, eine Grundlage für Notizen oder eine möglichst genaue Mitschrift? Gemini 3.5 Transcribe ist laut Quelle besonders darauf ausgelegt, Sprache zu glätten. Das ist hilfreich, wenn der Text gut lesbar sein soll. Es ist weniger ideal, wenn jedes Wort exakt erhalten bleiben muss.
  2. Teste mit einem kurzen, überschaubaren Beispiel. Falls du Zugriff hast, etwa über Rambler auf einem Pixel 11 oder über die Gemini-App auf macOS, beginne nicht mit einer langen Aufnahme. Nimm einen kurzen gesprochenen Abschnitt und achte darauf, was mit Füllwörtern, Korrekturen und Fachbegriffen passiert. Wenn du keinen Zugriff hast, ist der Chrome-Ausbau laut Google erst noch geplant.
  3. Vergleiche Ergebnis und Original bewusst. Lies den erzeugten Text und frage dich: Stimmen die Kernaussagen? Wurden wichtige Begriffe richtig erkannt? Hat die KI etwas zu stark geglättet oder umformuliert? Bei wichtigen Texten solltest du immer gegenhören oder zumindest besonders kritische Stellen prüfen. Die Technik kann Arbeit abnehmen, aber Verantwortung nicht einfach wegzaubern.

Quellen

KI-Lehrer.chKI-Lehrer.ch

Bild: https://kaboompics.com/ via Pexels