Gemini 3.5 Transcribe wandelt Gespräche, Interviews und andere Audioaufnahmen nicht nur in Text um, sondern bereinigt und formatiert sie während der Transkription. Das betrifft dich, wenn du häufig Besprechungen dokumentierst, Interviews auswertest oder längere Podcasts nach relevanten Aussagen durchsuchst. Der Nutzen liegt weniger im blossen Mitschreiben als darin, schneller zu brauchbarem Arbeitsmaterial zu kommen.
Was Gemini besser macht
Gemini 3.5 Transcribe ist ein Modell für Spracherkennung, also die automatische Umwandlung gesprochener Sprache in Text. Laut der Ankündigung von Google DeepMind soll es Hintergrundgeräusche, Fachjargon und Unflüssigkeiten besser verarbeiten als herkömmliche Systeme. Es entfernt Füllwörter, setzt Formatierungen und berücksichtigt Selbstkorrekturen direkt im Ergebnis.
Das zeigt sich an einem einfachen Beispiel aus der Ankündigung: Sagst du «Treffen wir uns am Dienstag – nein, am Mittwoch», soll im bereinigten Text nur der Mittwoch stehen. Das ist bei persönlichen Notizen praktisch, weil du den Versprecher nicht von Hand korrigieren musst. Bei einem wörtlichen Interviewprotokoll ist dieselbe Bearbeitung dagegen heikel, denn der ursprüngliche Wortlaut verschwindet.
Für Fachbegriffe kannst du ein eigenes Vokabular bereitstellen. Namen, ungewöhnliche Schreibweisen oder spezialisierter Jargon sollen dadurch nicht jedes Mal manuell korrigiert werden müssen. Vorab aufgezeichnete Aufnahmen kann das Modell laut Google zudem bis zu drei sprechenden Personen zuordnen und mit Zeitstempeln auf Wortebene versehen, also jedes Wort mit seiner Stelle in der Aufnahme verbinden.
Google nennt für das Modell eine durchschnittliche Wortfehlerrate von 4,0 Prozent. Die Wortfehlerrate misst, wie viele Wörter bei einer Transkription ersetzt, ausgelassen oder fälschlich ergänzt werden. Ars Technica berichtet für Live-Sprache dagegen von 5,5 Prozent gegenüber 7,32 Prozent beim Vorgänger Chirp 3 sowie von rund 70 Prozent schnellerer Verarbeitung bis zum fertigen Text. Diese Werte stammen aus unterschiedlichen Messungen und sind daher nicht direkt gleichzusetzen; zudem beruhen die Leistungsangaben weitgehend auf Angaben von Google.
Warum aus Transkripten Arbeitsmaterial wird
Ein bereinigtes Transkript spart zunächst redaktionelle Arbeit. Aus einer einstündigen Besprechung entsteht nicht automatisch eine gute Zusammenfassung, aber die Grundlage lässt sich leichter durchsuchen, markieren und weiterverarbeiten. Sprecherbezeichnungen und Zeitstempel helfen dir, eine Aussage in der Aufnahme wiederzufinden, statt dich auf eine geglättete Formulierung verlassen zu müssen.
Ein konkreter Berufsfall ist ein Interview aus der User-Experience-Forschung (UX-Forschung), bei der Nutzungserlebnisse von Menschen untersucht werden. KI kann mehrere Interviews transkribieren, ähnliche Zitate gruppieren und erste Themen vorschlagen. Ein Fachbeitrag in der Netzwoche ordnet diesen Zeitgewinn jedoch nüchtern ein: Verdichten, Sortieren und Vergleichen funktionieren gut, während das Erkennen des richtigen Problems, von Zwischentönen und unerwarteten Hinweisen menschliches Urteil erfordert.
Ein zweites Beispiel liefern Podcasts. Der Dienst Radar transkribiert laut TechCrunch mehr als 130’000 Podcasts und ergänzt Sprecherangaben sowie Informationen zu erwähnten Personen, Unternehmen, Marken, Produkten und Themen. Dadurch können Nutzerinnen und Nutzer Aussagen suchen, Erwähnungen verfolgen und relevante Ausschnitte mit Zeitstempeln lesen oder anhören, statt eine ganze Episode durchzugehen.
Dieses Beispiel zeigt, was nach der Verschriftlichung möglich wird: Audio wird ähnlich durchsuchbar wie eine Textsammlung. Radar richtet diese Aufbereitung auch an KI-Agenten, also Systeme, die mehrstufige Aufgaben teilweise selbstständig bearbeiten. Für dich kann das bedeuten, Aussagen zu einem Produkt über mehrere Podcasts hinweg zu finden; es bedeutet aber nicht, dass die herausgelösten Aussagen ohne ihren Gesprächskontext verständlich bleiben.
Pro und Kontra von Gemini 3.5 Transcribe
Pro:
- Weniger Nacharbeit – Füllwörter, Selbstkorrekturen und grundlegende Formatierungen werden bereits während der Transkription bereinigt.
- Besserer Umgang mit Fachsprache – Ein eigenes Vokabular kann Namen, besondere Schreibweisen und Fachbegriffe zuverlässiger erfassen.
- Leichtere Kontrolle – Sprecherzuordnung und Zeitstempel helfen dir, relevante Stellen im Originalton wiederzufinden.
- Breiter Einsatz – Meetings, Anrufprotokolle, Interviews und Podcasts lassen sich schneller durchsuchen und für weitere Auswertungen vorbereiten.
Kontra:
- Veränderter Wortlaut – Das Modell schreibt nicht nur mit, sondern glättet deine Aussagen und kann damit sprachliche Details entfernen.
- Fehler bleiben möglich – Auch eine niedrige Wortfehlerrate verhindert keine falschen Namen, ausgelassenen Verneinungen oder missverstandenen Fachbegriffe.
- Begrenzter Kontext – Tonfall, Zögern, Widersprüche und soziale Dynamik lassen sich in bereinigten Notizen nur teilweise abbilden.
- Offene Rahmenbedingungen – Die gelieferten Quellen nennen weder Preise noch ausreichende Einzelheiten zum Umgang mit vertraulichen Aufnahmen.
Die Glättung ist damit zugleich die auffälligste Stärke und das grösste Risiko. The Verge beschreibt automatische Formatierung, Fachvokabular und mehrsprachige Erkennung, meldet aber auch eine Korrektur der ursprünglichen Google-Informationen: Zwei zusätzlich angekündigte Live-Modelle wurden an diesem Tag doch nicht veröffentlicht. Das spricht dafür, Verfügbarkeits- und Leistungsangaben nicht mit Funktionen gleichzusetzen, die du bereits sicher nutzen kannst.
Was das für dich heisst
Als Einsteigerin oder Einsteiger beginnst du sinnvollerweise mit einer unkritischen, kurzen Aufnahme, etwa deinen eigenen gesprochenen Notizen nach einer Besprechung. Vergleiche das Ergebnis mit dem Ton und achte besonders auf Namen, Zahlen, Verneinungen und korrigierte Aussagen. So erkennst du, ob dir die geglättete Fassung tatsächlich Arbeit abnimmt oder zu stark in den Inhalt eingreift.
Schritt 1: Ein überschaubares Transkript prüfen
- Nimm eine kurze eigene Sprachnotiz mit einigen Fachbegriffen und einer bewussten Selbstkorrektur auf.
- Lass die Aufnahme mit einer verfügbaren Gemini-Funktion transkribieren und bewahre den Originalton auf.
- Markiere Abweichungen bei Namen, Fachbegriffen, Verneinungen und korrigierten Sätzen.
- Entscheide erst danach, ob die bereinigte Fassung als Notiz genügt oder ein wortgetreues Protokoll nötig ist.
Als fortgeschrittene Nutzerin oder fortgeschrittener Nutzer holst du mehr heraus, wenn du ein konsistentes Fachvokabular pflegst und Zeitstempel systematisch nutzt. Bei wiederkehrenden Interviews kannst du etwa dieselben Produktnamen und Fachbegriffe vorgeben, anschliessend Themen über mehrere Transkripte vergleichen und wichtige Zitate im Originalton kontrollieren. Die KI übernimmt dann den ersten Sortierdurchgang, nicht die endgültige Interpretation.
Schritt 2: Notizen strukturiert weiterverarbeiten
- Lege vor der Aufnahme fest, ob du eine lesbare Notiz oder ein möglichst wörtliches Protokoll brauchst.
- Ergänze wiederkehrende Namen, Abkürzungen und Fachbegriffe im eigenen Vokabular, sofern die verwendete Anwendung dies anbietet.
- Nutze Sprecherangaben und Zeitstempel, um zentrale Aussagen mit der Aufnahme abzugleichen.
- Trenne belegte Zitate, automatisch gebildete Zusammenfassungen und deine eigene Bewertung sichtbar voneinander.
Was noch offen ist
Die Verfügbarkeit ist zum Start uneinheitlich. Gemini 3.5 Transcribe wird laut den Berichten auf Englisch in der Gemini-App für macOS ausgerollt und steckt in der Rambler-Diktierfunktion auf bestimmten Android-Geräten, Ländern und Sprachen. Chrome-Unterstützung wurde angekündigt, war zum genannten Zeitpunkt aber noch nicht verfügbar.
Auch die Angaben zur Sprachabdeckung sind nicht ganz deckungsgleich: Ars Technica nennt 85 Sprachen, The Verge mehr als 85. Für die Schweiz machen die Quellen keine klare Aussage dazu, ob Rambler verfügbar ist oder welche Schweizer Sprachvarianten unterstützt werden. Gerade bei Dialekten, mehrsprachigen Gesprächen und lokalem Fachvokabular solltest du die Qualität deshalb nicht aus der allgemeinen Sprachenzahl ableiten.
Unbeantwortet bleibt zudem, wie einzelne Endnutzerprodukte sensible Audioaufnahmen verarbeiten und speichern. Für Interviews, interne Besprechungen oder Gespräche mit personenbezogenen Angaben ist diese Lücke relevant, besonders in Schweizer Unternehmen, Bildungsinstitutionen und öffentlichen Stellen. Aus den vorliegenden Quellen lässt sich keine belastbare Datenschutzbewertung ableiten, und auch Preise für die Nutzung werden nicht genannt.
Gemini 3.5 Transcribe verschiebt Transkription von der wortweisen Abschrift in Richtung redigierter Arbeitsnotiz. Das kann dir bei Meetings, Interviews und der Suche in langen Audioinhalten spürbar Zeit sparen, solange der Originalton für Kontrollen erhalten bleibt. Das offene Risiko liegt darin, dass eine angenehm lesbare Fassung genauer wirkt, als sie ist, und dabei gerade jene Versprecher, Pausen oder Widersprüche entfernt, die für die Interpretation entscheidend sein können.
Quellen
- Intelligent transcription with Gemini 3.5 Transcribe – Google DeepMind, 2026-08-26
- Google announces Gemini 3.5 Transcribe for AI-powered speech-to-text – Ars Technica, 2026-08-26
- Google’s new AI transcription edits out your ‘ums’ and ‘ahs’ – The Verge, 2026-08-26
- Radar makes podcasts searchable — and usable by AI agents – TechCrunch, 2026-08-26
- KI im UX Research: starkes Werkzeug, kein Ersatz – Netzwoche, 2026-08-26
