Google hat Gemini 3.5 Transcribe und Gemini 3.5 Transcribe Live allgemein verfügbar gemacht. Beide Modelle sind auf Speech-to-Text spezialisiert, bedienen aber unterschiedliche Abläufe. Das nicht streamende Modell verarbeitet abgeschlossene Audioaufnahmen. Die Live-Variante überträgt Sprache bidirektional über WebSockets und liefert vorläufige sowie finale Ereignisse. Für Unternehmen ist deshalb nicht nur die Erkennungsqualität entscheidend. Die richtige Wahl hängt davon ab, ob ein Ergebnis sofort benötigt wird, später korrigiert werden darf und welche Folgeprozesse daran hängen.
Was Batch und Live konkret unterscheiden
Gemini 3.5 Transcribe unterstützt laut Google mehr als 85 Sprachen mit äußerungsbasierter Spracherkennung. Hinzu kommen Sprechertrennung, Zeitstempel auf Wortebene und eine Gewichtung benutzerdefinierter Vokabeln für bis zu 1.000 Begriffe. Das ist für aufgezeichnete Meetings, Interviews, Servicegespräche oder Medienarchive relevant, bei denen ein vollständiges Ergebnis wichtiger ist als eine sofortige Anzeige.
Transcribe Live ist dagegen für laufende Audiositzungen ausgelegt. Die WebSocket-Verbindung liefert Zwischenresultate und finale Transkriptionsereignisse. Mehrere Verfahren zur Erkennung von Sprachaktivität helfen dabei, Sprechbeginn, Pausen und das Ende einer Äußerung zu verarbeiten. Daraus folgt allerdings nicht, dass jedes vorläufige Ergebnis bereits für automatische Aktionen geeignet ist.
- Batch wählen, wenn Audiodateien vollständig vorliegen und Genauigkeit, Sprecherzuordnung oder nachträgliche Prüfung im Vordergrund stehen.
- Live wählen, wenn Untertitel, Gesprächsassistenz oder unmittelbare Hinweise während einer Sitzung benötigt werden.
- Hybrid arbeiten, wenn Live-Text nur Orientierung bietet und eine spätere Batch-Verarbeitung das freigegebene Protokoll erzeugt.
- Keine Variante automatisiert weiterverarbeiten, solange Fehlerfolgen, Datenfreigabe und Korrekturprozess nicht geklärt sind.
Entscheidungsmatrix für reale Unternehmensprozesse
Ein Meetingprotokoll, eine Medienuntertitelung und ein Live-Serviceassistent stellen unterschiedliche Anforderungen. Vor der Modellauswahl sollten Verantwortliche fünf Fragen beantworten: Wie schnell wird Text benötigt? Müssen Sprecher getrennt werden? Wie wichtig sind exakte Zeitmarken? Gibt es branchenspezifische Begriffe? Und darf ein unbestätigtes Transkript bereits einen Folgeprozess auslösen?
- Interne Meetingdokumentation: Batch oder Hybrid, weil Korrektur und finale Freigabe wichtiger als Sekundenlatenz sind.
- Live-Untertitel: Live, sofern vorläufige Ergebnisse sichtbar als vorläufig markiert und später ersetzt werden.
- Podcast- und Videoarchive: Batch mit Wort-Zeitstempeln für Suche, Kapitel und redaktionelle Nachbearbeitung.
- Serviceunterstützung: Live für Hinweise, aber keine Vertragsänderung, Bestellung oder Zusage allein aus einem Zwischenresultat.
- Mehrsprachige Recherche: Erst mit repräsentativen Akzenten, Sprachwechseln und Fachbegriffen testen; die Zahl unterstützter Sprachen sagt nichts über die Qualität des eigenen Materials.
Rollout in vier kontrollierten Schritten
- Referenzsatz erstellen: Reale, rechtmäßig nutzbare Audiobeispiele mit Akzenten, Störgeräuschen, Sprachwechseln, mehreren Sprechern und wichtigen Fachbegriffen auswählen und manuell korrekt transkribieren.
- Modelle getrennt testen: Batch und Live gegen dieselben geeigneten Ausschnitte prüfen. Neben Wortfehlern auch Sprecherwechsel, Zeitstempel, Auslassungen und Stabilität von Zwischenresultaten erfassen.
- Fachvokabular begrenzen: Produktnamen, Abkürzungen und Eigennamen priorisieren. Die erlaubten bis zu 1.000 gewichteten Begriffe nicht blind ausschöpfen, sondern Änderungen versionieren und Regressionen messen.
- Schattenbetrieb starten: Transkripte parallel zum bisherigen Prozess erzeugen, aber noch keine automatischen Folgeaktionen zulassen. Erst nach stabiler Qualität werden klar begrenzte Arbeitsschritte freigegeben.
Vor dem Pilot müssen außerdem Zweck, Zugriff, Aufbewahrung und Löschung von Audio sowie Transkripten festgelegt werden. Besonders bei Gesprächen mit Beschäftigten oder Kunden ist eine Prüfung durch Datenschutz- und gegebenenfalls Rechtsverantwortliche erforderlich. Technisch gehören verschlüsselte Übertragung, minimale Zugriffsrechte, getrennte Testdaten und protokollierte Weiterverarbeitung zum Grundbetrieb.
Qualität und Kosten gemeinsam bewerten
Ein belastbarer Vergleich misst nicht nur durchschnittliche Wortgenauigkeit. Relevant sind Fehler bei Namen und Zahlen, falsche Sprecherzuordnung, verlorene Äußerungen, Verzögerung bis zum finalen Text, menschliche Korrekturzeit und Gesamtkosten pro freigegebener Audiominute. Bei Live-Betrieb kommen Verbindungsabbrüche, Wiederaufnahme und Abweichungen zwischen vorläufigen und finalen Ergebnissen hinzu.
- Stoppen, wenn sensible Inhalte in nicht freigegebene Systeme oder Folgeprozesse gelangen.
- Zurückstufen, wenn Sprecher, Zahlen oder Fachbegriffe trotz Anpassung häufig falsch erkannt werden.
- Keine Aktionen auslösen, wenn finale Ereignisse fehlen oder eine Sitzung nach Verbindungsabbruch nicht eindeutig fortgesetzt wird.
- Nur skalieren, wenn Qualitätsgewinn und Zeitersparnis die Integrations-, Review- und Betriebskosten nachweislich übersteigen.
Gemini 3.5 Transcribe macht die technische Wahl klarer: Batch für prüfbare Endergebnisse, Live für unmittelbare Rückmeldung und Hybrid für Prozesse, die beides brauchen. Der erfolgreiche Unternehmenseinsatz hängt jedoch weniger vom Modellnamen als von einem repräsentativen Testkorpus, sicheren Datenregeln und der Trennung zwischen vorläufigem Text und freigegebenem Ergebnis ab.