Was ist Gemini 3.5 Transcribe?
Gemini 3.5 Transcribe und Gemini 3.5 Transcribe Live sind seit dem 26. August 2026 allgemein verfügbar. Es sind spezialisierte Speech-to-Text-Modelle auf Basis von Geminis Audioverständnis, getrennt von den allgemeinen Gemini-Chatmodellen, und sie werden nach Audio- und Text-Tokens abgerechnet statt nach Minuten.
Das Dateimodell nimmt bis zu eine Stunde Audio pro Anfrage an, oder 30 Minuten, wenn Sprechertrennung oder Zeitstempel pro Wort eingeschaltet sind. Es erkennt über 85 Sprachen, auch bei Wechseln mitten im Satz, kennzeichnet bis zu acht Sprecher, liefert Zeitstempel auf Wortebene, entfernt im Modus „Smart“ Füllwörter und akzeptiert bis zu 1.000 eigene Vokabelbegriffe. Das Live-Modell streamt über WebSockets mit Zwischen- und Endergebnissen, in Sessions von bis zu 10 Minuten, aber ohne Sprechertrennung oder Zeitstempel.
Was kostet Gemini 3.5 Transcribe?
| Tarif | Preis | Was enthalten ist |
|---|---|---|
| Transcribe | About $0.005 per minute | 2 $ Eingabe / 12 $ Ausgabe pro 1M Tokens |
| Transcribe Live | About $0.009 per minute | 3,50 $ / 21 $ pro 1M Tokens |
Transcribe etwa 0,005 $ pro Minute (2 $ Eingabe / 12 $ Ausgabe pro 1M Tokens); Transcribe Live etwa 0,009 $ pro Minute (3,50 $ / 21 $). Free Tier in AI Studio und in der API.
Lohnt sich Gemini 3.5 Transcribe?
Gemini 3.5 Transcribe ist ein gutes Modell in einem Markt, der schnell an ihm vorbeigezogen ist. Artificial Analysis misst 2,6% AA-WER, Platz neun von 62 Modellen auf der Rangliste ohne Streaming, für 5 $ pro 1.000 Minuten und etwa 89-fache Echtzeit. Microsofts MAI-Transcribe-2 ist mit 2,0% für 1,67 $ genauer, ElevenLabs Scribe v2 schafft 2,2% für 3,67 $, während OpenAIs GPT Transcribe (3,3%) und Deepgram Nova-3 (5,2%) dahinter liegen.
Der Funktionsumfang ist breit, aber die Optionen kollidieren. Googles eigene Modellseite sagt, dass Zeitstempel pro Wort die Genauigkeit verschlechtern, dass eigenes Vokabular zusammen mit Sprechertrennung oder Zeitstempeln abgelehnt wird und dass die Zuordnung bei drei oder mehr Sprechern experimentell ist. Ein Produkt für Meeting-Notizen, das benannte Sprecher, Zeitstempel und die Produktnamen des Kunden will, muss sich für zwei der drei entscheiden oder das Audio zweimal schicken.
Der Preis ist einfach und stabil. Bei Googles Schätzung von 25 Audio-Tokens pro Sekunde und 175 Text-Tokens pro Minute kostet das Dateimodell etwa einen halben Cent pro Minute und Live etwa 0,9 Cent. Keines der beiden unterstützt aber die Rabatte für Batch oder Flex, die Gemini-Chatmodelle bekommen, größere Mengen werden also nicht günstiger. Das Free Tier ist großzügig, und laut Googles Bedingungen werden dort gesendete Inhalte zur Verbesserung von Google-Produkten genutzt; Inhalte im kostenpflichtigen Tier nicht.
Das stärkste Argument ist die Bündelung. Ein Team, das Gemini bereits über Google Cloud abrechnet, bekommt Datei- und Streaming-Transkription unter einem Schlüssel, einer Datenvereinbarung und einer Rechnung, mit Sprachwechseln über 85+ Sprachen, die pro Äußerung erkannt werden. Für eine reine Transkriptionslast, die nach Genauigkeit pro Dollar ausgewählt wird, setzt inzwischen MAI-Transcribe-2 den Maßstab.
Wo es sich lohnt
Ein Contact Center mit 200 Plätzen, das bereits Google Cloud nutzt
Jeden Anruf für Qualitätssicherung und Compliance-Suche transkribieren
Schick die Aufnahmen mit eingeschalteter Sprechertrennung an das Dateimodell und halte jede unter 30 Minuten. Bei 500.000 Minuten im Monat sind das im kostenpflichtigen Tier etwa 2.500 $; MAI-Transcribe-2 zu den 1,67 $ pro 1.000 Minuten von Artificial Analysis käme auf etwa 835 $.
Eine Mobile-Entwicklerin, die Spracheingabe in eine Notiz-App einbaut
Live-Untertitel anzeigen, während der Nutzer spricht
Streame Audio in Stücken von 100 ms per WebSocket an Transcribe Live, zeig die Zwischenergebnisse an und ersetze sie durch die Endergebnisse. Sessions enden nach 10 Minuten, lange Diktate brauchen also eine Logik zum Neuverbinden; die Kosten liegen bei etwa 0,9 Cent pro Minute.
Ein Produktmanager für Legal Tech in einem mehrsprachigen Markt
Mandantengespräche transkribieren, die zwischen Englisch und Hindi wechseln
Die Spracherkennung pro Äußerung bewältigt die Wechsel ohne Sprachhinweis. Kanzlei- und Produktnamen brauchen eigenes Vokabular, und dafür müssen Sprechertrennung und Zeitstempel in diesem Durchgang aus sein.
Bevor du dich festlegst
- Einrichtung
- Hol dir in AI Studio einen Gemini-API-Schlüssel, lade Audio über die Files API hoch und ruf gemini-3.5-transcribe auf; die Dokumentation bietet Beispiele für Python, JavaScript, Go und REST.
- Integrationen
- Gemini API und Google-GenAI-SDKs; Live-Transkription über den WebSocket der Live API mit konfigurierbarer Sprachaktivitätserkennung. Kein Caching, kein Batch, kein Flex und kein Function Calling.
- Daten und Datenschutz
- Im Free Tier darf Google Inhalte zur Verbesserung seiner Produkte nutzen, im kostenpflichtigen Tier nicht. Apps für Nutzer im EWR, in der Schweiz oder im Vereinigten Königreich müssen kostenpflichtige Dienste nutzen.
- Kosten im großen Maßstab
- Etwa 5 $ pro 1.000 Minuten für Dateien und 9 $ für Live, ohne Mengen- oder Batch-Rabatt. Artificial Analysis führt Scribe v2 mit 3,67 $ und MAI-Transcribe-2 mit 1,67 $ pro 1.000 Minuten.
- Grenzen
- Eine Stunde pro Dateianfrage (30 Minuten mit Sprechertrennung oder Zeitstempeln), Live-Sessions von 10 Minuten, bis zu acht Sprecher, ab drei experimentell, und eigenes Vokabular nicht mit Sprechertrennung und Zeitstempeln kombinierbar.
Was gut ist
- 2,6% AA-WER für etwa 5 $ pro 1.000 Minuten
- Datei- und WebSocket-Streaming-Modelle unter einer API
- Über 85 Sprachen mit Sprachwechsel mitten im Satz
- Bis zu 1.000 eigene Vokabelbegriffe
Was nicht
- Eigenes Vokabular lässt sich nicht mit Sprechertrennung oder Zeitstempeln kombinieren
- MAI-Transcribe-2 und Scribe v2 sind genauer und günstiger
- Kein Rabatt für Batch oder Flex
- Live-Sessions auf 10 Minuten begrenzt, keine Sprechertrennung
Am besten für
Teams, die bereits die Gemini API nutzen und Datei- und Streaming-Transkription von einem Anbieter für etwa einen halben Cent pro Minute wollen.
Alternativen zu Gemini 3.5 Transcribe
Gemini 3.5 Transcribe: häufige Fragen
- Lohnt sich Gemini 3.5 Transcribe?
- Genau und günstig genug für die meisten Transkriptionen, aber in keiner der beiden Hinsichten mehr die naheliegende Wahl. Wir bewerten es mit 4.2 von 5.
- Was kostet Gemini 3.5 Transcribe?
- Transcribe etwa 0,005 $ pro Minute (2 $ Eingabe / 12 $ Ausgabe pro 1M Tokens); Transcribe Live etwa 0,009 $ pro Minute (3,50 $ / 21 $). Free Tier in AI Studio und in der API.
- Welche Nachteile hat Gemini 3.5 Transcribe?
- Eigenes Vokabular lässt sich nicht mit Sprechertrennung oder Zeitstempeln kombinieren; MAI-Transcribe-2 und Scribe v2 sind genauer und günstiger; Kein Rabatt für Batch oder Flex; Live-Sessions auf 10 Minuten begrenzt, keine Sprechertrennung.
- Für wen eignet sich Gemini 3.5 Transcribe?
- Teams, die bereits die Gemini API nutzen und Datei- und Streaming-Transkription von einem Anbieter für etwa einen halben Cent pro Minute wollen.
- Was kostet Gemini 3.5 Transcribe für ein Team oder im Produktivbetrieb?
- Etwa 5 $ pro 1.000 Minuten für Dateien und 9 $ für Live, ohne Mengen- oder Batch-Rabatt. Artificial Analysis führt Scribe v2 mit 3,67 $ und MAI-Transcribe-2 mit 1,67 $ pro 1.000 Minuten.
- Ist Gemini 3.5 Transcribe sicher für Firmendaten?
- Im Free Tier darf Google Inhalte zur Verbesserung seiner Produkte nutzen, im kostenpflichtigen Tier nicht. Apps für Nutzer im EWR, in der Schweiz oder im Vereinigten Königreich müssen kostenpflichtige Dienste nutzen.
- Was sind die besten Alternativen zu Gemini 3.5 Transcribe?
- Die nächsten Alternativen, die wir getestet haben, sind ElevenLabs Scribe v2, GPT Transcribe und Deepgram Nova-3.
Antworten geprüft am 26. Okt. 2026.