← Alle Modelle

Gemini 3.5 Transcribe Live

Veröffentlicht Herausgeber Googlegemini-3.5-transcribe-live

Einordnung

Gemini 3.5 Transcribe Live ist ein auf schnelle Echtzeit-Spracherkennung spezialisiertes Speech-to-Text-Modell. Über die Gemini Live API überträgt es Audio bidirektional per WebSocket und liefert fortlaufend Texttranskripte. Es ist keine eigenständig antwortende Sprachassistentin. (ai.google.dev)

Fähigkeiten und Einsatz

  • Vorläufige und endgültige Transkriptionsereignisse, Smart-Transkription und verschiedene Strategien zur Erkennung von Sprachaktivität. (aistudio.google.com)
  • Automatische Spracherkennung für mehr als 85 Sprachen, auch bei Sprachwechseln während einer Sitzung; Zeitstempel auf Äußerungsebene und anpassbares Fachvokabular mit bis zu 1.000 Begriffen. (docs.cloud.google.com)
  • Geeignet unter anderem für Live-Untertitel, Diktat und Sprachschnittstellen. (blog.google)

Einschränkungen

Die Live-Version unterstützt weder Sprecherzuordnung noch Zeitstempel auf Wortebene. In der Dokumentation der Gemini Enterprise Agent Platform ist die maximale Audiodauer für Live-Streaming mit zehn Minuten angegeben. Smart-Diktat und -Formatierung sind dort als experimentell gekennzeichnet und erfordern beim Live-Streaming manuelles Endpointing. Transkripte können Fehler enthalten. (docs.cloud.google.com)

Veröffentlichung

Google kündigte das Modell am 26. August 2026 in den Gemini-API-Versionshinweisen als allgemein verfügbar an. Die Dokumentation der Gemini Enterprise Agent Platform nennt für die GA-Version auf dieser Plattform dagegen Oktober 2026. (aistudio.google.com)

Preise

Gemini Developer API, Standardtarif, USD; Abfrage am 16. November 2026: Im kostenlosen Tarif sind Ein- und Ausgabe laut Preisliste kostenlos. Im kostenpflichtigen Tarif kostet die Audioeingabe 3,50 USD pro 1 Million Audio-Token und die Textausgabe 21,00 USD pro 1 Million Text-Token. Google nennt zusätzlich geschätzte Werte von 0,005 USD pro Minute Eingabe und 0,004 USD pro Minute Ausgabe, zusammen etwa 0,009 USD pro Minute. Diese Minutenschätzungen beruhen auf 25 Audio-Token pro Sekunde und 175 Text-Token pro Minute; sie sind keine separaten Pauschalpreise. (aistudio.google.com)

Offizielle Quellen