Google: Gemini 3.5 Transcribe

Google Gemini 3.5 Transcribe ist das synchrone Modell zur Umwandlung vollständiger, vorab aufgezeichneter Audiodateien in schriftlichen Wortlaut. Es beruht auf Geminis Audioverständnis, hat aber einen transkriptionsspezifischen Ein- und Ausgabevertrag. Die separate Edition Gemini 3.5 Transcribe Live empfängt einen Audiostream und gibt schrittweise Ergebnisse zurück. Dieses Modell für aufgezeichnetes Audio erzeugt ein vollständiges Transkript, je nach gewählter Konfiguration mit optionalen Wortzeitstempeln oder Sprecherzuordnung.

Bereiten Sie eine klare Aufnahme vor, deren Sprache nicht stark übersteuert ist und deren Stimmen nach Möglichkeit sinnvoll voneinander getrennt sind. Die synchronen Beispiele des Herstellers übergeben WAV-Audio als Dateibytes oder gespeicherte Audioressource und geben dessen MIME-Typ an. Bewahren Sie das Originalaudio zur Prüfung auf. Das gewünschte Ergebnis kann ein geprüftes Interviewtranskript, ein Datensatz zur Untertitelausrichtung oder ein lesbares Diktat sein; entscheiden Sie vor der Kombination von Funktionen, die den Wortlaut verändern oder Metadaten hinzufügen, welches Ergebnis benötigt wird.

Google dokumentiert die automatische Erkennung von mehr als 85 Sprachen, einschließlich Sprachwechseln innerhalb einer Sitzung. Die Unterstützung unterscheidet sich nach Sprache, und ein Hinweis auf eine bekannte Sprache kann die Erkennung verbessern. Ein benutzerdefinierter Wortschatz liefert besondere Namen, Marken oder Fachbegriffe, die voraussichtlich vorkommen. Der Hersteller erlaubt bis zu 1.000 Begriffe und weist darauf hin, dass gezielte Listen mit bis zu etwa 100 Begriffen gewöhnlich am besten funktionieren. Beschränken Sie seltene Begriffe auf solche mit Bezug zur Aufnahme und prüfen Sie sie anhand des Audios, statt einen Wortschatzhinweis als Nachweis dafür anzusehen, dass der Begriff gesprochen wurde.

VERBATIM ist der Standardmodus. Er erhält Füllwörter, Wiederholungen, abgebrochene Ansätze und gesprochene Korrekturen, sodass der Text den Wortlaut dokumentiert. Verwenden Sie diesen Modus, wenn die Aufgabe Zeitstempel auf Wortebene oder Sprechertrennung benötigt. Behalten Sie beispielsweise bei einem Interview die ursprünglichen Gesprächsbeiträge und Zeitangaben bei und korrigieren Sie anschließend wichtige Namen und Mengen durch Anhören der betreffenden Passage. Eine spätere Zusammenfassung oder ein ausgearbeiteter Artikel kann diesen geprüften Datensatz verwenden, ohne stillschweigend das Gesagte zu ersetzen.

SMART ist für lesbare Diktate ausgelegt. Dieser Modus entfernt Sprechunflüssigkeiten, löst Selbstkorrekturen im Sprechfluss auf und gliedert gesprochenes Material in Absätze oder Listen, gegebenenfalls mit normalisierten Datums- und Zahlenangaben. Eine diktierte Aufgabenliste kann zu einer lesbaren Liste statt zu einer Folge gesprochener Überleitungen werden. Diese Verarbeitung verändert die Form des Transkripts. Google stellt ausdrücklich fest, dass SMART mit Wortzeitstempeln und Sprechertrennung unvereinbar ist; wählen Sie diesen Modus deshalb, wenn lesbarer Text benötigt wird, statt ihn als zeitlich zugeordnetes, nach Sprechern gekennzeichnetes Protokoll verwenden zu wollen.

Bei aktivierter Wortzeiterfassung enthält die Antwort erkannte Wörter mit Anfangs- und Endpositionen. Diese helfen, eine Korrektur in der Aufnahme zu finden oder Untertitel vorzubereiten. Der Hersteller nennt eine Beeinträchtigung der Erkennungsgenauigkeit durch die Aktivierung von Zeitstempeln auf Wortebene. Prüfen Sie sowohl den Text als auch die zeitliche Ausrichtung, besonders bei schneller Sprache, Überlappungen oder ungewöhnlicher Terminologie. Ein hilfreiches zeitlich zugeordnetes Transkript bewahrt Wortdatensatz und Quellaudio gemeinsam auf, statt einen flüssigen Satz als Nachweis seiner korrekten Ausrichtung zu behandeln.

Die Sprechertrennung erkennt und kennzeichnet Stimmen in aufgezeichnetem Audio; dokumentiert sind bis zu acht Sprecher. Die Zuordnung bei drei oder mehr Sprechern bezeichnet der Hersteller als experimentell. Behandeln Sie die Kennzeichnungen als erschlossene Sprechergruppen und prüfen Sie Übergänge anhand der Aufnahme. Eine Sprecherkennzeichnung ist kein unabhängiger Nachweis für die Identität oder Rolle einer Person. Ordnen Sie die Kennzeichnungen bekannten Aufnahmeinformationen zu, wenn die Aufgabe Namen benötigt, statt Identitäten aus den erkannten Wörtern zu erfinden.

Die Funktionstabelle des Herstellers nennt ein Fenster von 15 Minuten für aufgezeichnetes Audio, wobei die Dateiverarbeitung bei aktivierten Funktionen wie Zeitstempeln oder Sprechertrennung auf diese Dauer begrenzt ist. Bereiten Sie längeres Ausgangsmaterial als geeignete Segmente vor und erhalten Sie dabei Reihenfolge und ursprüngliche Zeitposition. Das Transkript des Modells, zeitlich zugeordnete Wörter und nach Sprechern gekennzeichnete Teile sind unterschiedliche Ergebnisdarstellungen; bewahren Sie die für die Aufgabe benötigte Darstellung auf. Diese audiospezifischen Grenzen sollten nicht durch Kontext- oder Dauerangaben eines allgemeinen multimodalen Gemini-Modells ersetzt werden. Google führt SMART-Formatierung, Zeitstempel auf Wortebene und Sprechertrennung als experimentelle Funktionen auf.

Der Ausgabevertrag ist transkriptionsspezifisch. SMART-Formatierung erstellt lesbaren Text, fügt aber keinen allgemeinen Antwortvertrag nach JSON-Schema, keine Fähigkeit zu Werkzeugaufrufen und keinen anweisungsfolgenden Assistentenablauf hinzu. Prüfen Sie für das Endergebnis wichtigen Wortlaut, Zahlen und Verneinungen anhand des Audios, erhalten Sie ungeklärte Abschnitte zur Korrektur und bewahren Sie den gewählten Modus zusammen mit dem Ergebnis auf. So bleibt klar, ob das Ergebnis den ursprünglichen gesprochenen Wortlaut dokumentiert oder eine daraus abgeleitete redigierte Lesefassung darstellt.