Google: Gemini 3.5 Transcribe

Google: Gemini 3.5 Transcribe ist ein Speech-to-Text-Modell von Google. Es gehört zur Kategorie Transkription, und das Veröffentlichungsdatum des Anbieters ist der 25. September 2026. Wenn Sie irgendetwas bauen, das aufgezeichnete oder gestreamte Sprache in geschriebenen Text umwandelt, ist dies die Modellfamilie, die Google für diese Aufgabe positioniert, und sie ist auf api14 unter der Modell-ID google/gemini-3.5-transcribe verfügbar.

Das Modell nimmt Audio als einzige Eingabemodalität und gibt Transkription als Ausgabe zurück. Es hat eine Kontextlänge von 98.304 Tokens und eine maximale Ausgabe von 32.768 Tokens. Google beschreibt es als geeignet für synchrone Transkription, die Zeitstempel auf Wortebene oder Sprecherdiarisierung erfordert, mit Unterstützung für bis zu acht Sprecher. Diese beiden Details prägen, was Sie von der Ausgabe erwarten können: nicht nur einen flachen Textblock, sondern Zeitinformationen, die auf Wörter ausgerichtet sind, und Labels, die Stimmen trennen, wenn mehr als eine Person spricht.

Diese Kombination deutet auf eine ziemlich spezifische Menge von Anwendungsfällen hin. Meeting- und Call-Transkripte profitieren von Diarisierung, da Sie jede Zeile einem Teilnehmer zuordnen können, statt zu raten, wer gesprochen hat. Zeitstempel auf Wortebene sind nützlich, wenn Sie Text an eine Medien-Timeline ausrichten müssen, zum Beispiel beim Erzeugen von Untertiteln, beim Aufbau durchsuchbarer Indizes, die zum exakten Moment springen, in dem eine Phrase gesagt wurde, oder beim Hervorheben des gesprochenen Teils einer Aufnahme während der Wiedergabe. Synchrone Transkription deutet auch auf interaktive Szenarien hin, in denen Text erzeugt wird, während Audio noch eintrifft, etwa Live-Untertitelung oder Mitschrift während einer Sitzung. Das Limit von acht Sprechern passt eher zu Podiumsdiskussionen, Interviews und Standups als zu großen Konferenzräumen mit vielen wechselnden Stimmen.

Der Aufruf über api14 funktioniert genauso wie bei jedem anderen Modell auf der Plattform, da die API OpenAI-kompatibel ist. Sie senden Ihre Anfrage an den chat completions Endpoint mit der Modell-ID google/gemini-3.5-transcribe und Ihrem Audio als Eingabe. Eine Sache, die Sie vor dem Start prüfen sollten: Die Liste der unterstützten Parameter für dieses Modell ist leer, Sie sollten also nicht annehmen, dass Sampling-Steuerungen wie temperature, top_p oder max_tokens akzeptiert werden oder das Verhalten ändern. Bauen Sie Ihre Integration um die Standardwerte herum und behandeln Sie das Audio-Payload und die Modell-ID als die Teile, die Sie kontrollieren.

Die wichtigsten Einschränkungen, die Sie beachten sollten, sind die Ein- und Ausgabetypen und die Größenlimits. Nur Audio geht hinein, und nur Transkription kommt heraus, dies ist also nicht das Modell, zu dem Sie greifen sollten, wenn Sie in demselben Aufruf Reasoning über das Transkript, Zusammenfassung, Übersetzung oder eine andere Textgenerierung benötigen. Dafür würden Sie das Transkript an ein allgemeines Textmodell übergeben. Der Kontext von 98.304 Tokens und die Obergrenze von 32.768 Tokens für die Ausgabe bedeuten außerdem, dass sehr lange Aufnahmen möglicherweise in Abschnitte aufgeteilt werden müssen, und wenn Ihr Audio mehr als acht verschiedene Sprecher enthält, deckt die Diarisierung möglicherweise nicht alle ab.