GoogleElevenLabsAudio-DuellSpracherkennung
Gemini 3.5 Transcribe Livevs.Scribe v2 Realtime
Welches Modell ist besser?
Gemini 3.5 Transcribe Live und Scribe v2 Realtime liegen je nach Test vorn.
Nimm Gemini 3.5 Transcribe Live für
Nimm Scribe v2 Realtime für
Gemeinsame Tests
Nur unabhängige Auswerter und Bestenlisten, je Auswerter der neueste gemeinsame Stand. Mit 95-%-Bereichen zählt ein Vorsprung, wenn sie sich nicht überlappen; bei Trefferquoten, wenn er im 95-%-Test hält. Ohne Unsicherheitsangabe höchstens „leicht vorn“.
Coval
je nach TeiltestScribe v2 Realtime ist in 0 von 18 Teiltests klar vorn und in 8 leicht, Gemini 3.5 Transcribe Live in 0 klar und in 6 leicht. 4 sind gleichauf.
Coval Time to Final Segment (TTFS) mean
niedriger ist besser, Stand 6. November 2026
Coval Time to Final Segment (TTFS) p50
niedriger ist besser, Stand 6. November 2026
Coval Time to Final Segment (TTFS) p95
niedriger ist besser, Stand 6. November 2026
Alle 18 Teiltests zeigen
| Teiltest | Gemini 3.5 Transcribe Live | Scribe v2 Realtime | Urteil |
|---|---|---|---|
| Coval Time to Final Segment (TTFS) mean (niedriger ist besser) | 380 ms | 119 ms | Scribe v2 Realtime leicht vorn |
| Coval Time to Final Segment (TTFS) p50 (niedriger ist besser) | 325 ms | 111 ms | Scribe v2 Realtime leicht vorn |
| Coval Time to Final Segment (TTFS) p95 (niedriger ist besser) | 493 ms | 179 ms | Scribe v2 Realtime leicht vorn |
| Coval Time to First Token (TTFT) maximum (niedriger ist besser) | 12.993 ms | 4.960 ms | Scribe v2 Realtime leicht vorn |
| Coval RTF maximum (niedriger ist besser) | 3,12 | 1,96 | Scribe v2 Realtime leicht vorn |
| Coval pooled corpus Word Error Rate (WER) (niedriger ist besser) | 2,9 % | 4,2 % | Gemini 3.5 Transcribe Live leicht vorn |
| Coval Time to First Token (TTFT) p50 (niedriger ist besser) | 1.471 ms | 2.111 ms | Gemini 3.5 Transcribe Live leicht vorn |
| Coval Time to First Token (TTFT) mean (niedriger ist besser) | 1.528 ms | 2.149 ms | Gemini 3.5 Transcribe Live leicht vorn |
| Coval Word Error Rate (WER) per-sample p95 (niedriger ist besser) | 16,7 % | 21,4 % | Gemini 3.5 Transcribe Live leicht vorn |
| Coval Time to First Token (TTFT) p95 (niedriger ist besser) | 2.416 ms | 2.916 ms | Gemini 3.5 Transcribe Live leicht vorn |
| Coval Time to Final Segment (TTFS) maximum (niedriger ist besser) | 5.018 ms | 5.714 ms | Gemini 3.5 Transcribe Live leicht vorn |
| Coval AudioToFinal maximum (niedriger ist besser) | 18,79 s | 16,82 s | Scribe v2 Realtime leicht vorn |
| Coval RTF mean (niedriger ist besser) | 1,06 | 1,02 | Scribe v2 Realtime leicht vorn |
| Coval AudioToFinal mean (niedriger ist besser) | 8,31 s | 8,06 s | Scribe v2 Realtime leicht vorn |
| Coval RTF p50 (niedriger ist besser) | 1,04 | 1,01 | gleichauf |
| Coval AudioToFinal p50 (niedriger ist besser) | 8,67 s | 8,43 s | gleichauf |
| Coval Word Error Rate (WER) per-sample maximum (niedriger ist besser) | 100,0 % | 100,0 % | gleichauf |
| Coval Word Error Rate (WER) per-sample p50 (niedriger ist besser) | 0,0 % | 0,0 % | gleichauf |
Quelle · zuletzt 6. November 2026
Pipecat STT Benchmark
Gemini 3.5 Transcribe Live leicht vornGemini 3.5 Transcribe Live ist in 0 von 2 Teiltests klar vorn und in 2 leicht, Scribe v2 Realtime in keinem.
Pipecat STT Benchmark semantic pooled WER
niedriger ist besser, Stand 16. Oktober 2026
Pipecat STT Benchmark semantic WER mean
niedriger ist besser, Stand 16. Oktober 2026
Quelle · zuletzt 16. Oktober 2026
Artificial Analysis
Scribe v2 Realtime leicht vornArtificial Analysis AA-WER Streaming (final transcription)
niedriger ist besser, Stand 15. Oktober 2026
Quelle · zuletzt 15. Oktober 2026
Herstellerangaben
Werte aus Berichten der Hersteller, in denen beide Modelle vorkommen. Sie zählen nicht zum Urteil.
6 Herstellerwerte zeigen
| Wert | Quelle | Gemini 3.5 Transcribe Live | Scribe v2 Realtime |
|---|---|---|---|
| Accented English WER, Mean 4 sets (niedriger ist besser) | AssemblyAI speech benchmark | 9,4 % | 10,1 % |
| AssemblyAI normalized medical entity error rate mean across three sets (niedriger ist besser) | AssemblyAI speech benchmark | 8,6 % | 7,0 % |
| AssemblyAI normalized WER mean across three noise conditions (niedriger ist besser) | AssemblyAI speech benchmark | 8,5 % | 7,8 % |
| Code-switching WER, Mean 5 pairs (niedriger ist besser) | AssemblyAI speech benchmark | 10,2 % | 13,0 % |
| Long-form English WER, Mean 3 sets (niedriger ist besser) | AssemblyAI speech benchmark | 9,4 % | 17,1 % |
| Short-form English WER, Mean 3 sets (niedriger ist besser) | AssemblyAI speech benchmark | 5,0 % | 5,1 % |
Alle Daten im Vergleich
Preise stehen wörtlich wie beim Hersteller, weil Audiomodelle pro Minute, Zeichen oder Token abrechnen.
| Gemini 3.5 Transcribe Live | Scribe v2 Realtime | |
|---|---|---|
| Aufgabe | Spracherkennung | Spracherkennung |
| Entwickler | ElevenLabs | |
| Status | Aktiv | Aktiv |
| Gewichte | proprietär | proprietär |
| Läuft lokal | nein | nein |
| Preis | 3,50 $ je 1 Mio. Audio-Token (0,005 $ je Audiominute) | k. A. |
| Beliebtheit (von 100) | 35 | 29 |