OpenAIGoogleAudio-DuellSpracherkennung
GPT-Realtime-Whispervs.Gemini 3.5 Transcribe Live
Welches Modell ist besser?
Gemini 3.5 Transcribe Live liegt in unabhängigen Tests leicht vorn, sicher ist der Vorsprung aber nicht.
Nimm GPT-Realtime-Whisper für
Nimm Gemini 3.5 Transcribe Live 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
Gemini 3.5 Transcribe Live leicht vornGemini 3.5 Transcribe Live ist in 0 von 16 Teiltests klar vorn und in 9 leicht, GPT-Realtime-Whisper in 0 klar und in 1 leicht. 6 sind gleichauf.
Coval Time to Final Segment (TTFS) maximum
niedriger ist besser, Stand 5. November 2026
Coval RTF maximum
niedriger ist besser, Stand 5. November 2026
Coval Time to Final Segment (TTFS) p50
niedriger ist besser, Stand 5. November 2026
Alle 16 Teiltests zeigen
| Teiltest | GPT-Realtime-Whisper | Gemini 3.5 Transcribe Live | Urteil |
|---|---|---|---|
| Coval Time to Final Segment (TTFS) maximum (niedriger ist besser) | 20.386 ms | 5.018 ms | Gemini 3.5 Transcribe Live leicht vorn |
| Coval RTF maximum (niedriger ist besser) | 5,55 | 3,12 | Gemini 3.5 Transcribe Live leicht vorn |
| Coval Time to Final Segment (TTFS) p50 (niedriger ist besser) | 547 ms | 325 ms | Gemini 3.5 Transcribe Live leicht vorn |
| Coval AudioToFinal maximum (niedriger ist besser) | 30,01 s | 18,79 s | Gemini 3.5 Transcribe Live leicht vorn |
| Coval Time to Final Segment (TTFS) mean (niedriger ist besser) | 564 ms | 381 ms | Gemini 3.5 Transcribe Live leicht vorn |
| Coval pooled corpus Word Error Rate (WER) (niedriger ist besser) | 4,0 % | 2,9 % | Gemini 3.5 Transcribe Live leicht vorn |
| Coval Word Error Rate (WER) per-sample mean (niedriger ist besser) | 4,5 % | 3,4 % | Gemini 3.5 Transcribe Live leicht vorn |
| Coval Time to First Token (TTFT) p50 (niedriger ist besser) | 1.878 ms | 1.475 ms | Gemini 3.5 Transcribe Live leicht vorn |
| Coval Time to First Token (TTFT) mean (niedriger ist besser) | 1.820 ms | 1.533 ms | Gemini 3.5 Transcribe Live leicht vorn |
| Coval Time to First Token (TTFT) maximum (niedriger ist besser) | 10.968 ms | 12.993 ms | GPT-Realtime-Whisper leicht vorn |
| Coval RTF mean (niedriger ist besser) | 1,09 | 1,06 | gleichauf |
| Coval RTF p50 (niedriger ist besser) | 1,07 | 1,04 | gleichauf |
| Coval AudioToFinal p50 (niedriger ist besser) | 8,88 s | 8,67 s | gleichauf |
| Coval AudioToFinal mean (niedriger ist besser) | 8,51 s | 8,32 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 5. 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, GPT-Realtime-Whisper in keinem.
Pipecat STT Benchmark semantic WER mean
niedriger ist besser, Stand 16. Oktober 2026
Pipecat STT Benchmark semantic pooled WER
niedriger ist besser, Stand 16. Oktober 2026
Quelle · zuletzt 16. Oktober 2026
Artificial Analysis
Gemini 3.5 Transcribe Live leicht vornArtificial Analysis AA-WER Streaming (final transcription)
niedriger ist besser, Stand 15. Oktober 2026
Quelle · zuletzt 15. Oktober 2026
Alle Daten im Vergleich
Preise stehen wörtlich wie beim Hersteller, weil Audiomodelle pro Minute, Zeichen oder Token abrechnen.
| GPT-Realtime-Whisper | Gemini 3.5 Transcribe Live | |
|---|---|---|
| Aufgabe | Spracherkennung | Spracherkennung |
| Entwickler | OpenAI | |
| Status | Aktiv | Aktiv |
| Gewichte | proprietär | proprietär |
| Läuft lokal | nein | nein |
| Preis | 0,017 $ pro Audiominute | 3,50 $ je 1 Mio. Audio-Token (0,005 $ je Audiominute) |
| Beliebtheit (von 100) | 34 | 35 |