GoogleAudiomodellAktiv
Gemini 3.5 Transcribe Live
BeliebtheitPlatz 358 von 875
35von 100wie im Vormonat
Zusammenfassung
Gemini 3.5 Transcribe Live bringt dieselbe Transkriptionsfamilie ins Streaming. Es nimmt einen Audio-Stream entgegen, erzeugt Text mit niedriger Latenz, erkennt mehr als 85 Sprachen und verarbeitet Sprachwechsel innerhalb einer Sitzung. Smart Dictation und ein benutzerdefiniertes Vokabular mit bis zu 1.000 Begriffen erweitern die Live-Transkription um redaktionelle Hinweise.
Im Live-Modus dauert eine Sitzung höchstens zehn Minuten. Sprechertrennung und Wortzeitstempel werden dabei nicht unterstützt. Für diese Annotationen bei einer Aufnahme steht Gemini 3.5 Transcribe als Datei-Endpunkt bereit. Nur dort lassen sich Sprecher zuordnen und Text an einzelne Wörter anlegen.
Alle Benchmark-Werte
Jeder veröffentlichte Messwert mit Quelle, Testbedingungen und Vergleichsmodellen.
Alle 183 veröffentlichten Benchmark-Werte anzeigen
Seite 1 von 16
Messungen ohne passende Vergleichswerte
Für diese Messungen fehlen passende Vergleichswerte unter gleichen Testbedingungen. Die Originalwerte und Quellen bleiben hier nachlesbar.
Artificial Analysis AA-WER Streaming (final transcription) (Messwert, Testbedingungen und Quelle anzeigen)
- Originalwert
- 3.9983
- Bewertung
- 3.9983
- Messgröße
- word error rate (WER)
- Einheit
- %
- Benchmark-Version
- AA-WER v2.2 streaming
- Kategorie
- audio
- Richtung
- Weniger ist besser
- Quellentyp
- independent-evaluator
- Auswertung
- Artificial Analysis
- Status
- active
- Abrufdatum
- 2026-10-15
- Methodik
- Unabhängige Evaluation. Direkte Streaming-Auswertung über die API; WER der finalen Transkription über AA-AgentTalk (50 %), VoxPopuli (25 %) und Earnings22 (25 %), insgesamt etwa acht Stunden. WER ist innerhalb jedes Datensatzes nach Dauer gewichtet; Die Chunks von Earnings22 werden auf Ebene des übergeordneten Aufrufs wieder zusammengesetzt. Streaming-Protokoll AA-WER v2.2.
Coval rolling-30-day pooled word error rate (Gemini 3.5 Transcribe Live endpoint) (Messwert, Testbedingungen und Quelle anzeigen)
- Originalwert
- 2.9814359439806655
- Bewertung
- 2.9814359439806655
- Messgröße
- Pooled word error rate across Coval's fixed public speech-recognition audio conditions
- Einheit
- %
- Benchmark-Version
- Coval rolling 30-day snapshot, last measured 2026-10-16, source response fetched 2026-10-16T15:36:04.093476Z
- Kategorie
- audio
- Richtung
- Weniger ist besser
- Stichprobe
- 26595
- Quellentyp
- independent-evaluator
- Auswertung
- Coval
- Status
- superseded
- Abrufdatum
- 2026-10-16
- Methodik
- Unabhängige Evaluation. Exakter gehosteter Endpunkt Gemini 3.5 Transcribe Live. Coval berichtet tägliche Endpunkttests mit festem öffentlichem Audio über ein rollierendes 30-Tage-Fenster, zuletzt gemessen am 16.10.2026. Gespeichert ist pooled_value=2.9814359439806655 aus der WER-Zeile, nicht mean_value; Covals sichtbare 3,0 % sind auf eine Dezimalstelle gerundet. Die Zahl bewerteter WER-Messungen stammt aus derselben Zeile.
- Einordnung
- Die Seite nennt eine metrikspezifische Zahl bewerteter Samples, nicht die Gesamtzahl versuchter Anfragen oder Fehler, und kein Konfidenzintervall. Dies ist Covals rollierende Beobachtung eines gehosteten Endpunkts, kein AA-WER-Ergebnis von Artificial Analysis.
Google DeepMind FLEURS top-locales streaming word error rate (Messwert, Testbedingungen und Quelle anzeigen)
- Originalwert
- 5.5
- Bewertung
- 5.5
- Messgröße
- Word error rate across the FLEURS top-locales streaming index
- Einheit
- %
- Benchmark-Version
- Google DeepMind FLEURS top-locales streaming index, accessed 2026-10-16
- Kategorie
- audio
- Richtung
- Weniger ist besser
- Quellentyp
- vendor-reported
- Auswertung
- Google DeepMind
- Status
- active
- Abrufdatum
- 2026-10-16
- Methodik
- Vom Anbieter veröffentlichter Wert. Google DeepMind nennt für Gemini 3.5 Transcribe Live im Streaming-Modus 5,50 % WER auf dem FLEURS-Index der wichtigsten Lokalisierungen. Die Fußnote der offiziellen Grafik listet ar-EG, bn-IN, cmn-Hans-CN, de-DE, en-US, es-ES, es-US, fr-FR, hi-IN, id-ID, it-IT, ja-JP, ko-KR, mr-IN, nl-NL, pl-PL, pt-BR, ro-RO, ru-RU, ta-IN, te-IN, th-TH, tr-TR, uk-UA und vi-VN. Die Quelle nennt weder die Aggregationsformel noch die Zahl bewerteter Beispiele.
- Einordnung
- Google veröffentlicht für diesen Index weder die Zahl bewerteter Beispiele noch Konfidenzintervall, Einzelwerte je Lokalisierung oder Aggregationsformel. Es handelt sich um einen vom Anbieter berichteten Aggregatwert, der nicht mit WER-Ergebnissen von Artificial Analysis oder anderen Tests gleichzusetzen ist.
Pipecat STT Benchmark semantic WER mean (Messwert, Testbedingungen und Quelle anzeigen)
- Originalwert
- 1.93
- Bewertung
- 1.93
- Messgröße
- Arithmetic mean semantic word error rate across successfully transcribed samples
- Einheit
- %
- Benchmark-Version
- Pipecat STT Benchmark at commit 94f567299a21f8d617039bc69f137a131f5dedd5, September 2026 semantic-WER judge update
- Kategorie
- audio
- Richtung
- Weniger ist besser
- Quellentyp
- independent-evaluator
- Auswertung
- Pipecat STT Benchmark
- Status
- active
- Abrufdatum
- 2026-10-16
- Methodik
- Unabhängige Evaluation. Die gepinnte Ergebnistabelle berichtet Semantic WER über 1.000 versuchte Beispiele aus pipecat-ai/smart-turn-data-v3.1-train. WER Mean ist der Mittelwert über Samples mit zurückgegebenem Transkript. Die Tabelle nennt 99,9 % erfolgreiche Transkripte, aber nicht die genaue Zahl bewerteter WER-Samples. Die Semantic-Bewertung durch Claude Sonnet 5.5 ignoriert Satzzeichen, Kontraktionen, Füllwörter und bedeutungsgleiche Formulierungen. Die Quelle dokumentiert keine Sprachverteilung; die Datensatzvorschau zeigt englische Transkripte.
- Einordnung
- Die genaue Zahl bewerteter WER-Samples und ein modellspezifisches Konfidenzintervall werden nicht veröffentlicht. Die Zahl 1.000 bezeichnet versuchte Samples, nicht den WER-Nenner. Laut README liegen Unterschiede unter etwa 0,25 Prozentpunkten bei den genauesten Diensten innerhalb des 95-%-Bootstrap-Intervalls. Nahe Werte daher nicht als Rangfolge auslegen.
Pipecat STT Benchmark semantic pooled WER (Messwert, Testbedingungen und Quelle anzeigen)
- Originalwert
- 1.97
- Bewertung
- 1.97
- Messgröße
- Pooled semantic word error rate, total judged errors divided by total reference words
- Einheit
- %
- Benchmark-Version
- Pipecat STT Benchmark at commit 94f567299a21f8d617039bc69f137a131f5dedd5, September 2026 semantic-WER judge update
- Kategorie
- audio
- Richtung
- Weniger ist besser
- Quellentyp
- independent-evaluator
- Auswertung
- Pipecat STT Benchmark
- Status
- active
- Abrufdatum
- 2026-10-16
- Methodik
- Unabhängige Evaluation. Die gepinnte Ergebnistabelle berichtet Semantic WER über 1.000 versuchte Beispiele aus pipecat-ai/smart-turn-data-v3.1-train. Pooled WER teilt die Summe bewerteter semantischer Wortfehler durch die Gesamtzahl der Referenzwörter und schließt Samples ohne zurückgegebenes Transkript aus. Die Tabelle nennt 99,9 % erfolgreiche Transkripte, aber nicht die genaue bewertete Zahl. Die Semantic-Bewertung durch Claude Sonnet 5.5 ignoriert Satzzeichen, Kontraktionen, Füllwörter und bedeutungsgleiche Formulierungen. Die Quelle dokumentiert keine Sprachverteilung; die Datensatzvorschau zeigt englische Transkripte.
- Einordnung
- Die genaue Zahl bewerteter WER-Samples und ein modellspezifisches Konfidenzintervall werden nicht veröffentlicht. Die Zahl 1.000 bezeichnet versuchte Samples, nicht den WER-Nenner. Laut README liegen Unterschiede unter etwa 0,25 Prozentpunkten bei den genauesten Diensten innerhalb des 95-%-Bootstrap-Intervalls. Nahe Werte daher nicht als Rangfolge auslegen.
Coval rolling-30-day pooled word error rate, 2026-10-17 snapshot (Messwert, Testbedingungen und Quelle anzeigen)
- Originalwert
- 3
- Bewertung
- 3
- Messgröße
- Pooled endpoint word error rate (WER)
- Einheit
- %
- Benchmark-Version
- Coval daily fixed-audio endpoint benchmark, rolling 30-day window; route last measured 2026-10-17
- Kategorie
- audio
- Richtung
- Weniger ist besser
- Stichprobe
- 26580
- Quellentyp
- independent-evaluator
- Auswertung
- Coval Voice AI Benchmarks
- Status
- superseded
- Abrufdatum
- 2026-10-17
- Methodik
- Unabhängige Evaluation. Exakter gehosteter Endpunkt Gemini 3.5 Transcribe Live von Google. Coval misst festgelegtes öffentliches Sprachmaterial täglich neu und aggregiert über ein rollierendes 30-Tage-Fenster. Die Seite vom 17. Oktober 2026 nennt 3,0 % WER bei 26.580 Samples, auf eine Dezimalstelle gerundet.
- Einordnung
- Dies ist ein neuer datierter Snapshot des rollierenden Fensters und kein präziserer Ersatz für den Stand vom 16. Oktober 2026. Der sichtbare Wert ist auf eine Dezimalstelle gerundet; ein Konfidenzintervall wird nicht gezeigt.
AssemblyAI normalized WER mean across three noise conditions (Messwert, Testbedingungen und Quelle anzeigen)
- Originalwert
- 8.48
- Bewertung
- 8.48
- Messgröße
- normalized word error rate, direct reported mean over no, low and heavy noise
- Einheit
- %
- Benchmark-Version
- AssemblyAI benchmark snapshot; runs 2026-08-27 to 2026-09-22
- Kategorie
- speech-to-text
- Richtung
- Weniger ist besser
- Quellentyp
- vendor-reported
- Auswertung
- AssemblyAI speech benchmark
- Status
- active
- Abrufdatum
- 2026-10-17
- Methodik
- Vom Anbieter veröffentlichter Wert. AssemblyAIs Benchmarkseite veröffentlicht für die exakte Zeile Gemini 3.5 Transcribe Live den Mittelwert aus drei Bedingungen: ohne Rauschen, mit leichtem und mit starkem Rauschen. Die Zeile zeigt 8,48 % sowie 7,44 %, 8,49 % und 9,52 % für die Einzelbedingungen. Laufzeitraum: 27. August bis 22. September 2026; laut Seite eine Zeile pro Modell, jeweils der jüngste Lauf. Das Bundle übernimmt den veröffentlichten Mittelwert, keine eigene Neuberechnung.
- Einordnung
- AssemblyAI ist Evaluator und zugleich Sprachanbieter. Eine modellbezogene Stichprobengröße, ein Konfidenzintervall und eine unveränderliche Serving-Revision des Wettbewerbermodells werden nicht veröffentlicht.
AssemblyAI normalized medical entity error rate mean across three sets (Messwert, Testbedingungen und Quelle anzeigen)
- Originalwert
- 8.57
- Bewertung
- 8.57
- Messgröße
- normalized medical entity error rate, direct reported mean over three clinical sets
- Einheit
- %
- Benchmark-Version
- AssemblyAI benchmark snapshot; runs 2026-08-18 to 2026-09-22
- Kategorie
- medical speech-to-text
- Richtung
- Weniger ist besser
- Quellentyp
- vendor-reported
- Auswertung
- AssemblyAI speech benchmark
- Status
- active
- Abrufdatum
- 2026-10-17
- Methodik
- Vom Anbieter veröffentlichter Wert. AssemblyAIs Tabelle zur medizinischen Entitätserkennung veröffentlicht für die exakte Zeile Gemini 3.5 Transcribe Live den Mittelwert aus Primary Care, klinischem Diktat und Atemwegsdaten. Der ausgewiesene Mittelwert beträgt 8,57 %, die Einzelwerte sind 15,45 %, 7,69 % und 2,56 %. Laufzeitraum: 18. August bis 22. September 2026; laut Seite eine Zeile pro Modell, jeweils der jüngste Lauf.
- Einordnung
- Die Zeile ist herstellerveröffentlichter Modellvergleich. Eine modellbezogene Stichprobengröße, ein Konfidenzintervall und eine unveränderliche Serving-Revision des Wettbewerbermodells werden nicht veröffentlicht.
Coval Gemini 3.5 Transcribe Live WER, run 20:00 UTC (Messwert, Testbedingungen und Quelle anzeigen)
- Originalwert
- 3
- Bewertung
- 3
- Messgröße
- Pooled fixed-public-audio word error rate (WER), page-rounded
- Einheit
- %
- Benchmark-Version
- Coval daily public evaluator run; rolling 30-day window; last measured 2026-10-17 20:00 UTC
- Kategorie
- audio
- Richtung
- Weniger ist besser
- Stichprobe
- 26592
- Quellentyp
- independent-evaluator
- Auswertung
- Coval Voice AI Benchmarks
- Status
- active
- Abrufdatum
- 2026-10-17
- Methodik
- Unabhängige Evaluation. Coval-Öffentlichevaluierung mit festem Audio-Set, gleitendes 30-Tage-Fenster und täglicher Lauf. Exakte Seitenroute/Modellbezeichnung: Google Gemini 3.5 Transcribe Live endpoint; erstellt von Google, gehostet bei Google Gemini API. Angegebene Messwerte und jeweiliger Nenner werden nicht umgerechnet, außer Millisekunden exakt in Sekunden. Letzter Lauf laut Seite: 17. Oktober 2026, 20:00 UTC.
- Einordnung
- Coval veröffentlicht gleitende 30-Tage-Ergebnisse aus täglich wiederholten Läufen mit festen öffentlichen Audio- oder Prompt-Sets. Diese Zellen stammen aus dem späteren, zeitgestempelten Lauf der erfassten Seite und sind keine Kopie des älteren Laufs im Input. Exakte API-/Checkpoint-Revision, Anfrageparameter und Konfidenzintervalle fehlen; angezeigtes WER ist auf eine Nachkommastelle gerundet und misst keine Natürlichkeit.
Coval Gemini 3.5 Transcribe Live WER p95, run 20:00 UTC (Messwert, Testbedingungen und Quelle anzeigen)
- Originalwert
- 16.7
- Bewertung
- 16.7
- Messgröße
- 95th-percentile per-clip speech-recognition word error rate (WER)
- Einheit
- %
- Benchmark-Version
- Coval daily public evaluator run; rolling 30-day window; last measured 2026-10-17 20:00 UTC
- Kategorie
- speech-to-text
- Richtung
- Weniger ist besser
- Stichprobe
- 26592
- Quellentyp
- independent-evaluator
- Auswertung
- Coval Voice AI Benchmarks
- Status
- superseded
- Abrufdatum
- 2026-10-17
- Methodik
- Unabhängige Evaluation. Coval-Öffentlichevaluierung mit festem Audio-Set, gleitendes 30-Tage-Fenster und täglicher Lauf. Exakte Seitenroute/Modellbezeichnung: Google Gemini 3.5 Transcribe Live endpoint; erstellt von Google, gehostet bei Google Gemini API. Angegebene Messwerte und jeweiliger Nenner werden nicht umgerechnet, außer Millisekunden exakt in Sekunden. Letzter Lauf laut Seite: 17. Oktober 2026, 20:00 UTC.
- Einordnung
- Coval veröffentlicht gleitende 30-Tage-Ergebnisse aus täglich wiederholten Läufen mit festen öffentlichen Audio- oder Prompt-Sets. Diese Zellen stammen aus dem späteren, zeitgestempelten Lauf der erfassten Seite und sind keine Kopie des älteren Laufs im Input. Exakte API-/Checkpoint-Revision, Anfrageparameter und Konfidenzintervalle fehlen; angezeigtes WER ist auf eine Nachkommastelle gerundet und misst keine Natürlichkeit.
Short-form English WER, Mean 3 sets (Messwert, Testbedingungen und Quelle anzeigen)
- Originalwert
- 5.04
- Bewertung
- 5.04
- Messgröße
- normalized word error rate (WER), mean of 3 short-form English sets
- Einheit
- %
- Benchmark-Version
- AssemblyAI Table 7; runs 2026-08-18 to 2026-09-22
- Kategorie
- speech-to-text
- Richtung
- Weniger ist besser
- Quellentyp
- vendor-reported
- Auswertung
- AssemblyAI speech benchmark
- Status
- active
- Abrufdatum
- 2026-10-18
- Methodik
- Vom Anbieter veröffentlichter Wert. Exakte Modellzeile der Quelle: Google Gemini 3.5 Transcribe Live. Tabelle 7 berichtet normalized word error rate (WER), mean of 3 short-form English sets; ausgewiesene Teilwerte: Common Voice 8.22%, LibriSpeech clean 2.07%, LibriSpeech other 4.83%. Laufzeitraum: 2026-08-18 to 2026-09-22; laut Seite eine Zeile je Modell, jeweils der jüngste Lauf. Die genaue Serving-Route oder unveränderliche Modellrevision, eine Stichprobengröße je Modell und Decoding-Einstellungen werden nicht angegeben.
- Einordnung
- AssemblyAI veröffentlicht Vergleichsbenchmarks für Spracherkennung und ist selbst ein Sprachanbieter. Die Werte sind daher herstellerberichtet und keine neutralen Drittanbieter-Messungen. Die Seite zeigt pro Modell den jüngsten Lauf im angegebenen Zeitraum. Eine Stichprobengröße je Modell, ein Konfidenzintervall, die genaue Konkurrenz-API-Route oder eine unveränderliche Serving-Revision sind nicht angegeben.
Accented English WER, Mean 4 sets (Messwert, Testbedingungen und Quelle anzeigen)
- Originalwert
- 9.39
- Bewertung
- 9.39
- Messgröße
- normalized word error rate (WER), mean of 4 accented-English sets
- Einheit
- %
- Benchmark-Version
- AssemblyAI Table 8; runs 2026-08-18 to 2026-09-22
- Kategorie
- speech-to-text
- Richtung
- Weniger ist besser
- Quellentyp
- vendor-reported
- Auswertung
- AssemblyAI speech benchmark
- Status
- active
- Abrufdatum
- 2026-10-18
- Methodik
- Vom Anbieter veröffentlichter Wert. Exakte Modellzeile der Quelle: Google Gemini 3.5 Transcribe Live. Tabelle 8 berichtet normalized word error rate (WER), mean of 4 accented-English sets; ausgewiesene Teilwerte: British 6.30%, French-accented 11.86%, Spanish-accented 12.82%, Indian-accented 6.59%. Laufzeitraum: 2026-08-18 to 2026-09-22; laut Seite eine Zeile je Modell, jeweils der jüngste Lauf. Die genaue Serving-Route oder unveränderliche Modellrevision, eine Stichprobengröße je Modell und Decoding-Einstellungen werden nicht angegeben.
- Einordnung
- AssemblyAI veröffentlicht Vergleichsbenchmarks für Spracherkennung und ist selbst ein Sprachanbieter. Die Werte sind daher herstellerberichtet und keine neutralen Drittanbieter-Messungen. Die Seite zeigt pro Modell den jüngsten Lauf im angegebenen Zeitraum. Eine Stichprobengröße je Modell, ein Konfidenzintervall, die genaue Konkurrenz-API-Route oder eine unveränderliche Serving-Revision sind nicht angegeben.
Seite 1 von 16
Beliebtheit im Vergleich
Wie oft das Modell gesucht, genutzt und erwähnt wird, im Vergleich mit allen Modellen dieser Kategorie.
Beliebtheitsindex
0 bis 100, höher ist beliebter
20 von 83 Modellen
pyannote Community-1, pyannote: 73
Nemotron-3-Diarization, NVIDIA: 57
Gemini 3.5 Transcribe, Google: 52
Confucius4-R2T2, NetEase Youdao: 52
Granite Speech 5.0 470M TurboCTC, IBM: 52
Kokoro-82M, hexgrad: 51
Nova-3, Deepgram: 51
Fish Audio S2 Pro, Fish Audio: 51
NVIDIA Nemotron 3.5 Transcribe, NVIDIA: 50
Granite Speech 5.0 470M TurboCTC NC, IBM: 50
Orukeet, Oruk: 49
Lyria 3.5, Google: 47
Gemini 3.5 Live Translate, Google: 46
Phonon-2, Fermion Research: 44
Aura-2, Deepgram: 44
Gemini 3.1 Flash TTS, Google: 44
MiniMax-Music3, MiniMax: 41
Audio8-ASR-Infinite, Edge0 AI: 41
GPT-Realtime 2.1, OpenAI: 41
Gemini 3.5 Transcribe Live, Google: 35
Gemini 3.5 Transcribe Live
Stand November 2026 · Quelle: gradually.ai Beliebtheitsindex
Zeitlicher Verlauf
Wochenwerte vom 18. Oktober 2026 bis 5. November 2026
Gemini 3.5 Transcribe LiveGPT-Realtime TranslateGPT-4o Mini TTSGPT-Realtime-WhisperFlux
Alle technischen Daten
Architektur
Ein- und Ausgabe
- Funktionen
- Smart Dictation und benutzerdefiniertes Vokabular mit bis zu 1.000 Begriffen
- Quelle: Funktionen
Wasserzeichen und Herkunft
KI-Wasserzeichen meint unsichtbare Signale in der Ausgabe. Sichtbare Zeichen und Herkunftsmetadaten sind getrennt aufgeführt. Unbekannt bedeutet, dass für die jeweilige Angabe kein ausreichender Beleg vorliegt.
- KI-Wasserzeichen
- Unbekannt
- ohne Quelle
- Watermarking-Technik
- Nicht bekannt
- ohne Quelle
Lizenz und Zugang
API
Weitere Angaben
- Funktionsgrenzen
- Keine Sprechertrennung und keine Wortzeitstempel im Live-Modus
- Quelle: Funktionsgrenzen
Preise
- Audio-Eingabepreis
- 3,50 $ je 1 Mio. Audio-Token (0,005 $ je Audiominute)Quelle
- Text-Ausgabepreis
- 21 $ je 1 Mio. Text-Token (0,004 $ je Audiominute)Quelle
- Preisgrundlage
- Kostenpflichtiger Standard-Tarif, Preise in USD. Minutenwerte sind Schätzungen aus dem Tokenverbrauch, keine festen Minutenpreise.Quelle
Quellen und Datenstand
Alle 29 Quellen anzeigen
Benchmarkquellen im Überblick
Welche unabhängigen Auswerter dieses Modell getestet haben. Das ist Abdeckung, keine Qualitätsrangliste.
Für dieses Modell ist derzeit kein aktives Ergebnis der geprüften externen Auswerter zugeordnet. Weitere Quellenbelege stehen darunter.
Ohne Herstellerangaben sowie historische oder strittige Ergebnisse; diese stehen gekennzeichnet bei den Einzelwerten.