GoogleAudiomodellAktiv
Gemini 3.5 Transcribe
BeliebtheitPlatz 85 von 875
52von 100wie im Vormonat
Zusammenfassung
Gemini 3.5 Transcribe ist Googles Modell für Audiodateien mit strukturierter Transkription. Der Endpunkt gemini-3.5-transcribe verarbeitet bis zu eine Stunde Audio pro Anfrage, erkennt mehr als 85 Sprachen und kommt mit Sprachwechseln innerhalb einer Aufnahme zurecht. Smart Dictation, Sprechertrennung, Wortzeitstempel und ein benutzerdefiniertes Vokabular mit bis zu 1.000 Begriffen erweitern das Transkript um strukturierte Annotationen.
Mit Sprechertrennung oder Wortzeitstempeln sinkt die maximale Dateilänge auf 30 Minuten. Die Zuordnung ab drei Sprechern bleibt experimentell, und benutzerdefiniertes Vokabular lässt sich nicht zusammen mit Sprechertrennung oder Zeitstempeln verwenden. Für WebSocket-Streaming steht Gemini 3.5 Transcribe Live als eigener Endpunkt bereit.
Alle Benchmark-Werte
Jeder veröffentlichte Messwert mit Quelle, Testbedingungen und Vergleichsmodellen.
Alle 37 veröffentlichten Benchmark-Werte anzeigen
Seite 1 von 4
Messungen ohne passende Vergleichswerte
Für diese Messungen fehlen passende Vergleichswerte unter gleichen Testbedingungen. Die Originalwerte und Quellen bleiben hier nachlesbar.
Artificial Analysis AA-WER (non-streaming) (Messwert, Testbedingungen und Quelle anzeigen)
- Originalwert
- 2.6
- Bewertung
- 2.6
- Messgröße
- word error rate (WER)
- Einheit
- %
- Benchmark-Version
- AA-WER v2.2
- Kategorie
- audio
- Richtung
- Weniger ist besser
- Quellentyp
- independent-evaluator
- Auswertung
- Artificial Analysis
- Status
- active
- Abrufdatum
- 2026-10-15
- Methodik
- Unabhängige Evaluation. Artificial Analysis hat den genannten API-Endpunkt direkt getestet; Nach Audiodauer gewichtete WER über AA-AgentTalk (50 %), VoxPopuli-Cleaned-AA English (25 %) und Earnings22-Cleaned-AA (25 %), insgesamt etwa acht Stunden. Aktuelle Normalisierung AA-WER v2.2.
Google DeepMind FLEURS top-locales non-streaming word error rate (Messwert, Testbedingungen und Quelle anzeigen)
- Originalwert
- 5.04
- Bewertung
- 5.04
- Messgröße
- Word error rate across the FLEURS top-locales non-streaming index
- Einheit
- %
- Benchmark-Version
- Google DeepMind FLEURS top-locales non-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 im nicht-streamenden Modus 5,04 % 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.
Appen MedTerm-90 overall clinical entity recall (Messwert, Testbedingungen und Quelle anzeigen)
- Originalwert
- 80.65
- Bewertung
- 80.65
- Messgröße
- Recall of clinician-validated medical entities
- Einheit
- %
- Benchmark-Version
- MedTerm-90, September 2026 model versions
- Kategorie
- audio
- Richtung
- Mehr ist besser
- Stichprobe
- 30017
- Untere Konfidenzgrenze
- 79.48
- Obere Konfidenzgrenze
- 81.77
- Quellentyp
- independent-evaluator
- Auswertung
- Appen MedTerm-90
- Status
- active
- Abrufdatum
- 2026-10-16
- Methodik
- Unabhängige Evaluation. Appen berichtet das Ergebnis von Gemini 3.5 Transcribe auf September-2026-Modellversionen und 1.413 realen ärztlichen Diktaten mit 90,5 Stunden und 14 Fachgebieten. Der Recall bezieht sich auf 30.017 klinisch validierte Entitäten. Diese Entitätenzahl ist der ausgewiesene Stichprobenumfang, nicht die Zahl der Aufnahmen. Für alle Modelle galten dieselben Dateien, Entitäten, Schwellenwerte und Prüfer, ohne Vokabelhinweise. Appen nennt ein Bootstrap-95-%-Intervall.
- Einordnung
- Dies ist der Recall klinischer Entitäten, kein WER und kein allgemeiner Transkriptionswert. Die Ergebnisse beziehen sich auf Modellversionen vom September 2026 und auf Diktate mit einem Sprecher nahe am Mikrofon. Appen weist darauf hin, dass diese Bedingungen die Modelle begünstigen und nicht auf anderes Audio übertragbar sein müssen. Die Berichtsseite zeigt nur den Gesamtwert, nicht die angekündigte Aufschlüsselung nach Fachgebieten.
Superwhisper speech benchmark macro word error rate (Messwert, Testbedingungen und Quelle anzeigen)
- Originalwert
- 8.2
- Bewertung
- 8.2
- Messgröße
- macro word error rate (WER) over eight speech datasets
- Einheit
- %
- Benchmark-Version
- Superwhisper speech benchmark, model runs gemini-35-transcribe-full-*-20260827; page captured 2026-10-17
- Kategorie
- speech-to-text / batch transcription
- Richtung
- Weniger ist besser
- Quellentyp
- independent-evaluator
- Auswertung
- Superwhisper speech benchmark
- Status
- active
- Abrufdatum
- 2026-10-17
- Methodik
- Unabhängige Evaluation. Exaktes Produkt Google Gemini 3.5 Transcribe; gehostete Batch-Spracherkennung; der Evaluator verwendet dieselben Audiodaten und Rechner wie bei den übrigen Modellzeilen; der Messwert ist der Makro-Mittelwert der Wortfehlerrate über 8 benannte Datensätze. Es wird keine medizinische oder Echtzeitroute unterstellt.
- Einordnung
- Die Seite veröffentlicht den Aggregatwert und die Zahl von acht Datensätzen, aber keinen Clip-Nenner, keine Gewichtung je Datensatz, kein Konfidenzintervall und keine unveränderliche Serving-Revision. Veröffentlichte Laufkennungen bleiben erhalten. Dieser Batch/API-Wert ist getrennt von Realtime- und Medizinvarianten.
Ocular Converse-STT Version 2 pooled WER (Messwert, Testbedingungen und Quelle anzeigen)
- Originalwert
- 3.13
- Bewertung
- 3.13
- Messgröße
- pooled word error rate across the eight speaker tracks
- Einheit
- %
- Benchmark-Version
- Converse-STT Version 2; report dated 2026-10-13
- Kategorie
- speech-to-text
- Richtung
- Weniger ist besser
- Quellentyp
- independent-evaluator
- Auswertung
- Ocular AI Converse-STT Version 2
- Status
- active
- Abrufdatum
- 2026-10-17
- Methodik
- Unabhängige Evaluation. Oculars Routentabelle identifiziert Gemini 3.5 Transcribe exakt als Google-OpenRouter-Route google/gemini-3.5-transcribe mit MP3-Eingabe und ohne zusätzliche Parameter. Die Aufgabe ist die stapelweise Einzelkanal- und Einzelsprecher-Transkription vollständiger 15-Minuten-Tracks, ohne Mischung, Diarisierung oder Echtzeitanforderung. Das Ergebnis summiert die Editierfehler über vier amerikanisch-englische Zweipersonengespräche, acht Sprechertracks und 12.555 Referenzwörter. Verwendet wurde Whispers englische Normalisierung whisper-normalizer 0.1.12.
- Einordnung
- Dies ist eine kleine feste öffentliche Stichprobe, keine Schätzung für die Grundgesamtheit. Die 12.555 Referenzwörter werden nicht als Stichprobengröße eingetragen. Die API-Serving-Revision ist nicht festgeschrieben.
Sierra μ-bench overall WER, batch (Messwert, Testbedingungen und Quelle anzeigen)
- Originalwert
- 7.97
- Bewertung
- 7.97
- Messgröße
- Unweighted mean of five locale corpus WER values
- Einheit
- %
- Benchmark-Version
- Sierra μ-bench, commit 64d4319be2239441aa470a0036cc2088892c68a3, model score 2026-08-25
- Kategorie
- speech-to-text
- Richtung
- Weniger ist besser
- Stichprobe
- 4270
- Quellentyp
- independent-evaluator
- Auswertung
- Sierra μ-bench
- Status
- active
- Abrufdatum
- 2026-10-17
- Methodik
- Unabhängige Evaluation. Exakte gepinnte Modellbezeichnung Gemini-3.5-Transcribe, Score-Datum 2026-08-25; 4.270 echte Kundenservice-Telefonäußerungen, 8 kHz mono, fünf Sprachlokalitäten und menschliche Worttranskripte. Batch-API, Region us; Beamgröße, Sprachhinweis, eigenes Vokabular, Rauschunterdrückung, Domänenanpassung und Keyword-Boosting stehen auf Anbieterstandard. Die Serving-Revision ist nicht veröffentlicht.
- Einordnung
- Die gepinnte scores.json ist der Zahlenbeleg; eine veränderliche dynamische Rangliste wird nicht anstelle dieses Snapshots verwendet. significantWer bedeutet Significant Word Error Rate und nicht UER. Ein Konfidenzintervall und eine unveränderliche Anbieter-Serving-Revision sind nicht veröffentlicht.
Sierra μ-bench significant word error rate, batch (Messwert, Testbedingungen und Quelle anzeigen)
- Originalwert
- 14.93
- Bewertung
- 14.93
- Messgröße
- Sierra significantWer, semantically significant word error rate
- Einheit
- %
- Benchmark-Version
- Sierra μ-bench, commit 64d4319be2239441aa470a0036cc2088892c68a3, model score 2026-08-25
- Kategorie
- speech-to-text
- Richtung
- Weniger ist besser
- Stichprobe
- 4270
- Quellentyp
- independent-evaluator
- Auswertung
- Sierra μ-bench
- Status
- active
- Abrufdatum
- 2026-10-17
- Methodik
- Unabhängige Evaluation. Exakte gepinnte Modellbezeichnung Gemini-3.5-Transcribe, Score-Datum 2026-08-25; 4.270 echte Kundenservice-Telefonäußerungen, 8 kHz mono, fünf Sprachlokalitäten und menschliche Worttranskripte. Batch-API, Region us; Beamgröße, Sprachhinweis, eigenes Vokabular, Rauschunterdrückung, Domänenanpassung und Keyword-Boosting stehen auf Anbieterstandard. Die Serving-Revision ist nicht veröffentlicht.
- Einordnung
- Die gepinnte scores.json ist der Zahlenbeleg; eine veränderliche dynamische Rangliste wird nicht anstelle dieses Snapshots verwendet. significantWer bedeutet Significant Word Error Rate und nicht UER. Ein Konfidenzintervall und eine unveränderliche Anbieter-Serving-Revision sind nicht veröffentlicht.
Superwhisper Gemini 3.5 Transcribe dataset WER: AMI Meetings (Messwert, Testbedingungen und Quelle anzeigen)
- Originalwert
- 10.7
- Bewertung
- 10.7
- Messgröße
- Dataset-specific word error rate (WER)
- Einheit
- %
- Benchmark-Version
- Superwhisper speech benchmark, updated 2026-09-03; row run token gemini-35-transcribe-full-tail-20260827
- Richtung
- Weniger ist besser
- Quellentyp
- independent-evaluator
- Auswertung
- Superwhisper
- Status
- active
- Abrufdatum
- 2026-10-18
- Methodik
- Unabhängige Evaluation. Google Gemini 3.5 Transcribe über Cloud/öffentliche API, Datensatz AMI Meetings; exakter Run-Token der Quellenzeile: gemini-35-transcribe-full-tail-20260827. Superwhisper zufolge nutzen Cloud-Ergebnisse dasselbe Audio und dieselben Rechner. Die Seite pinnt weder eine API-Version noch Anfrageeinstellungen.
- Einordnung
- Dies sind datensatzspezifische WER-Teilergebnisse aus einer Superwhisper-Auswertung, keine acht unabhängigen Modelltests. Die Quelle veröffentlicht weder Stichprobenzahlen je Datensatz noch Konfidenzintervalle, eine unveränderliche API-Version oder Anfrageeinstellungen. Superwhisper ist der Evaluator und veröffentlicht auch eigene Konkurrenzprodukte. Der Wert stammt vom Evaluator, nicht von Google.
Superwhisper Gemini 3.5 Transcribe dataset WER: Common Voice, Australian English (Messwert, Testbedingungen und Quelle anzeigen)
- Originalwert
- 4.6
- Bewertung
- 4.6
- Messgröße
- Dataset-specific word error rate (WER)
- Einheit
- %
- Benchmark-Version
- Superwhisper speech benchmark, updated 2026-09-03; row run token gemini-35-transcribe-full-canonical-20260827
- Richtung
- Weniger ist besser
- Quellentyp
- independent-evaluator
- Auswertung
- Superwhisper
- Status
- active
- Abrufdatum
- 2026-10-18
- Methodik
- Unabhängige Evaluation. Google Gemini 3.5 Transcribe über Cloud/öffentliche API, Datensatz Common Voice, Australian English; exakter Run-Token der Quellenzeile: gemini-35-transcribe-full-canonical-20260827. Superwhisper zufolge nutzen Cloud-Ergebnisse dasselbe Audio und dieselben Rechner. Die Seite pinnt weder eine API-Version noch Anfrageeinstellungen.
- Einordnung
- Dies sind datensatzspezifische WER-Teilergebnisse aus einer Superwhisper-Auswertung, keine acht unabhängigen Modelltests. Die Quelle veröffentlicht weder Stichprobenzahlen je Datensatz noch Konfidenzintervalle, eine unveränderliche API-Version oder Anfrageeinstellungen. Superwhisper ist der Evaluator und veröffentlicht auch eigene Konkurrenzprodukte. Der Wert stammt vom Evaluator, nicht von Google.
Superwhisper Gemini 3.5 Transcribe dataset WER: Common Voice, spontaneous English (Messwert, Testbedingungen und Quelle anzeigen)
- Originalwert
- 9.1
- Bewertung
- 9.1
- Messgröße
- Dataset-specific word error rate (WER)
- Einheit
- %
- Benchmark-Version
- Superwhisper speech benchmark, updated 2026-09-03; row run token gemini-35-transcribe-full-canonical-20260827
- Richtung
- Weniger ist besser
- Quellentyp
- independent-evaluator
- Auswertung
- Superwhisper
- Status
- active
- Abrufdatum
- 2026-10-18
- Methodik
- Unabhängige Evaluation. Google Gemini 3.5 Transcribe über Cloud/öffentliche API, Datensatz Common Voice, spontaneous English; exakter Run-Token der Quellenzeile: gemini-35-transcribe-full-canonical-20260827. Superwhisper zufolge nutzen Cloud-Ergebnisse dasselbe Audio und dieselben Rechner. Die Seite pinnt weder eine API-Version noch Anfrageeinstellungen.
- Einordnung
- Dies sind datensatzspezifische WER-Teilergebnisse aus einer Superwhisper-Auswertung, keine acht unabhängigen Modelltests. Die Quelle veröffentlicht weder Stichprobenzahlen je Datensatz noch Konfidenzintervalle, eine unveränderliche API-Version oder Anfrageeinstellungen. Superwhisper ist der Evaluator und veröffentlicht auch eigene Konkurrenzprodukte. Der Wert stammt vom Evaluator, nicht von Google.
Superwhisper Gemini 3.5 Transcribe dataset WER: Earnings 22 (Messwert, Testbedingungen und Quelle anzeigen)
- Originalwert
- 8.8
- Bewertung
- 8.8
- Messgröße
- Dataset-specific word error rate (WER)
- Einheit
- %
- Benchmark-Version
- Superwhisper speech benchmark, updated 2026-09-03; row run token gemini-35-transcribe-full-tail-20260827
- Richtung
- Weniger ist besser
- Quellentyp
- independent-evaluator
- Auswertung
- Superwhisper
- Status
- active
- Abrufdatum
- 2026-10-18
- Methodik
- Unabhängige Evaluation. Google Gemini 3.5 Transcribe über Cloud/öffentliche API, Datensatz Earnings 22; exakter Run-Token der Quellenzeile: gemini-35-transcribe-full-tail-20260827. Superwhisper zufolge nutzen Cloud-Ergebnisse dasselbe Audio und dieselben Rechner. Die Seite pinnt weder eine API-Version noch Anfrageeinstellungen.
- Einordnung
- Dies sind datensatzspezifische WER-Teilergebnisse aus einer Superwhisper-Auswertung, keine acht unabhängigen Modelltests. Die Quelle veröffentlicht weder Stichprobenzahlen je Datensatz noch Konfidenzintervalle, eine unveränderliche API-Version oder Anfrageeinstellungen. Superwhisper ist der Evaluator und veröffentlicht auch eigene Konkurrenzprodukte. Der Wert stammt vom Evaluator, nicht von Google.
Superwhisper Gemini 3.5 Transcribe dataset WER: Earnings 22 (with vocabulary) (Messwert, Testbedingungen und Quelle anzeigen)
- Originalwert
- 15.8
- Bewertung
- 15.8
- Messgröße
- Dataset-specific word error rate (WER)
- Einheit
- %
- Benchmark-Version
- Superwhisper speech benchmark, updated 2026-09-03; row run token gemini-35-transcribe-full-canonical-20260827
- Richtung
- Weniger ist besser
- Quellentyp
- independent-evaluator
- Auswertung
- Superwhisper
- Status
- active
- Abrufdatum
- 2026-10-18
- Methodik
- Unabhängige Evaluation. Google Gemini 3.5 Transcribe über Cloud/öffentliche API, Datensatz Earnings 22 (with vocabulary); exakter Run-Token der Quellenzeile: gemini-35-transcribe-full-canonical-20260827. Superwhisper zufolge nutzen Cloud-Ergebnisse dasselbe Audio und dieselben Rechner. Die Seite pinnt weder eine API-Version noch Anfrageeinstellungen.
- Einordnung
- Dies sind datensatzspezifische WER-Teilergebnisse aus einer Superwhisper-Auswertung, keine acht unabhängigen Modelltests. Die Quelle veröffentlicht weder Stichprobenzahlen je Datensatz noch Konfidenzintervalle, eine unveränderliche API-Version oder Anfrageeinstellungen. Superwhisper ist der Evaluator und veröffentlicht auch eigene Konkurrenzprodukte. Der Wert stammt vom Evaluator, nicht von Google.
Seite 1 von 4
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
Eleven v3, ElevenLabs: 39
Gemini 3.5 Transcribe
Stand November 2026 · Quelle: gradually.ai Beliebtheitsindex
Zeitlicher Verlauf
Wochenwerte vom 18. Oktober 2026 bis 5. November 2026
Gemini 3.5 TranscribeConfucius4-R2T2Granite Speech 5.0 470M TurboCTCKokoro-82MNova-3
Alle technischen Daten
Architektur
Ein- und Ausgabe
- Funktionen
- Smart Transcription 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
- Audiodauer
- Bis zu 1 Stunde; mit Sprechertrennung oder Wortzeitstempeln bis zu 30 Minuten
- Quelle: Audiodauer
Preise
Quellen und Datenstand
Alle 24 Quellen anzeigen
Benchmarkquellen im Überblick
Welche unabhängigen Auswerter dieses Modell getestet haben. Das ist Abdeckung, keine Qualitätsrangliste.
| Auswerter | Testreihen | Gesamtindizes | Erfasste aktive Messwerte |
|---|---|---|---|
| Artificial Analysis | 0 | 0 | 1 |
Ohne Herstellerangaben sowie historische oder strittige Ergebnisse; diese stehen gekennzeichnet bei den Einzelwerten. 1 Messwerte sind noch keiner Testreihe zugeordnet.