Google hat diese Woche in aller Stille innerhalb von 48 Stunden zwei bedeutende Gemini-Modell-Updates veröffentlicht, und beide richten sich direkt an Entwickler, die Produktionsanwendungen erstellen. Laut dem offiziellen Blog von Google ist Gemini 3.5 Transcribe, das am 26. August eingeführt wurde, das bislang präziseste Speech-to-Text-Modell des Unternehmens. Gemini Omni 1.1 Flash, angekündigt am 27. August, bietet professionelle Steuerung für generative Videos, einschließlich Szenenverlängerung auf bis zu 40 Sekunden und 4K-Upscaling. Beide Modelle sind über die Gemini API in Google AI Studio und die Gemini Enterprise Agent Platform verfügbar.

Gemini 3.5 Transcribe: Speech-to-Text, das sich von selbst aufräumt Weitere Informationen zu dieser Geschichte finden Sie in unserer mehr KI-Geschichten.

Laut Google unterscheidet sich Gemini 3.5 Transcribe von der herkömmlichen Spracherkennung dadurch, dass es Rohaudio direkt in polierten, formatierten Text und nicht in ein Rohtranskript umwandelt. Das Modell verarbeitet Hintergrundgeräusche, komplexe Fachsprache und die Bereinigung von Unstimmigkeiten nativ – es entfernt Füllwörter wie „ähm“ und „ahs“, behebt Selbstkorrekturen wie „Treffen wir uns am Dienstag – nein, Mittwoch“ und formatiert die Ausgabe automatisch.

Bemerkenswert sind die von Google genannten Benchmark-Zahlen. Gemessen durch Artificial Analysis erreicht das Modell eine durchschnittliche Wortfehlerrate (WER) von 4,0 Prozent für Streaming-Anwendungsfälle und 2,6 Prozent für Nicht-Streaming-Audio. Beim mehrsprachigen FLEURS-Benchmark für die Top-Sprachen wird ein WER von 5,50 Prozent im Streaming-Modus und 5,04 Prozent im Nicht-Streaming-Modus erzielt, was eine Verbesserung gegenüber Googles vorherigem Transkriptionsmodell Chirp 3 darstellt. Die Zeit bis zur endgültigen Transkription verkürzt sich im Vergleich zu Chirp 3 um 70 Prozent, wiederum gemessen durch künstliche Analyse.

Das Modell wird in zwei Varianten für zwei Arbeitsabläufe geliefert. Für Live-Anwendungen bietet „gemini-3.5-trancribe-live“ kontinuierliches bidirektionales Streaming mit einer Latenz von weniger als einer Sekunde über die Live-API und zielt auf Sprachagenten und Echtzeit-Untertitel ab. Für aufgezeichnete Audiodaten – Besprechungen, Anrufprotokolle, Archive – bietet „gemini-3.5-transcribe“ die Sprecherzuordnung für bis zu drei Sprecher (mit Unterstützung für mehr im experimentellen Modus) und Zeitstempel auf Wortebene über die Interaktions-API.

Zu den weiteren Funktionen gehören die automatische Erkennung und Transkription in mehr als 85 Sprachen mit Akzent- und Dialektbehandlung sowie die Unterstützung benutzerdefinierter Vokabeln, damit sich das Modell an Fachjargon und einzigartige Schreibweisen anpasst. Google hat dem Modell auch eine Art Augen gegeben: Durch Funktionsaufrufe kann es Aufgaben wie Bildgenerierung oder Dateianalyse an andere Gemini-Modelle delegieren – eine Funktion, die derzeit in der Gemini-App auf macOS verfügbar ist.

Gemini Omni 1.1 Flash: Durch die Videogenerierung wächst eine Zeitleiste

Der zweite Start befasst sich mit der häufigsten Beschwerde über KI-Video: Kontrolle. Gemini Omni 1.1 Flash ist ein produktionsorientiertes Update, das generatives Video auf eine Weise steuerbar macht, wie es seine Vorgänger nicht konnten. Die Google DeepMind-Produktmanager Anish Nangia und Alisa Fortin beschreiben, dass die Veröffentlichung Omni 1.1 „produktionsbereit für den professionellen Einsatz“ macht.

Die Szenenerweiterung ist das Hauptmerkmal. Entwickler können jetzt nahtlos mit der Generierung von Filmmaterial aus einem vorhandenen Clip fortfahren, wobei das Modell bis zu 10 Sekunden des vorherigen Kontexts analysiert – ein Sprung im Vergleich zu früheren Modellen, die sich nur auf die letzte Sekunde bezogen. Videos können in 10-Sekunden-Schritten auf eine Gesamtlänge von 40 Sekunden verlängert werden, wodurch die visuelle Konsistenz und die Erzähltreue bei längeren Geschichten verbessert werden.

Das Update fügt außerdem die Interpolation des ersten und letzten Bildes hinzu, sodass Entwickler Start- und Endbilder festlegen können, um sanfte, bewusste Kamerabewegungen und Übergänge zwischen Aufnahmen zu erzeugen. Für die Auslieferung können fertige Projekte auf eine 4K-Auflösung hochskaliert werden, während ein 360p-Vorschaumodus es den Erstellern ermöglicht, die Eingabeaufforderungen schnell und kostengünstig zu wiederholen, bevor sie sich auf die endgültigen Renderings festlegen.

Von der API zu alltäglichen Oberflächen

Google integriert beide Modelle auch in seine Verbraucherprodukte, wo sich seine Vertriebsvorteile zeigen. Auf Android nutzt die neue „Rambler“-Funktion in Gboard 3.5 Transcribe, um gesprochene Gedanken in gut formatierten Text umzuwandeln und gleichzeitig Füllwörter zu filtern – Benutzer können sogar per Spracheingabe Änderungen vornehmen. Das Modell unterstützt auch das Diktieren in der Gemini-App auf macOS, funktioniert neben dem Bildschirmkontext in Google Antigravity und wird in Chrome integriert.

Für Entwickler sind die beiden Einführungen eine Strategie: Google drängt Gemini von einem Chatbot, mit dem man spricht, in eine Infrastruktur, die Medien sieht, hört und produziert. Mit OpenAI, ElevenLabs und einer Kohorte von Video-Startups, die auf demselben Gebiet konkurrieren, sind die Wortfehlerrate von 2,6 Prozent und kohärente 40-Sekunden-Szenen Googles erstes Angebot für die Produktions-Workloads, die tatsächlich Einnahmen generieren – Sprachagenten, Untertitel-Pipelines und kreative Tools. Entwickler können noch heute mit der Entwicklung beider Modelle in Google AI Studio beginnen.

Warum die Wortfehlerrate immer noch wichtig ist

Die Wortfehlerquote klingt wie eine akademische Statistik, aber in der Produktion ist sie der Unterschied zwischen einem Sprachprodukt, das funktioniert, und einem, das frustriert. Jede missverstandene Äußerung in einem Sprachagenten unterbricht eine Aufgabe: Eine falsch verstandene Bestell-ID löst eine fehlgeschlagene Suche aus, eine verstümmelte Adresse sendet ein Paket an die falsche Stadt. Aus diesem Grund vergrößert sich die Lücke zwischen einem WER von 2,6 Prozent bei Nicht-Streaming-Audio und den hohen einstelligen Raten, die vor einer Generation von Modellen üblich waren, zu einem Unterschied in der Benutzerfreundlichkeit um eine Größenordnung.

Die Unterscheidung zwischen den beiden von Google gemeldeten Modi ist auch für Architekten von Bedeutung. Bei der Streaming-Transkription – der WER-Zahl von 4,0 Prozent – ​​wird eine gewisse Genauigkeit gegen eine Latenzzeit von weniger als einer Sekunde eingetauscht, die interaktive Anwendungsfälle wie Live-Sprachagenten erfordern. Die Batch-Transkription aufgezeichneter Audiodaten läuft zwar langsamer, erreicht aber 2,6 Prozent, weshalb die Post-Call-Analyse und die Archivverarbeitung durchaus anspruchsvoller sein können. Die Entscheidung von Google, beide als separate Modellendpunkte und nicht als eine anpassbare Einstellung bereitzustellen, trägt der Tatsache Rechnung, dass Entwickler auf beiden Seiten dieses Kompromisses unterschiedliche Produkte entwickeln.

Ein abgestufter Workflow für die Videoproduktion

Das Omni 1.1 Flash-Update geht ebenso pragmatisch vor, wenn es darum geht, wie kreative Arbeit tatsächlich abläuft. Die Iteration mit generativem Video war teuer: Jedes sofortige Experiment erforderte ein vollständiges Rendering. Der neue 360p-Vorschaumodus trennt die Erkundung von der Bereitstellung, sodass Entwickler kostengünstig durch sofortige Variationen blättern können und nur für die 4K-Hochskalierung der Aufnahmen zahlen müssen, die die Überprüfung überleben.

Die Szenenerweiterungsmechanik befasst sich mit dem Kohärenzproblem, das KI-Videos im Ghetto von Clipgröße gehalten hat. Durch die Analyse von 10 Sekunden des vorherigen Kontexts statt nur des letzten Bildes kann das Modell eine Szene in 10-Sekunden-Schritten auf bis zu 40 Sekunden verlängern und dabei Charaktere, Beleuchtung und visuellen Stil konsistent halten. Kombiniert mit der Interpolation des ersten und letzten Bildes – die den Redakteuren deterministische Kontrollpunkte und die Art und Weise gibt, wie Eingangs- und Ausgangsmarkierungen bei der konventionellen Bearbeitung funktionieren – fügt sich KI-generiertes Filmmaterial allmählich in echte Postproduktions-Pipelines ein, anstatt sie vollständig zu ersetzen.

Das Wettbewerbsbild

Beide Markteinführungen positionieren Google als Infrastruktur und nicht als Ziel. Im Sprachgebrauch nimmt Google es mit spezialisierten Transkriptionsanbietern und den Voice-Stacks seiner Cloud-Konkurrenten auf, indem es modernste Genauigkeit in die Gemini-API bündelt, die seine Entwickler bereits verwenden. Im Videobereich konkurriert das Unternehmen auf einem Markt voller gut finanzierter Start-ups, indem es Kontrolle und Workflow-Integration über reines Spektakel legt.

Der Verteilungsvorteil kann der entscheidende Faktor sein. Dasselbe Transkriptionsmodell, das Entwickler über die Gemini-API aufrufen können, basiert bereits auf dem Rambler-Diktat von Gboard auf Android, der Gemini-App auf macOS, Google Antigravity und Chrome – was bedeutet, dass Google die Modellentwicklung über Milliarden von Benutzerinteraktionen hinweg amortisieren kann und gleichzeitig die vielfältigen Audiodaten aus der realen Welt sammelt, die es ständig verbessern. Für Entwickler, die sich im Jahr 2026 für einen Sprach- oder Video-Stack entscheiden, ist dieses Schwungrad jetzt Teil des Angebots.

---

Bleib vorne bei KI

Die neuesten KI-Nachrichten, Analysen und Durchbrüche – alles an einem Ort.

Mehr KI-Nachrichten lesen →