„Next Level“ Spracheingabe: Google Gemini macht Transkript-Funktion auf Android „intelligent“

In den letzten Jahren sind die Transkript-Funktionen auf Smartphones deutlich besser geworden, ein großer Sprung war bereits die „erweiterte“ Spracheingabe im Gboard auf Pixel-Smartphone. Mit der neuen KI-Unterstützung wird das Transkribieren jedoch intelligent.

Was bedeutet das? Zum einen fällt schon länger bei Google Rekorder oder der Gemini-Spracheingabe auf, dass das System zum Beispiel Produkte erkennen kann, wenn man sie nennt. Kam früher noch irgendwelcher Kauderwelsch bei Spracheingaben raus, hilft die KI den Kontext besser zu verstehen und korrekt wiederzugeben.

Google bewirbt die neue Transkription außerdem damit, dass sie mitdenkt und während der Spracheingabe bereits korrigiert. Der klassische Fall: Du sprichst etwas ein und korrigierst dich direkt selbst. Das wird nun nicht mehr einfach komplett eins zu eins transkribiert, sondern direkt als korrigiertes Transkript ausgegeben. Füllwörter werden ebenso entfernt, Kommas gesetzt und so weiter.

Profitieren werden wir von „Gemini 3.5 Transcribe“ unter anderem in „Rambler“ bzw. „Klartext“, der neuen Spracheingabe in der Gboard-Tastatur auf Google Pixel. Leider wohl vorerst auf die Pixel 11 Serie beschränkt und noch nicht für ältere Geräte vorgesehen.

• Intelligente Transkription: Korrigiert automatisch Selbstkorrekturen (wie „Lass uns Dienstag treffen – nein, Mittwoch“ ), entfernt Füllwörter („ähm“ und „äh“) und formatiert Ihren Text automatisch.
• Funktionsaufruf: Das Modell kann komplexe Aufgaben (wie Bildgenerierung und Dateianalyse) über Funktionsaufrufe an andere Gemini-Modelle delegieren. Aktuell verfügbar in der Gemini macOS-App .
• Präzisere Transkription: Gemessen durch künstliche Analyse erreicht das System eine durchschnittliche Fehlerrate (WER) von 4,0 % im Streaming-Modus und 2,6 % im Nicht-Streaming-Modus. Es zeigt eine hohe Leistungsfähigkeit in komplexen, realen Umgebungen und erfasst alphanumerische Entitäten wie Postleitzahlen und Bestellnummern präzise.
• Benutzerdefiniertes Vokabular: Erkennt Fachjargon und besondere Schreibweisen, indem Transkriptionen nahtlos an Ihr bereitgestelltes benutzerdefiniertes Vokabular angepasst werden.
• Globale Sprachunterstützung: Erkennt und transkribiert automatisch über 85 Sprachen und verarbeitet dabei nahtlos regionale Akzente und verschiedene Dialekte.
• Mehrsprecheridentifizierung: Ordnet Sprache in vorab aufgezeichneten Audiodateien präzise mit Zeitstempeln bis zu drei Sprechern zu (Unterstützung für 3+ Sprecher ist experimentell).