Gemini 3.5 Transcribe – uitleg & geschiedenis

Gemini 3.5 Transcribe is de spraak-naar-tekstvariant binnen de Gemini-modellijn van Google. Waar de Pro- en Flash-versies vooral bekend staan om tekst, code en multimodale invoer, doet deze variant precies één ding: gesproken audio omzetten naar bruikbare tekst. Google kondigde het model eind augustus 2026 aan en zette het in public preview.

Op ai-feiten.nl gebruiken we deze pagina als cornerstone: een uitleg die helpt om Gemini 3.5 Transcribe te plaatsen binnen de Gemini-familie en om te begrijpen wanneer een gespecialiseerd spraakmodel handiger is dan een algemeen model.

Let op: het model staat in preview. Beschikbaarheid, prijzen en limieten kunnen veranderen, en de prestatiecijfers komen van Google zelf.

Wat Gemini 3.5 Transcribe doet

Het model neemt audio aan en levert tekst terug. Dat klinkt eenvoudig, maar het onderscheid zit in wat er met rommelige spraak gebeurt. Mensen praten met haperingen, stopwoorden en halve zinnen die ze midden in de zin corrigeren. Een letterlijke transcriptie geeft dat allemaal terug en levert een tekst op die nauwelijks te lezen is.

Google richt dit model expliciet op dat probleem: stopwoorden verdwijnen, zelfcorrecties worden verwerkt en de tekst krijgt automatisch opmaak en interpunctie. Daarnaast detecteert het model naar eigen zeggen meer dan 85 talen en kan het midden in een gesprek meegaan als iemand van taal wisselt.

• Sterk in: gesproken taal omzetten naar leesbare tekst zonder handmatige opschoning.
• Sterk in: meertalige gesprekken en regionale accenten.
• Let op: sprekerherkenning werkt tot drie personen, daarboven noemt Google het experimenteel.

De splitsing in twee endpoints

Wie met dit model werkt, komt meteen een keuze tegen. Er zijn twee endpoints, en ze hebben niet dezelfde mogelijkheden.

Het endpoint voor vooraf opgenomen audio verwerkt een compleet bestand in één verzoek. Daar krijg je tijdstempels per woord bij en herkenning van wie er spreekt. Dat is de route voor podcasts, interviews, opgenomen vergaderingen en archiefmateriaal.

Het live-endpoint werkt anders: audio gaat er in stukjes in en tekst komt er tijdens het spreken uit, met latentie onder een seconde. Die snelheid gaat ten koste van sprekerherkenning en woord-tijdstempels. Voor ondertiteling tijdens een gesprek of een spraakgestuurde assistent is dat prima. Voor een notulist die achteraf moet kunnen aantonen wie wat zei, niet.

Die keuze maak je aan het begin van een project en hij is lastig terug te draaien, dus het loont om er even bij stil te staan.

Wat de cijfers zeggen, en wat niet

Google rapporteert een gemiddelde woordfoutmarge van 2,6 procent voor vooraf opgenomen audio en 4,0 procent voor streaming. De woordfoutmarge, in het Engels word error rate, telt hoeveel woorden er ontbreken, te veel staan of verkeerd zijn overgenomen. Lager is beter.

Op de openbare FLEURS-benchmark liggen de scores voor een selectie talen hoger: ongeveer 5,04 procent non-streaming en 5,50 procent streaming. Dat verschil is leerzaam. Foutmarges zijn sterk afhankelijk van de testset, de opnamekwaliteit en de taal. Een gemiddelde over 85 talen zegt weinig over hoe het model presteert op jouw specifieke audio, met jouw microfoons en jouw vakjargon.

Google noemt verder een verbetering van ongeveer 70 procent in transcriptietijd ten opzichte van Chirp 3, het eerdere spraakmodel binnen Google Cloud.

Waar het draait

Bij de aankondiging zat het model al onder een aantal Google-producten: Rambler in Gboard op Android, de Gemini-app voor macOS en de promptbalk van Google Antigravity. Chrome stond aangekondigd. Voor ontwikkelaars loopt de toegang via Google AI Studio en de Gemini API, voor bedrijven via het Gemini Enterprise Agent Platform.

De variant voor klantcontact, Gemini Enterprise for Customer Experience, was bij de release nog niet beschikbaar. Dat is wel de hoek waar de meeste commerciële waarde zit, want callcenters en klantenservice draaien volledig op spraak.

Wanneer kies je een apart spraakmodel?

Een algemeen multimodaal model kan ook audio aan, maar een gespecialiseerd transcriptiemodel is meestal goedkoper per minuut, sneller en preciezer op de dingen die bij transcriptie tellen: tijdstempels, sprekers en consistente opmaak.

Kies een spraakmodel als transcriptie het eindproduct is, of de eerste stap in een keten waarna een ander model de tekst verwerkt. Kies een algemeen Gemini-model als je audio maar één van de vele invoertypes is en je vooral redeneren of samenvatten wil.

Wat je ook kiest: audio bevat vaak persoonsgegevens. Vergaderingen, klantgesprekken en zorgcontacten vallen onder privacywetgeving, en waar de opname belandt is een vraag die je vooraf beantwoordt, niet achteraf.