VibeVoice-ASR-Streaming-1.5B vs Gemini 3.5 Transcribe: Microsofts leises Streaming-ASR gegen Googles neue API

Sieben Tage und eine grundlegende philosophische Kluft trennen die beiden neuesten Streaming-Spracherkennungssysteme. Am 26. August 2026 stellte Google Gemini 3.5 Transcribe als öffentliche Vorschau zur Verfügung: eine gehostete, geschlossene Speech-to-Text-API, die pro Audio-Token abgerechnet wird, mit einem separaten Live-Endpunkt für Echtzeitsitzungen. Am 2. September 2026 lud Microsoft Research VibeVoice-ASR-Streaming-1.5B unter dem Namespace microsoft auf Hugging Face hoch — MIT-lizenzierte Gewichte, keine Pressemitteilung, kein Launch-Post und zum Zeitpunkt dieses Schreibens keinerlei Berichterstattung durch Dritte irgendwo. Beide transkribieren Sprache, während sie noch eintrifft. Fast alles andere an ihnen — wer sie ausführen darf, was sie kosten, welche Belege es gibt, dass sie funktionieren — ist unterschiedlich.

Diese Seite vergleicht die beiden so, wie sie heute tatsächlich existieren, was bedeutet, dass die beiden Seiten der Evidenz nicht symmetrisch sind. Gemini 3.5 Transcribe ist ein aktives Google-Produkt mit veröffentlichten Token-Preisen und Genauigkeitswerten von Drittanbietern von Artificial Analysis; das sind die unten mit AA gekennzeichneten Zahlen. VibeVoice-ASR-Streaming-1.5B ist ein Checkpoint, dessen Modellkarte keinerlei Wortfehlerrate und keinen Latenzwert in Textform veröffentlicht – die Auswertung auf der Karte ist ein Bild, und die einzige Ankündigung der Streaming-Familie bisher ist eine News-Zeile vom 3. September im VibeVoice-GitHub-Repository von Microsoft. Alles, was unten auf der Microsoft-Seite steht, ist das, was aus dem Repository bekannt ist: die Konfigurationsdateien, die Modellkarte und Microsofts eigene Streaming-Dokumentation. Nichts davon wurde bislang unabhängig benchmarkt.

Die beiden Modelle im Überblick

• Was es ist — VibeVoice-ASR-Streaming-1.5B: offener Checkpoint, MIT-Lizenz, selbst gehostet vs. Gemini 3.5 Transcribe: gehostete API, geschlossene Gewichte.

• Release — Gewichte am 2. September 2026, Repo-News am 3. September vs. öffentliche Vorschau am 26. August 2026 mit vollständigen Launch-Materialien.

• Streaming-Form — gibt Text in Chunks von etwa 2,9 Sekunden mit etwa 0,5 s Lookahead aus, wobei der Sitzungszustand in einem Präfix-Cache gespeichert wird; WebSocket-Live-Sitzungen hingegen werden pro Audio-Token abgerechnet und sind auf 10 Minuten Audio pro Sitzung begrenzt.

• Genauigkeit im Druck — keine WER- oder Latenzangabe als Text veröffentlicht, gegenüber AA-gemessenen 2,6 % WER am vorab aufgezeichneten Endpunkt und 4,0 % am Live-Endpunkt.

• Sprecherausgabe — behauptet (unverifiziert) eine Streaming-Zuordnung, wer was gesagt hat, vs. keine Sprecher-Diarisierung und keine Wort-Zeitstempel am Live-Endpunkt.

• Hotwords — unterstützt über denselben Kontext-Prompt wie beim Batch-VibeVoice-ASR, aber kein aufgeführtes Feature des Live-Endpunkts.

• Kosten — 0 $ für die Gewichte, ~5,6 GB zum Selbsthosten, gegenüber etwa 0,30 $ pro Audiostunde im Mischpreis auf dem Endpunkt für vorab aufgezeichnete Audiodaten und ~0,54 $ bei Live, laut den von Google angegebenen Token-Preisen.

Eine gehostete API und ein stiller Upload, sieben Tage auseinander.

Gemini 3.5 Transcribe ist Googles Transkriptionsmodell, das als Ersatz für bestehende Lösungen dienen kann, und wird in zwei Produkten angeboten. Der Pre-Recorded-Endpoint, der über die Interactions API bereitgestellt wird, nimmt eine vollständige Audiodatei entgegen und liefert ein Transkript mit den üblichen Extras. Der Live-Endpoint gemini-3.5-transcribe-live läuft über einen bidirektionalen WebSocket und ist derjenige, der mit VibeVoice-ASR-Streaming-1.5B bei der Art der Aufgabe konkurriert: eine Sitzung zu transkribieren, während sie stattfindet. Google kündigte Gemini 3.5 Transcribe mit der üblichen Maschinerie an – Start der öffentlichen Vorschau am 26. August, Preise auf der Modellseite, Drittanbieter-Bestenlisten, die das Modell innerhalb weniger Tage aufnahmen.

Microsofts Streaming-Veröffentlichung hatte nichts davon. Am 2. September erstellte das Microsoft-Hugging-Face-Konto zwei Checkpoints in derselben Minute: VibeVoice-ASR-Streaming-7B und VibeVoice-ASR-Streaming-1.5B. Die Modelltabelle des GitHub-Repositorys listet VibeVoice-ASR-Streaming nun als Familienmitglied auf, und im News-Bereich steht die Zeile vom 3. September, die „ein einheitliches Streaming-ASR-Modell, das beim Eintreffen von Sprache fortlaufend transkribiert, wer was sagt, mit Unterstützung für benutzerdefinierte Hotwords und 10 Sprachen" ankündigt – aber diese Ankündigung nennt die 7B, und die 1.5B ist das kleinere Geschwistermodell, das ohne eigene Erwähnung mitveröffentlicht wurde. Als wir einen Tag nach dem Upload nachsahen, zeigten beide Checkpoints immer noch null Downloads.

Was „Streaming“ auf jeder Seite bedeutet

Das Wort Streaming verbirgt einen echten Designunterschied. Microsofts Preprocessor-Konfiguration macht die VibeVoice-Kadenz konkret: Das Audio kommt mit 24 kHz an und wird 3.200× in einen Strom von Sprach-Tokens komprimiert, bei etwa 7,5 Hz (ein Token alle ~133 ms). Die Konfiguration legt dann einen Chunk von 22 Frames und einen Lookahead von 4 Frames fest – etwa 2,9 Sekunden Audio pro Chunk, wobei ungefähr eine halbe Sekunde zukünftiges Audio verwendet wird, um das aktuelle Segment abzusichern. Das Modell gibt Text einmal pro aufgelöstem Chunk aus, und in der Microsoft-Dokumentation wird darauf hingewiesen, dass Kontext aus früheren Chunks über den KV-Cache erhalten bleibt, sodass eine lange Sitzung nicht von Grund auf neu berechnet wird. Die Rechenlogik steht in der Konfiguration; die praktische Konsequenz ist ein Transkript, das in ungefähr Drei-Sekunden-Schritten wächst, nicht in Wort-für-Wort-Teilergebnissen.

Der Live-Endpunkt von Google ist eine andere Streaming-Variante: eine bidirektionale WebSocket-Sitzung, bei der Audio mit 25 Audio-Tokens pro Sekunde abgerechnet wird, für interaktiven Einsatz konzipiert, aber auf 10 Minuten Audio pro Sitzung begrenzt und – speziell beim Live-Endpunkt – ohne Sprecher-Diarisierung oder Wort-Zeitstempel. Für alle, die die beiden als Live-Transkriptions-Engines vergleichen, sind die entscheidenden Unterschiede das Sitzungslimit (10 Minuten auf Googles Live-Seite, auf Microsofts Seite nur durch Ihre eigene GPU und Ihren Arbeitsspeicher begrenzt), der Ausgabetakt (ca. 3-Sekunden-Blöcke gegenüber dem, was die WebSocket-Sitzung liefert) und die zusätzlichen Ausgabefunktionen (Sprecherzuordnung und Hotwords, die auf der Microsoft-Karte beansprucht werden, aber in Googles Live-Funktionsliste fehlen).

Genauigkeit: Eine Seite hat Zahlen, die andere ein Bild.

Dies ist die größte Lücke in diesem Vergleich – und zwar eine Lücke in der Evidenz, nicht unbedingt in der Qualität. Artificial Analysis misst bei Gemini 3.5 Transcribe eine Wortfehlerrate von 2,6 % am Pre-Recorded-Endpunkt und 4,0 % am Live-Endpunkt – der Aufpreis, den man für die Echtzeit-Bereitstellung zahlt, schlägt sich in der Fehlerrate nieder, was ein üblicher und ehrlicher Kompromiss für Streaming-Systeme ist. Das sind Zahlen von Drittanbietern auf einer neutralen Rangliste, die wenige Tage nach dem Launch veröffentlicht wurden.

VibeVoice-ASR-Streaming-1.5B hat nirgendwo eine vergleichbare Kennzahl. Die Modellkarte enthält eine Abbildung der Evaluierungsergebnisse als Bild, aber keine numerischen WER-, RTF- oder Latenzwerte im Fließtext – nichts Zitierfähiges und nichts unabhängig Überprüfbares. Microsoft hat weder für das 7B- noch für das 1.5B-Modell Streaming-Genauigkeitszahlen in Textform angegeben. Der einzige numerische Anker in der gesamten Familie ist die Modellkarte des Batch-Modells VibeVoice-ASR, die einen vom Anbieter ermittelten durchschnittlichen WER von 7,77 % über acht englische Testsets und 2,20 % auf LibriSpeech clean ausweist – aber das beschreibt das Nicht-Streaming-Modell, und Streaming-Modelle opfern typischerweise ein wenig Genauigkeit für den Latenzgewinn. Bis jemand den Streaming-Checkpoint durch eine öffentliche Testumgebung laufen lässt, ist die ehrliche Einschätzung, dass Googles Modell gemessen wurde und Microsofts nicht.

Kosten: pro Audiostunde vs. pro GPU-Stunde

Google verkauft Gemini 3.5 Transcribe pro Token, und die Preisgestaltung teilt sich sauber auf die beiden Endpunkte auf. Der Pre-Recorded-Endpunkt listet 2 $ pro 1 M Audio-Input-Token und 12 $ pro 1 M Text-Output-Token, was sich auf etwa 0,30 $ pro Audio-Stunde gemischt beläuft. Der Live-Endpunkt listet 3,50 $ pro 1 M Audio-Token und 21 $ pro 1 M Text-Token – etwa 0,54 $ pro Audio-Stunde gemischt, also rund 80 % mehr als bei Pre-Recorded, was den Preis für die Echtzeit-Zustellung darstellt. Google berechnet Audio mit 25 Token pro Sekunde, daher ist Stille nur kostenlos, wenn dein Client sie nicht streamt; Wiederverbindungen, doppelt gesendetes Audio und Protokollierung können die tatsächliche Rechnung erhöhen. Es gibt eine kostenlose Stufe, mit der Einschränkung, dass Inhalte der kostenlosen Stufe zur Verbesserung von Google-Produkten verwendet werden können.

Das Modell von Microsoft wird stattdessen in GPU-Stunden abgerechnet. Der 1,5B-Checkpoint umfasst grob 5,6 GB an bf16-Gewichten (ein Qwen-Sprach-Backbone der 1,5B-Klasse plus die Audio-Tokenizer und den Diffusions-Head – die safetensors-Metadaten ergeben zusammen etwa 3B Parameter), und die dokumentierten Wege, es auszuführen, sind selbst gehostet: die Python-Demos im microsoft/VibeVoice-Repository oder das vLLM-Plugin, das Microsoft für das Bereitstellen OpenAI-kompatibler und WebSocket-Endpunkte beschreibt. Es gibt noch keinen gehosteten Preis, weil noch kein Inferenzanbieter das Modell führt. Die Kostenfrage läuft also vollständig darauf hinaus, ob die eigene GPU-Zeit günstiger ist als der Stundensatz von Google – was bei jedem dauerhaften Transkriptionsaufkommen mit ziemlicher Sicherheit der Fall ist – und die Lizenzfrage ist von der Kostenfrage getrennt, denn MIT-Gewichte gehören einem in einer Weise, wie es kein API-Abonnement je tut.

Die beiden schließen sich in einem Produktions-Stack nicht gegenseitig aus. Der pragmatische Ansatz für ein Team, das heute Live-Transkription benötigt, besteht darin, die ASR-Schicht hinter einem einzigen Endpunkt zu belassen, damit die Wahl umkehrbar bleibt: Eine Routing-API, die 200+ Modelle zu den Listenpreisen der Anbieter bereitstellt — ohne Aufschlag, sodass eine Preisänderung eines Anbieters noch am selben Tag live ist — und automatisches Failover bietet, ist genau die Schicht, mit der sich Googles gemessene API als Standard betreiben lässt, während mit einem Teil des realen Datenverkehrs VibeVoice-ASR-Streaming-1.5B getestet wird, sobald ein Anbieter es hostet. Das ist OrcaRouters Modell, und es ist der risikoarme Weg, einen Checkpoint zu übernehmen, dessen Genauigkeit noch niemand verifiziert hat.

Wer sollte welche auswählen?

Wählen Sie Gemini 3.5 Transcribe, wenn Sie eine Transkriptions-API möchten, die heute funktioniert, mit veröffentlichter Genauigkeit, kalkulierbarem Preis pro Stunde und ohne GPU, die Sie überwachen müssen – und insbesondere dann, wenn Ihr Audio nicht in den zehn Sprachen enthalten ist, die Microsoft auflistet, oder wenn Sie für die Dateitranskription die Diarisierung und Wort-Zeitstempel des Pre-Recorded-Endpunkts benötigen. Die Begrenzung auf 10-Minuten-Live-Sitzungen ist eine echte Einschränkung, die Sie für Ihren Anwendungsfall testen sollten, bevor Sie sich für Live-Sitzungen darauf festlegen.

Wählen Sie VibeVoice-ASR-Streaming-1.5B, wenn Sie selbst hosten, wenn Sie die Gewichte und die Datenkontrolle möchten, die MIT bietet, wenn Sie eine unbegrenzte Sitzungslänge benötigen, oder wenn Sie die Who-said-what-Streaming-Ausgabe und Hotwords als Funktionen gezielt evaluieren möchten. Planen Sie eine Installation aus dem Quellcode ein, etwa 5,6 GB Gewichte auf einer NVIDIA-GPU sowie ein eigenes Evaluierungs-Gate – es gibt keine Benchmark, auf die Sie sich stützen können, daher ist die Genauigkeitsfrage etwas, das Sie mit Ihren eigenen Audiodaten beantworten müssen.

Das Ein-Wochen-Fazit: Google hat das vermessene Produkt ausgeliefert und Microsoft die interessante Wette.{{1}} Gemini 3.5 Transcribe ist der sicherere Standard und derjenige mit Zahlen von Drittanbietern dahinter;{{2}} VibeVoice-ASR-Streaming-1.5B ist die offene, selbst hostbare, völlig unverifizierte Alternative.{{3}} Was die Entscheidung günstig macht, ist, dass sie nicht dauerhaft sein muss —{{4}} haltet den ASR-Endpoint austauschbar, und ein Checkpoint, der ohne einen einzigen Benchmark ausgeliefert wird, kann euren Traffic auf der Grundlage eurer eigenen Transkripte gewinnen oder verlieren.{{5}}