KI-Dolmetscher mit Gemini AI Translate: Funktion, Kosten, Grenzen

Mehrsprachige Events scheitern selten an der Technik, sondern an der Rechnung. Ein Simultandolmetscher kostet marktüblich 900 bis 1.400 € netto pro Tag, und Simultanverdolmetschung verlangt eine paarweise Besetzung — pro Sprache also grob 1.800 bis 2.800 € für einen einzigen Eventtag, zuzüglich Briefing, Vorbereitungszeit und Technik (Quelle: AIIC Deutschland). Bei drei Zielsprachen übersteigt der Dolmetscheretat schnell die gesamte Produktion. Die Folge kennt jedes Kommunikationsteam: Das All-Hands, das Partner-Webinar, der Produktlaunch laufen einsprachig — nicht weil niemand mitübersetzen wollte, sondern weil die zweite Sprache nie budgetiert wurde.

Seit dem 9. Juni 2026 gibt es dafür eine Option, die vorher nicht existierte. Google hat an diesem Tag Gemini 3.5 Live Translate vorgestellt — ein Modell, das gesprochene Sprache im laufenden Stream übersetzt, statt auf Satz- oder Sprecherenden zu warten. In SlideSync haben wir daraus eine vollständige Sprachspur gebaut: eine übersetzte Stimme über dem leise mitlaufenden Original, dazu Untertitel mit identischem Wortlaut — im Player auswählbar wie bei einem menschlichen Dolmetscher.

Wenn Sie sich fragen, wie Sie Gemini AI Translate am einfachsten für Ihre Veranstaltung nutzen: über SlideSync. Google stellt die Übersetzung bereit, aber keine fertige Sprachspur — dazwischen liegt Integrationsarbeit, die sonst Ihr Team oder Ihr Dienstleister leisten müsste. In SlideSync ist sie erledigt: Sie buchen die Sprachen, alles andere bleibt Ihr gewohnter Webcast. Diese Seite beschreibt, was das heute leistet, was es kostet, wo die Grenzen liegen — und wann Sie trotzdem einen Dolmetscher buchen sollten.

Gemini ist Googles KI-System; „Gemini AI Translate“ ist der Teil davon, der übersetzt. Für eine Veranstaltung ist genau eine Ausbaustufe interessant: Gemini 3.5 Live Translate, vorgestellt am 9. Juni 2026. Sie übersetzt gesprochene Sprache, während gesprochen wird — sie wartet nicht ab, bis ein Satz oder ein Redebeitrag zu Ende ist. Das ist der Unterschied zwischen einer Übersetzung, der man live zuhören kann, und einer, die man hinterher liest.

Maschinelle Live-Übersetzung gab es auch vorher. Für eine Veranstaltung brauchbar wurde sie erst jetzt. Bis Juni 2026 beherrschte Googles Live-Übersetzung in Meetings fünf Sprachen, und alles lief über Englisch — Französisch nach Italienisch war schlicht nicht vorgesehen. Heute erkennt das System über 70 Sprachen von selbst und deckt mehr als 2.000 Sprachkombinationen ab. Dazu kommen drei Dinge, die man sofort hört: Die Übersetzung läuft durchgehend weiter, statt nach jedem Redebeitrag neu anzusetzen, sie übernimmt Tonfall, Sprechrhythmus und Tonlage der sprechenden Person, und sie kommt mit Störgeräuschen im Raum besser zurecht (Quelle: Google, 9. Juni 2026).

Zwei Dinge, die Sie vorher wissen sollten

Erstens führt Google das Ganze selbst noch als Vorschau. Das ist bei Google der normale Weg vor der allgemeinen Freigabe, bedeutet aber auch, dass sich in den nächsten Monaten noch Details ändern können. Zweitens wird die Tonspur Ihrer Veranstaltung für die Übersetzung derzeit außerhalb der EU verarbeitet. Beides wird sich absehbar ändern. Für heute heißt das: Die Qualität reicht bereits für echte Veranstaltungen, und es ist genau der richtige Moment, das einmal auszuprobieren, statt es in zwei Jahren als Selbstverständlichkeit einzukaufen. Wenn Datenverarbeitung innerhalb der EU bei Ihnen nicht verhandelbar ist, buchen Sie für diese eine Veranstaltung einen Dolmetscher.

Warum das über SlideSync läuft

Google bietet die Live-Übersetzung als Teil seiner Translate-Produktreihe an. Sie lässt sich cloud-gehostet in eigene Produkte einbinden — der direkte Weg dorthin ist allerdings fummelig: Man bekommt einen Übersetzungsdienst, keine fertige Sprachspur für eine Veranstaltung. Alles, was dazwischen liegt, muss jemand bauen.

Genau das haben wir gemacht. Was Sie im Player hören — die übersetzte Stimme über dem leiser gestellten Original, eingeordnet neben den anderen Sprachen, im laufenden Stream umschaltbar, dazu Untertitel mit exakt demselben Wortlaut — ist in SlideSync fertig eingebaut. Das Voice-over ist kein Google-Feature; es stammt von uns. Für Sie heißt das: ein Häkchen bei der Sprache statt eines Integrationsprojekts.

Der Aufwand auf Ihrer Seite ist der eigentliche Unterschied zur Dolmetscherkabine — und er ist schnell beschrieben: Sie tun nichts anderes als bei jedem anderen Webcast. Ein Encoder, ein Signal in SlideSync, dasselbe Setup wie sonst auch. Der direkte Vergleich:

Auch inhaltlich ist nichts vorzubereiten: Die gesprochene Sprache erkennt das System selbst. Wechselt eine Rednerin mitten im Vortrag die Sprache, wird das erkannt und die Übersetzung folgt.

Zwei organisatorische Punkte bleiben. Erstens: Die Sprachen werden vor dem Event gebucht, und das geht flexibel bis zum Beginn der Übertragung — Sie müssen sich also nicht Wochen vorher festlegen. Was nicht geht: eine Sprache spontan während der laufenden Sendung dazuschalten. Zweitens: Pro Sprache entscheiden Sie sich für KI oder Mensch. Beides lässt sich im selben Event kombinieren, etwa Französisch als KI-Spur und Englisch mit einem Dolmetscher — aber die Zuordnung steht ab Sendestart fest. Ein Dolmetscher, der später dazukommen soll, kommt nicht mehr in die laufende Sendung.

Im Player finden Ihre Zuschauer dieselbe Sprachauswahl wie bei menschlichen Dolmetschern — der Bedienweg ist identisch, es gibt nichts zu erklären. Wer umschaltet, hört wenige Sekunden versetzt eine gesprochene Übersetzung über dem leise mitlaufenden Original. Das Original bleibt im Hintergrund hörbar, so wie bei einem Voice-over im Fernsehen: Tonfall, Applaus und Reaktionen im Raum gehen nicht verloren.

Dazu laufen Untertitel, die genau das wiedergeben, was gesprochen wird — nicht eine zweite, abweichende Übersetzung. Wer zwischen Hören und Mitlesen wechselt, liest denselben Satz, den er gerade gehört hat. Das klingt nach einer Kleinigkeit und ist im Betrieb der Unterschied zwischen „hilfreich“ und „verwirrend“.

Jede Sprachspur wird regulär mit aufgezeichnet. Die übersetzte Fassung steht Ihnen nach der Veranstaltung genauso als On-Demand-Video zur Verfügung wie das Original — Sie können also auch nachträglich noch mehrsprachig ausspielen.

Zeitversetzt, nicht lippensynchron

Die Übersetzung folgt dem Bild um einige Sekunden, und in längeren Passagen wächst dieser Abstand. Sie sehen also eine Rednerin sprechen und hören die Übersetzung kurz darauf — vergleichbar mit einer Simultanverdolmetschung, bei der der Dolmetscher dem Redner ebenfalls nachläuft. Lippensynchron ist das nicht und wird es in einem Live-Setting auch nicht sein. Für Vorträge, Präsentationen und Q&A ist der Versatz unproblematisch; für ein Format, das von exakter Bild-Ton-Synchronität lebt, ist er die falsche Wahl.

Wie der Sprecher klingt

Die Übersetzung wird in einer Stimme gesprochen, die sich automatisch an die des Originalsprechers anlehnt — statt in einer neutralen Ansagerstimme. Das Ergebnis wirkt dadurch deutlich näher am Original, als man es von synthetischen Stimmen erwartet.

Was dabei nicht geht, gehört in dieselbe Antwort: Die Stimme ist nicht auswählbar. Es gibt keine Stimmenbibliothek, keine Wahl von Geschlecht oder Sprechstil und keine Möglichkeit, eine Markenstimme zu hinterlegen. Die Ähnlichkeit zum Original ist über ein ganzes Event hinweg auch nicht garantiert, und mehrere Redner werden nicht als verschiedene Sprecher unterschieden. Belastbar ist also die Aussage „in einer Stimme nah am Original“ — nicht „konsistente Sprecheridentität“.

Der Vergleichsfall für diese Seite ist nicht „Untertitel“, sondern „ein Dolmetscher pro Sprache“: Technik, Kabine, Personal und Vorlauf auf der einen Seite — ein Häkchen bei der Sprache auf der anderen.

Die entscheidende Zahl steht nicht in der Tabelle: Eine zusätzliche Sprache kostet nicht etwas weniger als ein Dolmetscherpaar, sondern um ein Vielfaches weniger. Das verschiebt die Frage. Sie lautet nicht mehr: Können wir uns Dolmetscher für dieses Event leisten? Sie lautet: Welche Sprachen wollen wir erreichen? Kommunikationsteams antworten darauf erfahrungsgemäß mit mehr Sprachen, als je im Budget standen.

Diese Liste steht bewusst vor dem Angebot und nicht im Kleingedruckten. Jeder Punkt hier ist ein Fall, in dem jemand ohne Vorwarnung enttäuscht würde.

Keine Terminologiepflege für die gesprochene Übersetzung

Produktnamen, Fachbegriffe, Eigennamen oder eine gepflegte Firmenterminologie lassen sich der gesprochenen Übersetzung nicht mitgeben — die Technologie sieht das schlicht nicht vor. Wer beim ersten Produktnamen ein exaktes Ergebnis erwartet, wird es nicht bekommen. Hier liegt der klarste Unterschied zu unserem bestehenden Untertitelangebot: Terminologiepflege gibt es bei den Untertiteln, nicht bei der Stimme. Wenn Ihre Fachbegriffe wörtlich sitzen müssen, ist die Kombination aus Originalton und gepflegten Untertiteln der bessere Weg — oder eben ein gebriefter Dolmetscher.

Keine wählbaren Stimmen, keine Sprecher-Unterscheidung

Die Stimme lehnt sich an das Original an, ist aber nicht konfigurierbar, und mehrere Redner werden nicht als verschiedene Sprecher auseinandergehalten. Bei einer Podiumsdiskussion mit schnellem Wechsel ist das hörbar. Google nennt in der eigenen Dokumentation dieselben Grenzen: Die Stimme kann nach längeren Pausen wechseln, und die Spracherkennung wird bei starkem Akzent oder schnellem Sprachwechsel unzuverlässiger.

Verarbeitung außerhalb der EU

Die Tonspur Ihrer Veranstaltung wird für die Übersetzung derzeit außerhalb der EU verarbeitet. Wir sagen das aktiv, weil es für deutsche Enterprise-Kunden die erste Rückfrage ist und niemandem gedient wäre, wenn sie erst im Vertriebsgespräch aufschlägt. Der Rest unserer Plattform bleibt davon unberührt — SlideSync hostet in der EU, und alle Sprachen ohne KI-Spur laufen unverändert. Wenn die Daten Ihrer Veranstaltung zwingend in der EU bleiben müssen, ist die KI-Sprachspur heute die falsche Wahl. Wir rechnen damit, dass Google eine europäische Verarbeitung anbietet, sobald das Modell die Vorschauphase verlässt.

Rückübersetzung: heute einseitig, in Umsetzung

Ein Randfall, der bei internationalen Events regelmäßig auftritt: Spricht jemand in einer englischen Veranstaltung plötzlich Deutsch, hören die deutschen Zuschauer das korrekt — die englischen hören den Einschub unübersetzt. Technisch ist die Gegenrichtung möglich, weil das Modell die gesprochene Sprache laufend erkennt und nicht übersetzt, wenn Quell- und Zielsprache identisch sind. In SlideSync ist diese Rückübersetzung derzeit in Umsetzung — sie gehört also auf die Roadmap, aber noch nicht in Ihre Eventplanung.

Gebärdensprache und reine Untertitelvarianten

Diese bekommen keine synthetische Stimme. Für barrierefreie Livestreams bleiben Gebärdensprachdolmetscher und Untertitel die Werkzeuge der Wahl — die KI-Sprachspur ergänzt sie, sie ersetzt sie nicht.

Die ehrliche Antwort lautet: in der Qualität nein, in der Praxis oft ja — und beides zusammen ergibt erst ein brauchbares Bild.

Zur Qualität ist die Studienlage eindeutig, und sie spricht für den Menschen. Eine vergleichende Fallstudie von Prof. Anja Rütten fand 2026 in einem halbstündigen Redeabschnitt 44 größere bis substanzielle inhaltliche Abweichungen bei automatischer Übersetzung gegenüber 5 bei menschlicher Simultanverdolmetschung. Eine Untersuchung der Universität Warschau (Korybski et al., 2025) verglich Profis, Dolmetschstudierende und zwei KI-Systeme unter realistischen Konferenzbedingungen: Die Profis erzielten die höchste Qualität, die KI-Systeme produzierten deutlich mehr sinnverändernde Fehler sowie Defizite bei Spracherkennung und Kontext. Kayo Matsushita zeigte 2026, dass Zuhörer mit professioneller Verdolmetschung mehr Inhalt behielten und die KI-Fassung als kognitiv anstrengender empfanden. Der Berufsverband AIIC nennt als typische Schwächen Latenz, falsche Satzsegmentierung, Verwechslungen bei Rednerwechseln und Halluzinationen.

Wer daraus „KI ersetzt Dolmetscher“ macht, verkauft Ihnen etwas. Wer daraus „KI ist unbrauchbar“ macht, übersieht die Rechnung von oben.

Denn der ehrliche Vergleichsmaßstab ist in den meisten Fällen nicht der Dolmetscher, sondern gar keine Übersetzung. Die KI-Sprachspur ersetzt den Dolmetscher vor allem dort, wo er aus Kostengründen nie gebucht wurde: beim Town Hall Meeting in zwölf Ländern, beim internen All-Hands, beim Partner-Webinar, beim Produktlaunch für die Vertriebsregionen. Für diese Formate lautet die reale Alternative „alle hören Englisch und die Hälfte versteht die Nuancen nicht“ — und dagegen gewinnt eine Übersetzung mit gelegentlichen Ungenauigkeiten deutlich.

Umgekehrt gilt genauso klar: Wo jedes Wort rechtlich, finanziell oder zwischenmenschlich zählt, bleibt der Mensch das richtige Werkzeug. Bei der Hauptversammlung, beim IR-Call mit Bilanzterminologie, bei Vertragsverhandlungen, bei Krisenkommunikation und überall dort, wo eine Fehlübersetzung zur Nachricht wird, buchen Sie Dolmetscher. Wir vermitteln sie Ihnen — und kombinieren beides im selben Event, wenn Ihre Sprachen unterschiedliche Ansprüche haben.

Was kostet KI-Simultanübersetzung im Vergleich zu einem Dolmetscher?

Ein Simultandolmetscher kostet marktüblich 900 bis 1.400 € netto pro Tag, und Simultanverdolmetschung verlangt eine paarweise Besetzung — pro Sprache also etwa 1.800 bis 2.800 € für einen Eventtag. Die KI-Sprachspur in SlideSync liegt pro Sprache und Event im niedrigen dreistelligen Bereich. Eine zusätzliche Sprache kostet damit nicht etwas weniger als ein Dolmetscherpaar, sondern um ein Vielfaches weniger.

Welche Technik brauche ich dafür?

Keine zusätzliche. Ein Encoder und ein Signal in SlideSync — dasselbe Setup wie bei jedem Webcast. Es entstehen kundenseitig kein zusätzliches Gerät, kein Kabel und kein Personal vor Ort. Auch bei den Vortragenden muss keine Software installiert werden.

Wie kurzfristig kann ich Sprachen dazubuchen?

Flexibel bis zum Beginn der Übertragung — Sie müssen sich nicht Wochen vorher festlegen. Die gebuchten Sprachen stehen dann bereit; eine Sprache spontan während der bereits laufenden Sendung dazuzuschalten ist nicht möglich.

Ist die Übersetzung lippensynchron?

Nein. Die übersetzte Stimme folgt dem Bild um wenige Sekunden, und in längeren Passagen wächst der Abstand. Das entspricht dem Verhalten einer Simultanverdolmetschung, bei der der Dolmetscher dem Redner ebenfalls nachläuft. Für Vorträge, Präsentationen und Q&A ist der Versatz unproblematisch.

Kann ich eigene Fachbegriffe oder Produktnamen hinterlegen?

Für die gesprochene Übersetzung nicht — die Technologie sieht das nicht vor. Terminologiepflege ist bei den Live-Untertiteln möglich, nicht bei der Stimme. Wenn Fachbegriffe wörtlich sitzen müssen, ist die Kombination aus Originalton und gepflegten Untertiteln der bessere Weg, oder ein gebriefter Dolmetscher.

Kann ich menschliche Dolmetscher und KI-Sprachen im selben Event kombinieren?

Ja. Pro Sprache entscheiden Sie sich für eines von beidem — etwa Französisch als KI-Spur und Englisch mit einem Dolmetscher. Die Zuordnung steht allerdings ab Sendestart fest: Ein Dolmetscher, der erst während der laufenden Sendung dazukommen soll, kann nicht mehr aufgeschaltet werden.

Werden meine Audiodaten in der EU verarbeitet?

Für die KI-Sprachspur derzeit nicht — die Tonspur wird außerhalb der EU verarbeitet, weil Google das Modell noch als Vorschau führt. Die SlideSync-Plattform selbst hostet in der EU, und alle Sprachen ohne KI-Spur sind davon unberührt. Wenn die Daten zwingend in der EU bleiben müssen, buchen Sie für diese Veranstaltung einen Dolmetscher oder warten auf die europäische Verfügbarkeit.

Welche Sprachen sind verfügbar?

SlideSync führt derzeit 18 Sprachen. Produktiv erprobt sind bislang Französisch, Italienisch, Spanisch, Deutsch und Chinesisch, jeweils aus dem Englischen heraus. Weitere Sprachpaare testen wir vor Ihrem Event einmal durch, damit im Ernstfall keine Überraschung entsteht — sprechen Sie uns einfach mit Ihrer Sprachliste an.

Was passiert, wenn ein Redner mitten im Vortrag die Sprache wechselt?

Der Wechsel wird erkannt, ohne dass jemand eingreifen muss. Spricht in einer englischen Veranstaltung jemand plötzlich Deutsch, hören die deutschen Zuschauer das korrekt; die englischen hören den Einschub aktuell unübersetzt. Die Gegenrichtung ist technisch möglich und bei uns in Umsetzung.

Was ist der Unterschied zwischen KI-Untertiteln und einer KI-Sprachspur?

KI-Untertitel zeigen den Text im Bild. Die KI-Sprachspur spricht die Übersetzung hörbar aus. Untertitel sind die richtige Wahl, wenn Fachbegriffe wörtlich stimmen müssen — dort lässt sich Terminologie hinterlegen. Die Sprachspur ist die richtige Wahl, wenn Ihre Zuschauer zuhören statt mitlesen sollen, etwa bei langen Vorträgen. Beides lässt sich im selben Event kombinieren, und in SlideSync tragen die Untertitel denselben Wortlaut wie die gesprochene Übersetzung.

Wie mache ich einen Livestream mehrsprachig?

Sie brauchen pro Zielsprache eine eigene Tonspur, die Ihre Zuschauer im Player auswählen. Diese Spur liefert entweder ein Dolmetscherpaar oder die KI. Der Videostream bleibt derselbe, ebenso Ihr Encoder und Ihr Signal. In SlideSync buchen Sie die Sprachen vor dem Event; die Sprachauswahl erscheint dann automatisch im Player. Mehr dazu auf unserer Seite zu mehrsprachigen Events.

Eignet sich das für Investor Relations und Quartalskommunikation?

Für den Call selbst raten wir ab. Bilanzterminologie muss wörtlich sitzen, und genau dort kann die KI-Sprachspur keine Fachbegriffe übernehmen. Buchen Sie für IR-Calls und Hauptversammlungen Dolmetscher. Sinnvoll ist die KI-Sprachspur im Umfeld: interne Erläuterungen für Vertriebsregionen, Mitarbeiterinformationen zum Quartalsergebnis, Partner-Briefings.

KI-Simultanübersetzung ist heute weder ein fertiges Produkt noch eine Spielerei. Sie ist eine Technologie in der Vorschauphase, die eine Sache bereits gut genug kann, um sie produktiv einzusetzen: ein Event in mehreren Sprachen hörbar zu machen, ohne dass jemand eine Kabine bucht.

Wofür wir sie empfehlen:

• Interne Großformate über mehrere Länder — Town Halls, All-Hands, Führungskräfte-Updates. Dort, wo die zweite Sprache bisher am Budget scheiterte.
• Partner- und Kundenformate — Webinare, Produktlaunches, Schulungen für mehrere Vertriebsregionen.
• Formate mit unklarem Sprachbedarf — wenn Sie nicht wissen, ob überhaupt jemand die französische Spur nutzt, kostet der Versuch einen niedrigen dreistelligen Betrag statt eines Dolmetscherpaars.

Wovon wir abraten: Hauptversammlungen, IR-Calls, Vertragsverhandlungen, Krisenkommunikation — und jedes Format, in dem Fachbegriffe wörtlich sitzen müssen oder die Daten zwingend in der EU bleiben müssen. Dafür vermitteln wir Dolmetscher, und beides lässt sich im selben Event kombinieren.

Der Preview-Status und die Verarbeitung außerhalb der EU sind die zwei Punkte, die sich absehbar ändern werden — Google-Dienste nehmen diesen Weg regelmäßig, und die regionale Verfügbarkeit folgt der allgemeinen Freigabe für gewöhnlich zügig. Bis dahin ist das hier vor allem eines: ein ausgesprochen guter Zeitpunkt, die eigene Eventreihe einmal mehrsprachig zu fahren und zu sehen, wer tatsächlich umschaltet. Diese Zahl hat bisher niemand, weil die Frage nie gestellt werden konnte.

Sie überlegen, welche Sprachen für Ihr nächstes Event sinnvoll sind? Sprechen Sie uns an — wir beraten herstellerunabhängig und sagen Ihnen auch, wenn ein Dolmetscher die bessere Wahl ist.

Testen Sie SlideSync!

Lassen Sie uns über Ihr Event sprechen!