Speech to Text API im Vergleich 2026: Welche passt zum Projekt?

Welche Speech to Text API passt zum Projekt? Für einen Sprachagenten ist Deepgram der erste Kandidat, für mehrsprachige Aufnahmen mit Sprecherzuordnung ElevenLabs Scribe. Speechmatics kommt ins Spiel, wenn die Kontrolle über die Betriebsumgebung den Ausschlag gibt. Mit Voxtral 3 gehört auch Mistral auf die Auswahlliste: Die Dateitranskription beginnt bei $0.21 pro Audiostunde. Beim Live-Modell verlangt die Sprecherzuordnung allerdings eine bewusste Architekturentscheidung.

Am 21. Oktober 2026 anhand der Preisangaben und Dokumentation der Anbieter geprüft. Die Empfehlungen vergleichen veröffentlichte Funktionen und rechnen Kosten auf Audiostunden um. Sie beruhen auf keinem eigenen Genauigkeitsbenchmark mit Testaufnahmen.

Eine Transkriptions-API wandelt Audio innerhalb einer Anwendung in Text um. Zuerst stellt sich die Frage, ob die Anwendung auf eine fertige Aufnahme warten kann oder schon während des Sprechens reagieren muss. Danach geht es um die Ausgabe: Reicht der Wortlaut, muss festgehalten werden, wer gesprochen hat, oder braucht ein Agent ein Signal, wann er antworten soll? Je nach Anforderung können selbst beim selben Anbieter unterschiedliche Modelle sinnvoll sein.

Für eine fertige Meeting- oder Schnittanwendung statt einer API bietet sich der separate Vergleich der besten KI-Transkriptionstools an. Dort geht es um Produkte wie Otter und Descript.

Speech to Text API: Der Vergleich auf einen Blick

Erst den Verarbeitungsmodus festlegen, dann den Stundenpreis vergleichen. Ein günstiges Modell für Audiodateien ersetzt nicht automatisch eine Live-Spracherkennung. Und eine Live-Spracherkennung liefert nicht zwangsläufig Sprecherkennzeichnungen oder erkennt das Ende eines Gesprächsbeitrags.

Alle folgenden Beträge sind USD und gelten für die reine Transkription. Bei Minutenpreisen lautet die Umrechnung Preis pro Minute × 60. AssemblyAI, ElevenLabs und Speechmatics veröffentlichen die betreffenden Preise pro Stunde; diese werden direkt übernommen. Optionale Zusatzfunktionen, Steuern, Speicher, das Sprachmodell und die Sprachausgabe sind nicht enthalten. Der Vergleich geht von einem verarbeiteten Audiokanal und keinem individuell ausgehandelten Enterprise-Vertrag aus.

„Streaming“ bedeutet hier, Audio während der Übertragung entgegenzunehmen. Text aus einer bereits hochgeladenen Datei stückweise zurückzugeben, ist eine andere Funktion. „Diarisierung“ bezeichnet die Zuordnung von Sprachabschnitten zu verschiedenen Sprechern; deren Namen werden dadurch nicht zwangsläufig erkannt.

Grundlage der Umrechnung sind die Minutenpreise von Mistral mit $0.0035/$0.004/$0.008, von Deepgram mit $0.0043/$0.0048/$0.0065 für die genannten Varianten, von OpenAI mit geschätzten $0.0045/$0.017 sowie von Google mit $0.016/$0.003. Deepgrams Zusatzfunktion für Live-Diarisierung kostet $0.0020/Minute. Für Google Standard gilt die erste monatliche Nutzungsstufe, kein Mengenrabatt.

Angaben zu Sprachen und Funktionen stammen aus der Modelldokumentation der Anbieter: Mistrals Sprachmatrix, Deepgrams Modellübersicht, OpenAIs Transkriptionsleitfaden, Googles Dokumentation zu Chirp 3, ElevenLabs' Funktionsübersicht und Speechmatics' Modellleitfaden. AssemblyAI nennt die modellspezifischen Sprachzahlen und Zusatzkosten direkt auf der Preisseite.

Speechmatics kann für Melia mit einem Preis von etwa $0.12/Stunde nach Rabatten werben. Der Rechner nennt für die Dateiverarbeitung ohne Rabatte $0.24/Stunde. Die Tabelle verwendet diesen Grundpreis, ohne Einwilligung ins Modelltraining und ohne Rabatt für Volumenguthaben. Ebenso sollten die gekennzeichneten Aktionspreise von Deepgram vor einer verbindlichen Budgetplanung erneut geprüft werden.

Sieben APIs und die Anforderungen, für die sie sich eignen

Den Anfang macht die allgemeine Empfehlung für Live-Sprachagenten. Danach folgen Alternativen, die bei bestimmten Anforderungen überzeugen. Die Reihenfolge ist keine Rangliste der Transkriptionsgenauigkeit. Ein Modell kann für ein Archiv genau richtig sein und für das Live-Gespräch, aus dem die Aufnahme stammt, ungeeignet.

1. Deepgram: Der erste Kandidat für einen Sprachagenten

Deepgram steht für einen Sprachagenten bei mir zuerst auf der Liste, weil Flux neben dem Transkript auch Signale zum Gesprächsverlauf ausgibt. Ein solches Signal teilt der Anwendung mit, dass der Anrufer offenbar fertig gesprochen hat. Für einen antwortenden Agenten ist das hilfreicher als ein weiteres korrekt erkanntes Wort. Nova-3 deckt separat die allgemeine Transkription ab: Aufnahmen, Untertitel und Aufgaben, die keine im Modell integrierte Erkennung des Gesprächsbeitragsendes benötigen.

Ein Buchungsassistent hört etwa: „Ich brauche einen Termin am Freitag … nein, am Montag.“ Ein vorläufiges Transkript hilft, eine Antwort vorzubereiten. Es reicht aber nicht aus, um bereits Freitag zu buchen. Die Anwendung muss laufende Sprache, ein vermeintliches Beitragsende und die Fortsetzung eines Beitrags unterscheiden. Der Flux-Schnellstart dokumentiert dafür die Ereignisse EndOfTurn, optional EagerEndOfTurn und TurnResumed.

Daraus ergibt sich ein konkreter Vorteil bei der Integration: Die Antwortregeln des Agenten lassen sich ausdrücklich festlegen. Eine frühzeitige Vorbereitung ist nur sinnvoll, wenn sie sich abbrechen lässt, sobald der Anrufer weiterspricht. Aktionen wie eine Terminbestätigung müssen weiterhin die eigene Entscheidungs- und Bestätigungslogik der Anwendung durchlaufen. Vorausschauend zu arbeiten hilft nur, wenn aus einer Korrektur keine falsche Aktion entsteht.

Geeignet für: Live-Sprachagenten und Teams, die allgemeine Transkription und Gesprächsführung mit getrennten Modellen umsetzen wollen.
Besonderheit: Native Gesprächsereignisse bei Flux; Nova-3 für Dateien und Untertitel.
Preis: Ab $0.0043/Minute beziehungsweise $0.258/Audiostunde für einsprachige Dateien mit Nova-3; die Tabelle unterscheidet Live-Modelle und Zusatzkosten.
Kostenlos testen: Laut Deepgrams Preisseite $200 Guthaben, ohne Kreditkarte.

Die Grenze liegt bei der Übertragbarkeit von Funktionen und Sprachumfang zwischen den Modellen. Flux English ist ein englischsprachiges Modell. Flux Multilingual nennt Englisch, Spanisch, Französisch, Deutsch, Hindi, Russisch, Portugiesisch, Japanisch, Italienisch und Niederländisch. Die längere Sprachliste von Nova macht Flux nicht automatisch für jede im Produkt benötigte Sprache geeignet. Ebenso bedeutet Novas Rolle als allgemeines Transkriptionsmodell nicht, dass es die Gesprächssteuerung von Flux mitbringt.

Anforderungen an Sprecherkennzeichnungen verändern ebenfalls Integration und Kosten. Die aktuelle Dokumentation zur Diarisierung empfiehlt den versionierten Parameter diarize_model. Batch- und Streaming-Diarisierung verwenden unterschiedliche Varianten. Wird die reine Batch-Version für einen Stream angefordert, folgt ein Validierungsfehler. Bei einem Meeting-Produkt müssen deshalb die Sprecherkennzeichnungen genau in der Antwort geprüft werden, die später gespeichert wird. Ein erfolgreiches Batch-Beispiel belegt kein identisches Verhalten des Live-Endpunkts.

Ein kleiner Prototyp kann zudem Skalierungsgrenzen verdecken. Deepgrams PAYG-Preisseite nennt bis zu 150 gleichzeitige Speech-to-Text-WebSocket-Verbindungen und 50 REST-Anfragen. Gemeint ist die parallele Verarbeitung, nicht die Gesamtzahl der Stunden pro Monat. Eine Anwendung, die zu Arbeitsbeginn alle Kundengespräche gleichzeitig öffnet, muss diese Spitze einplanen, auch bei geringer Durchschnittsnutzung.

Empfehlung: Flux ist vor allem wegen seiner Gesprächssteuerung interessant. Benötigt das Produkt lediglich durchsuchbare Aufnahmen nach dem Anruf, sind Nova-3 oder eine auf Dateien ausgerichtete Alternative der bessere Ausgangspunkt. Die ausführliche Deepgram-Preisübersicht erklärt die weitere Tarifstruktur.

So gelingt die erste Flux-Integration

1. 1

   Das passende Gesprächsmodell wählen

   Für Englisch eignet sich flux-general-en; flux-general-multi kommt nach Prüfung der dokumentierten Sprachen infrage. Ausgangspunkt sind der aktuelle Flux-Schnellstart des Anbieters und der WebSocket-Pfad /v2/listen.

2. 2

   Die Audioeinstellungen auf das Eingangssignal abstimmen

   Bei rohem linear16-Audio muss die tatsächliche Abtastrate angegeben werden; Deepgram empfiehlt im Schnellstart 16000. Für unterstützte Audio-Containerformate gilt der dokumentierte Weg zur automatischen Erkennung. Widersprüchliche Einstellungen für Roh-Audio gehören dort nicht dazu.

3. 3

   Textausgabe und Gesprächssteuerung getrennt behandeln

   Transkriptaktualisierungen werden angezeigt oder zwischengespeichert; EndOfTurn wird als eigenes Ereignis verarbeitet. Für den Einstieg gilt der dokumentierte Standardwert 0.7 für eot_threshold. Eine vorgezogene Antwortgenerierung sollte erst hinzukommen, wenn TurnResumed verarbeitet wird und eine noch nicht abgeschlossene Antwort abgebrochen werden kann.

4. 4

   Typische Unterbrechungen der Nutzer durchspielen

   Ein Anrufer korrigiert ein Datum, hält beim Suchen einer Kontonummer inne oder fällt dem Agenten ins Wort. Dabei ist zu prüfen, ob die Anwendung wartet, wieder zuhört und die Korrektur beibehält. Das sind vorgeschlagene Abnahmeprüfungen, keine für diesen Vergleich durchgeführten Tests.

2. Mistral Voxtral 3: Vielversprechend für Dateien, mit klaren Preview-Grenzen

Mistrals Voxtral 3 ist schon jetzt einen Test für die Dateitranskription wert, besonders wenn eine in der EU gehostete API oder ein eigener Betrieb gefragt ist. Die Transkriptionsfamilie ging am 20. Oktober 2026 in die öffentliche Preview. Sie umfasst Voxtral Mini Transcribe 3 und Voxtral Small Transcribe 3 für Aufnahmen sowie Voxtral Mini Transcribe Realtime 3 für Live-Audio. Das sind eigenständige Optionen, kein einzelnes Modell mit zuschaltbarem Streaming.

Für die Produktplanung ist die Folge klar: Eine App, die Kundeninterviews importiert, kann Mini prüfen, ohne für eine Live-Sitzung zu zahlen oder eine Gesprächssteuerung aufzubauen. Ein Telefonagent benötigt dagegen das Realtime-Modell und ein eigenes Konzept für den Antwortzeitpunkt. Mistrals Dateimodelle unterstützen 50 Sprachen; beim Realtime-Modell sind 45 Sprachen und Dialekte angegeben. Diese modellspezifischen Zahlen gehören in die Produktanforderungen.

Mistral positioniert Small als das qualitativ stärkere Dateimodell. Das ist Mistrals eigene Einordnung, kein hier gemessenes Genauigkeitsergebnis. Entscheidend ist, ob Small Fehler in den relevanten Aufnahmen behebt: bei Kundennamen, Produktcodes, Akzenten oder gleichzeitig sprechenden Personen. Besteht Mini bereits die eigenen Abnahmeprüfungen, ist ein größeres Modell nicht automatisch die bessere Produktentscheidung.

Geeignet für: Dateitranskription mit EU-Hosting als Option und Teams, die die neue Voxtral-Generation prüfen.
Besonderheit: Getrennte Transkriptionsmodelle Mini, Small und Realtime mit ausdrücklich dokumentierten Betriebsmodi.
Preis: Ab $0.0035/Minute beziehungsweise $0.21/Audiostunde für die Dateitranskription mit Mini; kommerzielle Konditionen für den Eigenbetrieb gibt es nur auf Anfrage.
Kostenlos testen: Die zitierten Modellseiten beziffern kein kostenloses Transkriptionskontingent. Vor der Planung kostenloser Verarbeitung ist das eigene Konto zu prüfen.

Die wichtigste Einschränkung steht in der ausführlichen Speech-to-Text-Übersicht: Live-Diarisierung und die Erkennung des Gesprächsbeitragsendes können nicht in derselben Sitzung laufen. Dass die Modellfamilie beide Funktionen bietet, bedeutet nicht, dass eine einzelne Anfrage sie kombinieren kann.

Ein Beispiel: Ein Agent soll Anrufern sofort antworten und zugleich ein Protokoll mit Sprecherzuordnung für Vorgesetzte erstellen. Mistrals Leitfaden zur Diarisierung empfiehlt, das Beitragsende live zu erkennen, das Audio aufzubewahren und die Aufnahme anschließend zu diarisieren. Diese Architektur ist umsetzbar, benötigt aber einen zusätzlichen Verarbeitungsschritt. Sind Live-Sprecherkennzeichnungen und Gesprächssignale gleichzeitig erforderlich, muss eine andere Modellvariante geprüft werden. Eine Konfigurationsänderung hebt die Einschränkung nicht einfach auf.

Eine weitere Grenze betrifft Untertitel- und Schnittprodukte. Die aktuelle Dateidokumentation beschreibt Zeitstempel für Segmente, nicht für einzelne Wörter. Ein Segment kennzeichnet einen Sprachabschnitt; ein Wortzeitstempel ermöglicht es, ein bestimmtes Wort im Editor hervorzuheben oder anzusteuern. Das sind unterschiedliche Produktfunktionen. Ein gut lesbares Transkript kann trotzdem die zeitliche Genauigkeit vermissen lassen, die eine Oberfläche benötigt.

Auch Aussagen zum Audioverständnis verlangen Sorgfalt. Die Ankündigung der Modellfamilie beschreibt ein breiteres Sprachsystem. Der aktuelle Speech-to-Text-Leitfaden verweist für Fragen zu Audioinhalten und Übersetzungen zum Start jedoch auf einen Audio-in-Chat-Workflow mit Voxtral 2. Diese benachbarten Fähigkeiten sollten nicht als verifizierte Transkriptionsfunktionen von Voxtral 3 vermarktet werden. Der Preview-Status ist ein Grund, die verwendete Modellversion festzulegen und den konkreten Workflow zu bestätigen, kein Grund, das Angebot auszublenden.

Empfehlung: Voxtral Mini für Dateien in die engere Wahl nehmen; Realtime anhand der konkreten Gesprächsanforderungen prüfen. Bei angenommenen 1.000 Stunden Dateiaudio pro Monat kostet die reine Transkription mit Mini $210 und mit Small $240. Der Unterschied ist klein genug, dass der Korrekturaufwand entscheiden sollte. Weitere Modellkosten behandelt der separate Mistral-Preisleitfaden.

3. AssemblyAI: Der benötigte Transkriptionsworkflow entscheidet

AssemblyAI passt zu Produkten, die strukturierte Transkripte und klar auswählbare Zusatzfunktionen für deren Verarbeitung benötigen. Universal-2 ist die Dateioption mit breiter Sprachabdeckung. Universal-3.5 Pro ist ein anderes Dateimodell mit weniger Sprachen und zusätzlichen Prompt-Möglichkeiten. Für Live-Produkte gelten bei Universal-Streaming und Universal-3.6 Pro Realtime jeweils eigene Preise und Fähigkeiten. Der Markenname allein reicht nicht aus, um den später eingesetzten API-Aufruf festzulegen.

Eine Anwendung zur Gesprächsauswertung zeigt den Nutzen: Der Kunde lädt eine Aufnahme hoch, die App erzeugt Äußerungen mit Zeitstempeln, und ein Prüfer erkennt, welcher Sprecher eine Zusage gemacht hat. Anschließend lässt sich entscheiden, ob das Produkt auch eine Zusammenfassung, Entitätserkennung oder die Unkenntlichmachung sensibler Inhalte braucht. Diese Zusatzfunktionen erfüllen unterschiedliche Aufgaben. Wer alles einschaltet, erhöht leicht die Kosten, ohne die für den Nutzer entscheidende Ansicht zu verbessern.

Die aktuelle Preisseite führt Wortzeitstempel und Formatierung als Bestandteil der Dateitranskription auf; Sprecherdiarisierung ist eine Zusatzoption. Separat wird Speaker Identification beschrieben, das allgemeine Sprecherkennzeichnungen durch Namen oder Rollen ersetzen kann. Diese Unterscheidung zählt: Für manche Wiedergabeoberflächen genügt „Sprecher A“. Ein Coaching- oder Qualitätssicherungsworkflow kann dagegen die Zuordnung „Kunde“ oder „Mitarbeiter“ benötigen.

Geeignet für: Produkte zur Auswertung aufgezeichneter Gespräche und Anwendungen mit strukturierter Transkriptverarbeitung.
Besonderheit: Getrennte Funktionen für Dateien, Echtzeit und optionale Sprachanalyse.
Preis: Ab $0.15/Audiostunde für Universal-2-Dateien oder Universal-Streaming; Sprecherkennzeichnungen kosten zusätzlich.
Kostenlos testen: Anmeldung ohne Kreditkarte; der Anbieter nennt je nach Modell und Kontingent bis zu 185 Stunden für Aufnahmen und bis zu 333 Streaming-Stunden.

Die Grenze liegt bei der unterschiedlichen Sprachabdeckung je nach Modell und Preisstufe. Universal-2 nennt 99 Sprachen, Universal-3.5 Pro 18 und Universal-3.6 Pro Realtime 32. Die günstigere Variante Universal-Streaming Multilingual führt Englisch, Spanisch, Deutsch, Französisch, Portugiesisch und Italienisch auf. Wer die größte Sprachzahl des Anbieters pauschal für die eigene App bewirbt, verspricht womöglich eine Live-Funktion, die das gewählte Modell nicht liefern kann.

Für Produktverantwortliche empfiehlt sich eine Abnahmeliste, die Sprachen und Funktionen miteinander abgleicht. Sprechen Kunden Deutsch und Japanisch, muss jede benötigte Sprache zum ausgewählten Datei- oder Live-Modell passen. Danach folgt der Test mit schwierigem Material in diesen Sprachen. Eine Sprachzahl belegt nur, dass eine Sprache angeboten wird. Sie bestätigt weder die Eignung für den eigenen Wortschatz noch für bestimmte Mikrofonbedingungen oder Sprachwechsel.

Sprecherkennzeichnungen verändern auch den Kostenvergleich. Universal-3.5 Pro einschließlich Dateidiarisierung kostet insgesamt $0.23/Stunde. Universal-3.6 Pro Realtime einschließlich Diarisierung kommt auf $0.57/Stunde. Bei angenommenen 1.000 Stunden pro Monat ergeben sich für die jeweiligen Konfigurationen $230 und $570. Damit werden unterschiedliche Workflows abgedeckt. Die Differenz ist daher nicht einfach der Aufpreis, um dieselbe Aufgabe schneller zu erledigen.

Eine weitere Unterscheidung betrifft die synchrone API. Sie liefert ein fertiges Transkript innerhalb einer einzelnen Anfrage zurück. Ein asynchroner Dateiworkflow legt dagegen einen Auftrag an, dessen Ergebnis später eintrifft. Beides ist nicht automatisch mit einer dauerhaft offenen Live-Audioverbindung gleichzusetzen. Entscheidend ist das Nutzungserlebnis: Eine kurze Sprachnachricht verträgt einen kurzen Upload-und-Antwort-Ablauf; ein Anrufer, der auf eine Antwort wartet, braucht den Live-Modus.

Empfehlung: AssemblyAI bietet sich an, wenn das Transkript zu strukturierten Produktdaten wird. Vor der Modellwahl sollte feststehen, wie die Prüfoberfläche oder der nachgelagerte Datensatz aussieht. Benötigt die Ansicht sprecherzugeordnete Äußerungen, gehört diese Konfiguration von Anfang an in die Kalkulation. Reicht durchsuchbarer Text, muss keine Verarbeitung bezahlt werden, deren Ergebnis die Nutzer nie zu sehen bekommen.

4. ElevenLabs Scribe: Besonders interessant für mehrsprachige Aufnahmen

ElevenLabs Scribe gehört in die engere Wahl, wenn mehrsprachige Aufnahmen Sprecherkennzeichnungen, Wortzeitstempel und Markierungen für nichtsprachliche Geräusche benötigen. Scribe v2 dokumentiert 90+ Sprachen und Diarisierung für bis zu 32 Sprecher. Damit ist das Modell für Interviewarchive, Medienbibliotheken und Anwendungen zur Gesprächsauswertung relevant. Scribe v2 Realtime ist eine separate Live-Option mit eigenen Funktionsgrenzen.

In einer Medien-App laden Nutzer beispielsweise Interviews in mehreren Sprachen hoch. Das gewünschte Ergebnis ist mehr als ein Textabsatz: Die Oberfläche braucht anklickbare Wörter, Sprecherwechsel und eine Möglichkeit, Geräusche wie Lachen oder Applaus zu erhalten. ElevenLabs' Funktionsübersicht dokumentiert diese Elemente für das Dateimodell. Das ist ein konkreter Grund, Scribe zu prüfen, der über die gemeinsame Herkunft mit einem Produkt zur Sprachausgabe hinausgeht.

Wortzeitstempel sind besonders hilfreich, wenn das Transkript als Schnitt- oder Navigationsoberfläche dient. Ein Prüfer kann eine genaue Stelle der Aufnahme ansteuern, statt einen größeren Abschnitt durchsuchen zu müssen. Markierungen für Audioereignisse bewahren außerdem Kontext, den reiner Text verliert. Es handelt sich um Metadaten, die bewusst dargestellt oder gefiltert werden sollten. Sie gehören nicht ungeprüft als vermeintlich gesprochene Wörter in einen Suchindex.

Geeignet für: Mehrsprachige Anwendungen für Interviews, Medien und aufgezeichnete Gespräche.
Besonderheit: Sprecherkennzeichnungen, Wortzeitstempel und Audioereignis-Markierungen für Dateien in einem Angebot.
Preis: Ab $0.22/Audiostunde für Scribe v2-Dateien; Scribe v2 Realtime kostet $0.39/Stunde.
Kostenlos testen: Die Free/PAYG-Preistabelle weist enthaltene Scribe-Nutzung aus. Vor der Annahme separater Gratiskontingente für jedes Modell muss das gemeinsame Tarifkontingent geprüft werden.

Die entscheidende Grenze ist die Annahme, das Live-Modell übernehme die Diarisierung des Dateimodells. Die für diesen Vergleich geprüfte Live-Funktionsliste und WebSocket-Referenz dokumentieren keine Sprecherkennzeichnungen. Damit fehlt eine Grundlage für die Freigabe dieser Funktion; es ist keine Aussage darüber, ob der Anbieter sie jemals anbieten kann. Ist Live-Sprecherzuordnung zwingend, muss vor der Wahl von Scribe Realtime eine dokumentierte, unterstützte Konfiguration vorliegen.

Die Live-API dokumentiert dagegen vorläufige und bestätigte Transkripte. Für die Browserintegration verwendet der clientseitige Leitfaden ein serverseitig erzeugtes Einmaltoken, damit der dauerhafte API-Schlüssel nicht an den Browser gelangt. Das ist ein konkreter Ausgangspunkt für eine Mikrofonfunktion in einer Webanwendung. Die Oberfläche kann vorläufige Wörter anzeigen und bestätigte Segmente getrennt davon festhalten.

Für Aufnahmen gelten laut Dokumentation standardmäßige Uploadgrenzen von 3 GB und 10 Stunden. Im Mehrkanalmodus lassen sich Sprecher-IDs aus Kanalnummern ableiten. Das hilft, wenn die Audioquelle die Beteiligten bereits trennt. Diese Trennung sollte erhalten bleiben, sofern das Aufnahmegerät sie bereitstellt. Wer ein Modell die Identitäten aus einer gemischten Spur erschließen lässt, verwirft womöglich bereits vorhandene Informationen.

Vokabularfunktionen gehören separat in die Kalkulation. Die API-Preisseite nennt für Keyterm-Prompting im Batch-Modus zusätzlich $0.05/Stunde. Eine angenommene Dateiverarbeitung von 1.000 Stunden kostet damit $220 zum Grundpreis oder $270 mit dieser Zusatzfunktion. Ein passendes Produktglossar kann den Aufpreis rechtfertigen. Es sollte jedoch wahrscheinlich gesprochene Begriffe enthalten, nicht jedes Wort aus dem gesamten Katalog.

Empfehlung: Scribe anhand der tatsächlich benötigten Funktionen für Aufnahmen bewerten. Mehrsprachige Dateien und gut nutzbare Transkriptmetadaten sichern dem Angebot hier seinen Platz. Für diesen Einsatz lässt sich mit ElevenLabs Scribe beginnen; zur Prüfung der Umsetzung dient die oben direkt verlinkte Dokumentation.

5. OpenAI: Aktuelle Modelle wählen und die Sprecherzuordnung bei der Migration prüfen

OpenAI passt zu Teams, die bereits auf dessen API aufbauen, sofern die aktuellen Transkriptionsmodelle die benötigten Funktionen liefern. Der Anbieter empfiehlt inzwischen gpt-transcribe für fertige Aufnahmen und gpt-live-transcribe für laufend eintreffendes Audio. Dort sollte eine neue Integration ansetzen. Wer eine ältere Whisper- oder GPT-4o-Anleitung übernimmt, baut womöglich bereits auf eine angekündigte Abschaltung zu.

Der offizielle Transkriptionsleitfaden unterscheidet die gestreamte Ausgabe einer Datei von Live-Eingaben. Eine Dateianfrage kann während der Verarbeitung einer fertigen Aufnahme bereits Textstücke zurückgeben. Eine Live-Sitzung empfängt dagegen Audio, dessen Übertragung noch nicht abgeschlossen ist. Diese Unterscheidung bestimmt das Übertragungsverfahren, das Verhalten bei Wiederholungsversuchen und den Zeitpunkt, an dem die Anwendung ein Transkript als vollständig betrachtet.

Für eine App, die Sprachnachrichten in durchsuchbaren Text verwandelt, ist die Dateiverarbeitung der naheliegende Ausgangspunkt. Ein Supportagent, der einem Anrufer in Echtzeit folgt, benötigt den eigens vorgesehenen Live-Workflow. Die Wahl sollte nicht allein davon abhängen, welcher Endpunkt zufällig schon in einem Codebeispiel an anderer Stelle der Anwendung auftaucht.

Geeignet für: Bestehende OpenAI-Anwendungen, die aktuelle Datei- oder Live-Transkription benötigen und Funktionsgleichheit mit älteren Modellen nicht voraussetzen.
Besonderheit: Getrennte empfohlene Modelle und gemeinsame Kontexteingaben für Prompts, Schlüsselwörter und erwartete Sprachen.
Preis: Für das empfohlene Dateimodell ab geschätzten $0.0045/Minute beziehungsweise $0.27/Audiostunde; Live-Transkription liegt bei geschätzten $1.02/Stunde.
Kostenlos testen: Die zitierte Preisseite belegt kein kostenloses Transkriptionskontingent.

Was kostet die Transkription bei OpenAI?

OpenAI kennzeichnet die Minutenpreise als geschätzte Kosten. Diese Einschränkung gilt deshalb auch für die umgerechneten Stundenpreise. Die aktuelle Preisseite führt außerdem das ältere gpt-4o-mini-transcribe mit geschätzten $0.003/Minute und gpt-4o-transcribe mit $0.006/Minute auf. Das entspricht $0.18 beziehungsweise $0.36 pro Audiostunde. Diese Preise helfen Bestandskunden bei der Einordnung einer Migration. Der günstigere Alttarif ist keine Empfehlung für ein neues Produkt.

Die Abkündigungsmitteilung sieht die Abschaltung von whisper-1, gpt-4o-transcribe, gpt-4o-mini-transcribe und gpt-4o-transcribe-diarize zum 26. Februar 2027 vor. Der aktuelle Dateileitfaden dokumentiert Ausgaben mit Sprecherkennzeichnungen weiterhin unter dem abgekündigten Diarisierungsmodell. Er weist darauf hin, dass ein Wechsel der Modell-ID nicht sämtliche Ausgabeformate und Metadatenfunktionen erhält.

Hier liegt die Grenze für eine Meeting-Anwendung. Ein Transkript, das bisher ein Sprecherfeld und Zeitinformationen zurückgab, lässt sich nicht ohne Produktänderung durch gewöhnlichen Text ersetzen. Zuerst müssen die von Datenbank und Oberfläche verwendeten Felder erfasst und mit der Antwort des Nachfolgers verglichen werden. Sind Sprecherkennzeichnungen unverzichtbar und beim aktuell empfohlenen Modell nicht dokumentiert, ist eine unterstützte Alternative zu prüfen. Die Migration ist dann mehr als der Austausch einer Zeichenfolge.

Der Dateileitfaden setzt außerdem eine Uploadgrenze von 25 MB. Eine einstündige Aufnahme muss je nach Kodierung komprimiert oder aufgeteilt werden. Dieser Schritt muss so gestaltet sein, dass an den Abschnittsgrenzen keine Wörter unbemerkt verloren gehen, Texte doppelt entstehen oder benötigter Kontext abreißt. Wenn Kunden beliebige Aufnahmen hochladen dürfen, ist eine Dateigrößengrenze eine Produktanforderung.

Für Fachvokabular akzeptieren die empfohlenen Modelle einen Prompt, wörtlich angegebene Schlüsselwörter und erwartete Sprachen. Dieser Kontext sollte die Aufnahme und die voraussichtliche Terminologie beschreiben. Er ist ein Hinweis, keine Aufforderung, nicht gesprochene Wörter ins Transkript zu zwingen. Auch die für Whisper genannte Sprachzahl darf nicht als Angabe für die neuen Modelle übernommen werden: Der aktuelle Leitfaden beschreibt Spracheingaben, nennt dafür aber keine gemeinsame Gesamtzahl.

Empfehlung: OpenAI für einen aktuell dokumentierten Workflow wählen. Ein bereits funktionierender alter Transkriptionscode reicht als Begründung nicht aus. Bei bestehenden Integrationen müssen vor der Umstellung die benötigten Felder erfasst werden. Bei einem neuen Produkt, das stark auf Sprecherzuordnung angewiesen ist, kann diese Bestandsaufnahme direkt zu einem anderen Anbieter führen.

6. Google Cloud Speech-to-Text API: Sinnvoll im passenden Cloud-Workflow

Google Cloud Speech-to-Text bietet sich an, wenn die Transkription Teil eines bestehenden Google-Cloud-Workflows ist oder zeitversetzte Batch-Verarbeitung zum Produkt passt. Speech-to-Text V2 Standard und Dynamic Batch unterscheiden sich preislich deutlich. Chirp 3 bringt eine weitere Auswahlentscheidung hinzu: Modell, API-Methode, Sprache und Region müssen gemeinsam die benötigten Funktionen unterstützen.

Ein nächtlicher Archivauftrag und ein Live-Telefonassistent sollten nicht mit derselben Google-Tarifposition kalkuliert werden. Das Archiv kann warten, während Audio mit geringerer Dringlichkeit verarbeitet wird. Der Assistent braucht die Wörter sofort, um antworten zu können. Googles Preisseite beschreibt Dynamic Batch als vergünstigte, zeitversetzte Verarbeitung, nicht als günstigen Live-Endpunkt.

Geeignet für: Google-Cloud-Anwendungen, Archive mit Warteschlangenverarbeitung und Teams, die modellspezifische Konfigurationen verwalten können.
Besonderheit: Getrennte Verarbeitungsoptionen V2 Standard und Dynamic Batch.
Preis: Ab $0.003/Minute beziehungsweise $0.18/Audiostunde für V2 Dynamic Batch; Standard-Erkennung in der ersten Nutzungsstufe kostet $0.016/Minute beziehungsweise $0.96/Stunde.
Kostenlos testen: Die auf der Preisseite genannten V1-Freiminuten dürfen nicht in ein V2-Budget übernommen werden. Anwendbare Kontoguthaben sind separat zu prüfen.

Die Frist bestimmt die Google-Rechnung

Bei angenommenen 1.000 Audiostunden im Monat entstehen zum angegebenen Standardpreis $960 Transkriptionskosten; Dynamic Batch kommt auf $180. Die Differenz von $780 ergibt sich daraus, dass zeitversetzte Verarbeitung akzeptiert wird. Das lohnt sich für ein Archiv, dessen Ergebnisse erst zur nächsten Auswertungsrunde benötigt werden. Ein Live-Kundengespräch lässt sich damit nicht zum Batch-Preis führen. Speicher und andere Google-Cloud-Ressourcen verursachen zusätzliche Kosten.

Dieselbe Sorgfalt ist bei Sprecherkennzeichnungen nötig. Die Dokumentation von Chirp 3 unterstützt Live-Transkription über StreamingRecognize, beschreibt Sprecherdiarisierung jedoch als Funktion außerhalb des Streamings und mit einem kleineren Sprachumfang. Für ein Archiv mit Sprecherkennzeichnungen gilt die dokumentierte Batch-Konfiguration. Unterstützte Live-Transkription allein rechtfertigt kein Versprechen, dass dasselbe Modell auch live diarisieren kann.

Googles Produktseite nennt 85+ Sprachen und Varianten für Chirp 3. Der Zusatz „und Varianten“ ist relevant: Eine Anbieterzahl kann regionale Sprachformen mitzählen und damit anders zustande kommen als die Liste eines anderen Anbieters. Noch wichtiger ist, dass die Verfügbarkeitsmatrix zwischen Freigabestatus und unterstützten Funktionen unterscheidet. Ein Produkt, das eine bestimmte regionale Sprachvariante und Sprecherkennzeichnungen benötigt, muss beide Voraussetzungen erfüllen.

Die Grenze liegt beim Umfang der Konfiguration. Sobald mehrere Sprachen, Regionen und Verarbeitungsmodi gefragt sind, reicht die Auswahl von chirp_3 nicht mehr aus. Die gewählte Kombination sollte in der Anwendungskonfiguration festgehalten werden; nicht unterstützte Kombinationen müssen eindeutige Fehler auslösen. Sonst wird eine Funktion, die in einer englischen Batch-Demo funktioniert, zur unerklärten Lücke, sobald ein Kunde eine andere Sprache hochlädt oder in den Live-Modus wechselt.

Auch die kanalweise Abrechnung verdient Beachtung. Google berechnet jeden verarbeiteten Audiokanal. Eine Aufnahme mit getrennten Spuren für Mitarbeiter und Anrufer kann wertvoll sein, weil sie die Rolleninformation erhält. Abgerechnet wird jedoch nach der verarbeiteten Kanaldauer. Das muss berücksichtigt werden, bevor ein Stereo-Gesprächsarchiv mit einem Einkanalbeispiel eines anderen Anbieters verglichen wird.

Empfehlung: Google wählen, wenn der umgebende Workflow dafür spricht. Für ein bestehendes Google-Cloud-Archiv kann zeitversetzte Verarbeitung gut passen. Bei einem neuen Sprachagentenprojekt sollte die normale Live-Konfiguration mit spezialisierten Angeboten verglichen werden. Der beworbene Dynamic-Batch-Preis ist dafür kein sinnvoller Ausgangspunkt.

7. Speechmatics: Wenn Betriebsumgebung und Live-Sprecherzuordnung entscheiden

Speechmatics gehört weit nach oben auf die Liste, wenn ein Enterprise-Betrieb in eigener Infrastruktur oder live zugeordnete Sprechersegmente erforderlich sind. On-Premises bedeutet, dass die Verarbeitung innerhalb einer selbst kontrollierten Infrastruktur erfolgt. Speechmatics führt Container, virtuelle Appliances und hybride Bereitstellung als Teil seines Enterprise-Angebots auf. Die kommerziellen Konditionen gibt es nur auf Anfrage. Öffentliche Cloud-Preise sagen nichts Verbindliches über die Kosten einer privaten Installation aus.

Die Modellwahl ist genauso wichtig wie die Betriebsumgebung. Melia 1 ist die mehrsprachige Familie für Dateien und Echtzeit; Linden 1 bildet die Grundlage von Agent STT. Laut Modelldokumentation gibt Linden sprecherzugeordnete Segmente und Nachrichten zum Gesprächsverlauf zurück. Das macht es zu einem relevanten Kandidaten, wenn eine Anwendung sowohl den Wortlaut als auch die Sprecherzuordnung in einer Gesprächsstruktur benötigt.

Ein Supportassistent am gemeinsam genutzten Freisprechtelefon löst eine andere Aufgabe als die Diktierfunktion für eine einzelne Person. Jemand kann sich ins Gespräch einschalten, oder Stimmen im Hintergrund können sich mit denen des eigentlichen Anrufers überlagern. Vor der Modellwahl muss feststehen, ob der Agent einer Stimme folgen, Beteiligte unterscheiden oder lediglich ein zuordenbares Protokoll bewahren soll. Die Ausgabestruktur sollte dieser Entscheidung dienen und nicht erst nachträglich ergänzt werden.

Geeignet für: Produkte mit festen Vorgaben für die Betriebsumgebung und Teams, die Live-Gespräche mit Sprecherzuordnung prüfen.
Besonderheit: Private Enterprise-Bereitstellungsoptionen und ein eigenes Modell für Agent STT.
Preis: Melia 1 für Dateien beginnt im PAYG-Tarif ohne Rabatte bei $0.24/Audiostunde; Linden Agent STT kostet $0.30/Stunde; privater Betrieb ist nur auf Anfrage erhältlich.
Kostenlos testen: Laut Preisseite $100 Guthaben, ohne Kreditkarte.

Die Einschränkung beim Preis wird leicht übersehen. Die öffentliche Preisseite kann einen niedrigeren Melia-Preis anzeigen, der bereits Rabatte für Modelltraining und Volumenguthaben enthält. Der Rechner weist für die reine PAYG-Dateiverarbeitung $0.24/Stunde aus. Mit der Einwilligung zum Trainingsrabatt darf Audio protokolliert, aufbewahrt und zur Verbesserung des Dienstes verwendet werden. Das ist eine eigene Entscheidung zur Datenverarbeitung, kein bedingungsloser Preisnachlass bei unverändertem Vertrag.

Bei Live-Funktionen gibt es zwei weitere Grenzen. Erstens unterstützt Melia in Echtzeit derzeit keine Sprecherdiarisierung, wohl aber Kanaldiarisierung. Kanaldiarisierung nutzt bereits getrennte Eingangskanäle; Sprecherdiarisierung erschließt unterschiedliche Stimmen aus dem Audio. Laut Modellleitfaden muss der Client im Live-Modus von Melia außerdem das Ende einer Äußerung erkennen und ForceEndOfUtterance senden.

Zweitens beschreibt Lindens aktuelle Agent-STT-Seite die Gesprächssignale als pausenbasiert. Die serverseitige semantische Erkennung des Beitragsendes ist noch angekündigt. Pausenerkennung wartet auf eine akustische Unterbrechung. Semantische Erkennung berücksichtigt zusätzlich, ob die Person ihren Gedanken offenbar abgeschlossen hat. Beide Ansätze können nützlich sein, reagieren aber unterschiedlich, wenn ein Anrufer mitten in einer Referenznummer innehält.

Bei der Sprachunterstützung ist dieselbe Sorgfalt nötig. Melia nennt 56 Sprachen und die Transkription gemischtsprachiger Inhalte. Lindens Seite führt 55+ Sprachen auf, kündigt die vollständige mehrsprachige Unterstützung aber erst an. Dass einzelne Sprachen jeweils unterstützt werden, belegt nicht, dass innerhalb eines Gesprächs frei zwischen ihnen gewechselt werden kann. Ein mehrsprachiges Callcenter muss genau dieses Szenario prüfen. Melias Verhalten lässt sich nicht allein aufgrund desselben Anbieters auf Linden übertragen.

Empfehlung: Speechmatics für eine klar benannte Anforderung wählen und dann das Modell bestimmen, das sie tatsächlich erfüllt. Besonders interessant wird das Angebot, wenn Live-Sprecherzuordnung oder der Verarbeitungsort eine einfachere Alternative ausschließen. Im Enterprise-Angebot sollten Modell und Funktionskombination ausdrücklich benannt sein. „On-Premises-Spracherkennung“ ist als Eignungsnachweis zu ungenau.

Welche Speech to Text API passt zum Anwendungsfall?

Ändern sich die benötigte Ausgabe oder der Betriebsmodus, kann sich auch die Empfehlung ändern. Ausgangspunkt ist die Anforderung, ohne die das Produkt scheitern würde. Erst danach werden die verbleibenden Kandidaten mit eigenen Aufnahmen und den erwarteten Kosten verglichen.

Für einen Sprachagenten, der natürlich antworten soll, ist Deepgram Flux der erste Kandidat. Ausschlaggebend ist die Gesprächssteuerung. Steht Live-Sprecherzuordnung im Mittelpunkt, gehört Speechmatics Linden direkt in den ersten Vergleich; sein pausengestütztes Verhalten muss dabei geprüft werden. Mistral Realtime ist zu prüfen, wenn dessen Betriebsoptionen relevant sind. Die dokumentierte Trennung zwischen Live-Erkennung des Beitragsendes und Diarisierung muss dabei eingeplant werden.

Für aufgezeichnete Interviews oder Medien in vielen Sprachen ist ElevenLabs Scribe der erste Kandidat. Sprecherkennzeichnungen für Dateien, Wortzeitstempel und Audioereignis-Markierungen lassen sich in eine gut nutzbare Prüfoberfläche übersetzen. AssemblyAI Universal-2 ist ebenfalls einen Test wert, sofern seine Sprachliste die Eingaben abdeckt. Voxtral Mini ist eine sinnvolle Dateioption, wenn Segmentzeitstempel genügen und das Preview-Modell die eigenen Anforderungen erfüllt.

Für strukturierte Gesprächsanalysen bilden die benötigten Datenfelder den Ausgangspunkt. AssemblyAI liegt nahe, wenn sprecherzugeordnete Äußerungen und optionale Verarbeitungsschritte zum Workflow passen. Deepgram Nova-3 ist eine weitere Option für Dateien und Streaming. Werden Mitarbeiter und Kunde bereits getrennt aufgezeichnet, sollten diese Kanäle erhalten bleiben, bevor über die Notwendigkeit modellseitig abgeleiteter Sprecherkennzeichnungen entschieden wird.

Für ein Google-Cloud-Archiv mit Warteschlange muss V2 Dynamic Batch zur Ergebnisfrist passen. Der Rabatt hilft nur, wenn die Anwendung verzögerte Ergebnisse akzeptiert. Wartet ein Nutzer vor dem Bildschirm auf den Abschluss, sollte dieses Erlebnis separat gemessen werden. Derselbe Auftrag lässt sich nicht zwangsläufig unbemerkt in eine Warteschlange mit geringerer Dringlichkeit verschieben.

Für eine bestehende OpenAI-Anwendung ist das aktuell empfohlene Modell für den jeweiligen Modus der Ausgangspunkt. Die bequeme Integration verliert ihren Vorrang, sobald bisherige Sprecherkennzeichnungen, Untertitel oder andere Metadaten zwingend sind und beim Nachfolger nicht dokumentiert werden. Eine geplante Migration ist ein guter Anlass, Abhängigkeiten zu prüfen, statt die Anbieterwahl automatisch fortzuschreiben.

Für die Verarbeitung in eigener Infrastruktur gehören die dokumentierten Enterprise-Betriebsoptionen von Speechmatics und Deepgram sowie Mistrals Angebot zum Eigenbetrieb auf die Liste. Nicht veröffentlichte kommerzielle Konditionen erfordern bei allen ein Angebot. Neben der Lizenz sind Hardware, Unterstützung bei der Bereitstellung, unterstützte Modelle und Zuständigkeiten für Updates zu vergleichen. Ein öffentlicher Cloud-Preis pro Audiostunde entscheidet diesen Einkauf nicht.

Bekannte Sprecherrollen erhalten, bevor das Modell sie erschließen muss

Getrennte Kanäle für Mitarbeiter und Anrufer sollten erhalten bleiben, wenn die Quelle sie liefert. Ein bekannter Aufnahmekanal kann eine Rolle bewahren, die eine Diarisierung aus einer gemischten Spur erst ableiten müsste. Diese Architekturentscheidung fällt vor der Wahl des Transkriptionsanbieters.

Wird ein Gespräch mit dem Mitarbeiter auf einem Kanal und dem Anrufer auf einem anderen aufgezeichnet, kennt die Anwendung die Zuordnung bereits. Werden beide vor der Transkription zu einer Spur zusammengeführt, geht diese Information verloren. Ein Diarisierungsmodell kann die Stimmen zwar in anonyme Sprecher aufteilen. Deren Rollen müssen anschließend aber erneut zugeordnet werden.

ElevenLabs dokumentiert für seinen Mehrkanal-Dateimodus aus Kanälen abgeleitete Sprecher-IDs. Deepgram, AssemblyAI und Google beschreiben ausdrücklich die Abrechnung pro Kanal. Der Zielkonflikt ist damit konkret: Erhaltene Kanäle können die Zuordnung vereinfachen, erhöhen aber möglicherweise die abgerechnete Audiomenge. Ein Einkanal-Kostenansatz darf nicht ohne diese Anpassung mit einer Mehrkanalverarbeitung im Produktivbetrieb verglichen werden.

Ein Konferenzmikrofon liefert eine andere Ausgangslage. Mehrere Stimmen teilen sich bereits eine Spur; Kanalkennzeichnungen können die einzelnen Personen daher nicht wiederherstellen. Hier werden Sprecherdiarisierung und eine Möglichkeit benötigt, Fehler bei gleichzeitig sprechenden oder ähnlich klingenden Personen zu prüfen. Sprecherzuordnung und Identität müssen getrennt bleiben: Eine anonyme Sprecherkennzeichnung wird nicht allein deshalb zu einem verifizierten Kundennamen, weil sie in strukturiertem JSON erscheint.

Dasselbe Prinzip gilt für nachgelagerte Zusammenfassungen. Originaltranskript, Sprecherkennzeichnungen und Quellenverweis sollten neben jeder generierten Zusammenfassung erhalten bleiben. Bestreitet ein Kunde, wer eine Erstattung zugesagt hat, muss die Anwendung zur betreffenden Audiostelle zurückführen können. Ein glatt formulierter Absatz reicht dafür nicht.

Wie die Auswahl zustande kam

Die Empfehlungen zur Umsetzung beruhen auf einer Dokumentationsprüfung zu einem festgehaltenen Zeitpunkt, nicht auf einer unabhängigen Genauigkeitsrangliste. Preise und konkrete Fähigkeiten wurden am 21. Oktober 2026 anhand der Preis- oder Dokumentationsseiten der Anbieter geprüft. Für diesen Artikel wurden weder kostenpflichtige Transkriptionsanfragen ausgeführt noch vergleichende Audiobenchmarks durchgeführt.

Die Auswahl orientiert sich an fünf Fragen:

• Verarbeitet das benötigte Modell fertige Dateien, Live-Audio oder beides?
• Liefert der gewählte Modus die Sprecherkennzeichnungen, Zeitstempel und Gesprächssignale, die das Produkt braucht?
• Sind die tatsächlich benötigten Sprachen und das Verhalten bei Sprachwechseln dokumentiert?
• Kann der Dienst in der vorgegebenen Betriebsumgebung laufen?
• Was kostet die gewählte Konfiguration einschließlich benötigter Zusatzfunktionen und unter Berücksichtigung der Kanäle?

Die eigene Analyse besteht hier in der Umrechnung auf Stundenpreise und der Prüfung, welche Funktionen je Modell und Modus zusammenpassen. Dadurch werden Unterschiede sichtbar, die eine pauschale Funktionsliste je Anbieter verdeckt: die unvereinbaren Live-Funktionen von Voxtral, OpenAIs abgekündigte Metadaten-Workflows, Chirps Sprecherkennzeichnungen außerhalb des Streamings und Melias Unterscheidung zwischen Kanal- und Sprecherdiarisierung.

Ein Genauigkeitsvergleich würde für alle Anbieter dieselben repräsentativen Aufnahmen, Referenztranskripte und Bewertungsregeln benötigen. Einen solchen Vergleich liefert dieser Artikel nicht. Formulierungen wie „am genauesten“ oder Verweise auf gewonnene Benchmarks bleiben Aussagen des jeweiligen Anbieters. Daraus lässt sich keine Rangfolge der hier vorgestellten Produkte ableiten.

Für eine eigene Prüfung sollte Erfolg aus Sicht des Produkts definiert werden. Ein durchsuchbares Interviewarchiv verträgt möglicherweise Unterschiede in der Zeichensetzung, scheitert aber an fehlenden Namen. Ein Buchungsagent kann jedes Wort erkennen und den Anrufer trotzdem zum falschen Zeitpunkt unterbrechen. Für eine Anwendung zur Gesprächsauswertung ist zuverlässige Sprecherzuordnung womöglich wichtiger als elegante Formatierung. Bewertet werden sollte das Verhalten, das das Ergebnis für den Nutzer verändert. Diese Kategorien müssen bei der Auswertung getrennt bleiben.

Der Vergleich beschränkt sich auf diese sieben API-Anbieter für Entwickler. Fertige Meeting- und Bearbeitungsprodukte werden separat behandelt. Andere Anbieter können für bestimmte Sprachen oder Infrastrukturvorgaben einen Test verdienen. Dass sie hier fehlen, bedeutet nicht, dass sie einen Genauigkeitstest nicht bestanden hätten.

Welche Kombinationen vermieden werden sollten

Auch bei einem grundsätzlich passenden Anbieter kann das falsche Modell die Aufgabe verfehlen. Folgende Kombinationen passen bei Einkauf und Umsetzung nicht zusammen:

• OpenAIs abgekündigte GPT-4o-Transkriptionsmodelle und die Whisper API für eine neue, langfristig geplante Integration. Durch die dokumentierte Abschaltung steht die Migration bereits fest. Aktuelle Modelle verwenden oder einen anderen Anbieter auf Eignung prüfen.
• Voxtral Mini Transcribe Realtime 3, wenn dieselbe Sitzung Diarisierung und die Erkennung des Gesprächsbeitragsendes kombinieren muss. Der ausführliche Leitfaden schließt diese Konfiguration ausdrücklich aus.
• Google Dynamic Batch für Live-Interaktionen. Der niedrigere Preis setzt zeitversetzte Verarbeitung voraus. Ein Anrufer, der auf eine Antwort wartet, kann damit nicht bedient werden.
• Scribe Realtime, wenn Live-Sprecherkennzeichnungen ohne Einschränkung erforderlich sind. Bevor die Diarisierung des Dateimodells als Live-Funktion eingeplant wird, muss dokumentierte Unterstützung vorliegen.
• Speechmatics Melia in Echtzeit, wenn Sprecher aus dem Audio unterschieden werden müssen. Kanaldiarisierung ist eine andere Fähigkeit; die passende Modellvariante muss gesondert geprüft werden.

Auch ein beworbener Spitzenwert bei der Genauigkeit reicht als Auswahlkriterium nicht aus. Ein Modell, das im Anbietertest gewinnt, kann ungeeignet sein, weil eine benötigte Sprache, Zeitmetadaten oder eine Betriebsoption fehlen. Solche Ausschlusskriterien lassen sich bereits vor einem Test prüfen.

Häufige Fragen zur Spracherkennungs-API

Welche Speech to Text API lässt sich kostenlos testen?

Kostenloses Guthaben eignet sich dazu, die später kostenpflichtige Konfiguration zu prüfen. Deepgram nennt $200 Guthaben, Speechmatics $100; AssemblyAI veröffentlicht modellabhängige Gratiskontingente. Kostenlose Nutzung verspricht keine unbegrenzte Kapazität im Produktivbetrieb. Vor dem Hochladen eines Archivs muss klar sein, welche Modelle, Modi und Zusatzfunktionen das Kontingent abdeckt.

Wie wird eine Speech to Text API mit Python eingebunden?

Verarbeitungsmodus und Modell sollten vor dem Python-Beispiel feststehen. Für die aktuelle Dateitranskription mit OpenAI beginnt der offizielle Leitfaden bei gpt-transcribe; Mistrals Audio-Schnellstart verwendet das aktuelle Voxtral-Mini-Modell. Für Live-Agenten ist der aktuelle Streaming-Schnellstart des Anbieters der Ausgangspunkt. Dessen Verbindungs- und Gesprächsereignisse müssen implementiert werden. Eine Modell-ID aus einer älteren Anleitung sollte nicht ohne Abgleich mit der aktuellen Dokumentation übernommen werden.

Was ist bei der Google Speech-to-Text API zu beachten?

Bei einer neuen V2-Integration werden zunächst Modell und Erkennungsverfahren festgelegt. Anschließend folgt die Prüfung der Sprach- und Funktionsmatrix. Standard-Erkennung und Dynamic Batch unterscheiden sich in Preis und Dringlichkeit. Chirp 3 unterstützt Live-Transkription; der dokumentierte Workflow für Sprecherkennzeichnungen arbeitet jedoch außerhalb des Streamings.

Wie gelingt der Einstieg in eine Transkriptions-API?

Am Anfang steht eine repräsentative Aufnahme oder eine einzelne Live-Sitzung mit dem aktuellen Schnellstart des Anbieters. Zuerst werden die vom Produkt benötigten Antwortfelder geprüft. Danach kommen schwierige Sprachaufnahmen, gleichzeitig sprechende Personen und die erforderlichen Sprachen hinzu. Erst anschließend sollten die maximale parallele Nutzung getestet und die monatlichen Kosten für genau diese Konfiguration berechnet werden.

Der nächste Schritt zur Integration

In der kommenden Woche sollten zwei Konfigurationen verglichen werden, die beide die schwierigste Anforderung erfüllen können. Bei einem Live-Assistenten könnte das Flux im Vergleich zu Linden mit Sprecherzuordnung sein. Für eine mehrsprachige Interview-App bietet sich Scribe im Vergleich zu einem geeigneten Dateimodell von AssemblyAI oder Voxtral an. Die benötigten Antwortfelder und möglichen Fehlerfälle sollten feststehen, bevor die Aufnahmen verarbeitet werden.

Ein kleiner Abnahmedatensatz sollte gewöhnliche Sprache und problematische Situationen enthalten: ein korrigiertes Datum, einen unbekannten Namen, gleichzeitig sprechende Beteiligte und einen Sprachwechsel, sofern dieser bei den eigenen Kunden vorkommt. Transkriptionsfehler werden getrennt von Fehlern bei Sprecherzuordnung und Gesprächssteuerung erfasst. Anschließend lässt sich die Rechnung anhand genau des getesteten Modus, der Kanäle und der erforderlichen Zusatzfunktionen schätzen.

Mit der AI Business Workflow Audit Checklist lassen sich Audioquelle, benötigte Ausgabe und Übergaben erfassen, bevor die API ausgewählt wird. Zur Checkliste.