Wenn Sie Transkription in eine App, ein Call-Center-Werkzeug, einen Notizassistenten oder einen Sprach-Agenten einbauen, brauchen Sie eine Speech-to-Text-API, keine Diktier-App. Dieser Beitrag vergleicht sechs der meistgenutzten Optionen anhand dessen, was ihre eigenen Seiten angeben: Modelle, Streaming-Unterstützung, bemerkenswerte Funktionen und Listenpreis, jeweils Stand: Oktober 2026.
Zuerst eine klare Offenlegung, denn viele finden diesen Beitrag über unsere Seite: LumeVoice ist keine API. Es ist eine Diktier-App für Menschen auf Mac, Windows, iPhone und Android. Sie halten eine Taste, sprechen, und sauberer Text erscheint in der App, die Sie gerade nutzen. Es gibt keine Entwickler-API, kein SDK und keinen Tarif pro Minute. Wenn Sie Entwicklerin oder Entwickler sind und einfach mit Ihrem Editor oder Coding-Agenten sprechen statt tippen möchten, geht es auf unserer Entwicklerseite darum. Wenn Sie Spracherkennung in Software einbauen, lesen Sie weiter.
Wir haben diese APIs nicht per Benchmark getestet und nennen keine Genauigkeitswerte. Veröffentlichte Ergebnisse hängen vom Testdatensatz ab, und der einzige Wert, der zählt, ist der auf Ihrem Audio.
Im Überblick#
| API | Modelle (Okt. 2026) | Streaming | Listenpreis | Kostenlos starten |
|---|---|---|---|---|
| OpenAI | gpt-transcribe, gpt-4o-transcribe, gpt-4o-mini-transcribe, whisper-1 | Ja (Realtime-Modelle) | 0,003–0,006 $/Min. für Dateien; 0,017 $/Min. in Echtzeit | Open-Source-Whisper zum Selbsthosten |
| Deepgram | Nova-3 (mono und mehrsprachig), Flux | Ja | 0,0043–0,0052 $/Min. vorab aufgenommen; 0,0048–0,0078 $/Min. Streaming | 200 $ Guthaben |
| AssemblyAI | Universal-3.5 Pro, Universal-2, Universal-Streaming | Ja | 0,15–0,21 $/Std. Dateien; ab 0,15 $/Std. Streaming | 50 $ Guthaben |
| Google Cloud | Speech-to-Text V2 | Ja | 0,016 $/Min. Standard (erste Stufe); 0,003 $/Min. dynamischer Batch | Siehe Hinweis zum Gratis-Kontingent |
| Azure AI Speech | Echtzeit-, Fast- und Batch-Transkription, MAI Transcribe | Ja | Pro Audiostunde, siehe Preisrechner | 5 Std./Monat (Gratis-Tarif) |
| Amazon Transcribe | Batch und Streaming | Ja | Pro Minute je Region | 60 Min./Monat für 12 Monate |
Wischen, um alle Spalten anzuzeigen
Was Sie vor dem Preisvergleich entscheiden sollten#
Dateien oder Live-Audio? Batch-Transkription (vorab aufgenommen) ist günstiger und einfacher. Streaming ist für Untertitel, Sprach-Agenten und alles, worauf ein Mensch wartet. Manche Modelle können nur eines von beidem.
Welche Sprachen? Viele Anbieter haben getrennte Modelle für Englisch und für mehrere Sprachen zu unterschiedlichen Preisen. Prüfen Sie die Sprachliste für das genaue Modell.
Welche Extras? Sprecherkennzeichnung (Diarisierung), Schwärzung personenbezogener Daten, eigenes Vokabular oder Schlüsselbegriffe, Zeitstempel und Übersetzung werden überall unterschiedlich bepreist und unterstützt.
Wohin gehen die Daten? Lesen Sie die Bedingungen zu Datennutzung und Aufbewahrung der Anbieter und ob Audio standardmäßig zur Verbesserung von Modellen verwendet werden darf. Regulierte Branchen sollten auf Vereinbarungen wie eine BAA achten, bevor sie Audio senden.
Wie wird abgerechnet? Pro Minute, pro Stunde, pro Sekunde oder pro Token; mit oder ohne Mindestabnahme; Streaming nach Audio oder nach Verbindungszeit. Diese Details verändern Ihre tatsächlichen Kosten stärker als der Listenpreis.
1. OpenAI: einfache Dateitranskription plus Realtime#
OpenAI Speech-to-Text
Fazit: Einfachster Einstieg, besonders wenn Sie OpenAI schon nutzen
OpenAIs Preisseite listet mehrere Transkriptionsmodelle mit geschätzten Kosten pro Minute: gpt-4o-mini-transcribe etwa 0,003 $, gpt-transcribe etwa 0,0045 $, gpt-4o-transcribe und whisper-1 etwa 0,006 $ sowie gpt-4o-transcribe-diarize (mit Sprecherkennzeichnung) etwa 0,006 $. Für Live-Audio kosten gpt-live-transcribe und gpt-realtime-whisper etwa 0,017 $ pro Minute und gpt-realtime-translate etwa 0,034 $ (OpenAI-Preise).
- Gut für: ein API-Schlüssel für Transkription und den Rest Ihres KI-Stacks; ein Diarisierungsmodell; die Whisper-Familie ist außerdem Open Source, sodass Sie sie selbst hosten können (Whisper auf GitHub).
- Beachten Sie: Die neueren Modelle werden in Tokens abgerechnet, die Minutenwerte sind also Schätzungen von OpenAI.
2. Deepgram: auf Streaming ausgelegt#
Deepgram
Fazit: Starke Wahl für Live-Sprach-Apps
Deepgrams Pay-as-you-go-Seite listet Nova-3 Monolingual mit 0,0043 $ pro Minute vorab aufgenommen und 0,0048 $ im Streaming, Nova-3 Multilingual mit 0,0052 $ und 0,0058 $ sowie die reinen Streaming-Modelle Flux mit 0,0065 $ (Englisch) und 0,0078 $ (mehrsprachig) pro Minute. Einige Streaming-Preise wurden als zeitlich begrenzte Aktionspreise gezeigt, mit durchgestrichenem Standardpreis. Neue Konten erhalten 200 $ Guthaben (Deepgram-Preise).
- Gut für: Echtzeit-Transkription für Sprach-Agenten und Live-Produkte; getrennte Modelle für eine und für mehrere Sprachen.
- Beachten Sie: Aktions-Streaming-Preise können sich ändern; prüfen Sie für die langfristige Budgetierung den Standardpreis.
3. AssemblyAI: pro Stunde abgerechnet, funktionsreich#
AssemblyAI
Fazit: Am besten für Dateien mit vielen Extras
AssemblyAI listet Universal-3.5 Pro mit 0,21 $ pro Stunde und Universal-2 mit 0,15 $ pro Stunde für vorab aufgenommenes Audio. Streaming kostet 0,15 $ pro Stunde für Universal-Streaming (Englisch oder mehrsprachig) und ab 0,45 $ pro Stunde für Universal-3.6 Pro Realtime; Streaming wird nach Verbindungszeit abgerechnet, nicht nach gesendetem Audio. Neue Konten erhalten 50 $ Guthaben ohne Karte (AssemblyAI-Preise).
- Gut für: Extras auf derselben Plattform: Sprecherdiarisierung, Keyterms-Prompting, Entitätserkennung, PII-Schwärzung (47+ Sprachen bei Universal-2), Übersetzung in über 100 Sprachen für vorab aufgenommenes Audio und ein Medical Mode für Englisch, Spanisch, Deutsch und Französisch.
- Beachten Sie: Abrechnung nach Verbindungszeit beim Streaming; schließen Sie untätige Sitzungen.
4. Google Cloud Speech-to-Text#
Google Cloud Speech-to-Text
Fazit: Beste Wahl, wenn Sie schon auf Google Cloud laufen
Googles Preisseite listet die V2-Standarderkennung mit 0,016 $ pro Minute für die ersten 500.000 Minuten im Monat, in Stufen fallend auf 0,004 $ ab 2.000.000 Minuten. Dynamic Batch, für Audio, auf das Sie warten können (laut Google innerhalb von 24 Stunden), ist mit 0,003 $ pro Minute gelistet (Google-Cloud-Preise). Googles Seite zu den kostenlosen Tools nennt 60 Minuten Audio im Monat gratis; prüfen Sie, wie das auf die von Ihnen genutzte API-Version zutrifft.
- Gut für: Mengenrabatte, ein günstiger Batch-Weg und Abrechnung sowie IAM innerhalb von Google Cloud.
- Beachten Sie: Die Preise unterscheiden sich je nach API-Version und Modell, berechnen Sie also genau das, das Sie aufrufen werden.
5. Azure AI Speech#
Azure AI Speech
Fazit: Beste Wahl für Microsoft-Umgebungen
Azures Preisseite für Speech listet Echtzeit-, Fast- und Batch-Transkription sowie MAI-Transcribe-Modelle, jeweils pro Audiostunde in Ein-Sekunden-Schritten abgerechnet. Der Gratis-Tarif (F0) enthält 5 Audiostunden im Monat Standard-Echtzeit-Transkription, geteilt mit Custom Speech; Batch ist im Gratis-Tarif nicht enthalten (Azure-Speech-Preise). Azure zeigt die Preise nach Region, nutzen Sie also den Preisrechner für ein Angebot.
- Gut für: eigene Sprachmodelle, Unternehmensverträge und Datenresidenz in Azure-Regionen.
- Beachten Sie: Die Preise variieren je nach Region und Verpflichtungsstufe.
6. Amazon Transcribe#
Amazon Transcribe
Fazit: Beste Wahl, wenn Ihr Audio schon in AWS liegt
Amazon Transcribe bietet Batch- und Streaming-Transkription, pro Sekunde ohne Mindestabnahme abgerechnet, mit Preisen je Region und in Mengenstufen. Das Gratis-Kontingent gibt 60 Minuten im Monat für 12 Monate ab Ihrer ersten Anfrage; es deckt weder die automatische Inhaltsschwärzung noch eigene Sprachmodelle ab (Amazon-Transcribe-Preise).
- Gut für: S3-basierte Pipelines, eigene Sprachmodelle und Schwärzung, innerhalb von AWS-Sicherheit und -Abrechnung.
- Beachten Sie: Wählen Sie auf der Preisseite Ihre Region, um den tatsächlichen Preis zu sehen.
Häufige Fehler bei der Auswahl#
Nur Listenpreise vergleichen. Ein günstigerer Preis pro Minute kann teurer werden, sobald Sie Diarisierung, Schwärzung oder ein mehrsprachiges Modell hinzufügen oder wenn das Streaming auch für untätige Verbindungszeit abrechnet.
Auf sauberem Audio testen. Anbieter-Demos nutzen klare Sprache. Ihre Nutzer haben Freisprecheinrichtungen, Akzente, Durcheinanderreden und Fachjargon. Testen Sie damit.
Aktionspreise ignorieren. Deepgram zeigte im Oktober 2026 einige Streaming-Preise als zeitlich begrenzte Angebote. Planen Sie bei einem Jahresbudget mit dem Standardpreis.
Vergessen, dass das Gratis-Kontingent endet. Die Gratisminuten von AWS gelten 12 Monate; guthabenbasierte Angebote sind mit der Nutzung aufgebraucht.
Zu früh festlegen. Halten Sie Ihren Transkriptionsaufruf hinter einer kleinen Schnittstelle in Ihrem Code, damit Sie den Anbieter wechseln können, falls sich Preise oder Qualität ändern. Der Markt bewegt sich schnell, und Modelle, die dieses Jahr erscheinen, werden womöglich nächstes Jahr eingestellt.
So wählen Sie an einem Nachmittag#
- Sammeln Sie 20 echte Clips: Ihre Akzente, Ihr Lärm, Ihr Jargon, kurz und lang.
- Wählen Sie drei aus anhand der obigen Entscheidungen (live oder Dateien, Sprachen, Extras, Cloud).
- Lassen Sie dieselben Clips durch jede laufen und nutzen Sie dafür das Gratis-Guthaben. Lesen Sie die Transkripte nebeneinander und achten Sie auf Namen, Zahlen und Satzzeichen.
- Berechnen Sie Ihren tatsächlichen Monat, einschließlich Extras, untätiger Streaming-Zeit und Mengenstufen.
- Lesen Sie die Datenbedingungen, bevor Sie Kundenaudio senden.
Wo LumeVoice passt (und wo nicht)#
Zum Bauen von Software passt es nicht. LumeVoice betreibt Whisper large-v3-turbo auf Groq, mit Mistrals Voxtral als Ausweichlösung, hinter einer Diktier-App, und nichts davon wird als API angeboten. Wenn Sie eigentlich schneller diktieren möchten, in Slack, E-Mail, Ihre IDE oder einen Coding-Agenten, hilft es dort.
Diktieren statt bauen?
LumeVoice ist eine Diktier-App, keine API: Halten Sie eine Taste, sprechen Sie, und sauberer Text landet in Ihrem Editor, Terminal oder Chat. Jedes neue Konto erhält 3.000 kostenlose Wörter, ohne Kreditkarte.
