Die Preise für Speech-to-Text wirken einfach: ein Preis pro Audiominute. In der Praxis nennen Anbieter Preise pro Minute, pro Stunde oder pro Sekunde, trennen Batch von Streaming und verkaufen Sprechererkennung und Schwärzung als Zusatzfunktionen. Diese Seite bringt die wichtigsten APIs auf eine Skala, mit Preisen, die wir am 14. und 15. November 2026 von der jeweiligen offiziellen Seite abgerufen haben (jede Quelle unten nennt ihr Datum).
Alle Preise sind Listenpreise für Pay-as-you-go in US-Dollar, für Batch-Audio (aufgezeichnet), sofern nicht anders angegeben. Mengenrabatte und Verträge sind nicht berücksichtigt.
Was kosten Speech-to-Text-APIs pro Minute und pro 1.000 Stunden?
| Anbieter und Modell | Pro Minute | Pro Stunde | Pro 1.000 Stunden |
|---|---|---|---|
| Groq, Whisper Large v3 Turbo | etwa 0,00067 USD | 0,04 USD | 40 USD |
| DeepSeek ASR, befristeter Preis (50 % unter Listenpreis) | etwa 0,00097 USD | 0,058 USD | 58 USD |
| Soniox, asynchron (Abrechnung pro Token; „etwa“ pro Stunde) | etwa 0,00167 USD | etwa 0,10 USD | etwa 100 USD |
| Groq, Whisper Large v3 | etwa 0,00185 USD | 0,111 USD | 111 USD |
| DeepSeek ASR, Listenpreis | etwa 0,00193 USD | 0,116 USD | 116 USD |
| BroadNet Transcribe (14 Sprachen) | $0.002 | $0.12 | $120.00 |
| AssemblyAI, Universal-2 | 0,0025 USD | 0,15 USD | 150 USD |
| OpenAI, gpt-4o-mini-transcribe (abgekündigt, Abschaltung am 2027-02-26) | 0,003 USD | 0,18 USD | 180 USD |
| Google, V2 Dynamic Batch | 0,003 USD | 0,18 USD | 180 USD |
| AssemblyAI, Universal-3.5 Pro | 0,0035 USD | 0,21 USD | 210 USD |
| Speechmatics, Melia 1 mehrsprachig (56 Sprachen) | 0,004 USD | 0,24 USD | 240 USD |
| BroadNet Transcribe Arabic | $0.0042 | $0.25 | $252.00 |
| Deepgram, Nova-3 einsprachig | 0,0043 USD | 0,258 USD | 258 USD |
| OpenAI, gpt-transcribe | 0,0045 USD | 0,27 USD | 270 USD |
| Deepgram, Nova-3 mehrsprachig | 0,0052 USD | 0,312 USD | 312 USD |
| OpenAI, whisper-1 / gpt-4o-transcribe (abgekündigt, Abschaltung am 2027-02-26) | 0,006 USD | 0,36 USD | 360 USD |
| AWS Transcribe, Batch (US East) | 0,006 USD | 0,36 USD | 360 USD |
| Speechmatics, Standard | 0,0075 USD | 0,45 USD | 450 USD |
| Speechmatics, Enhanced | 0,0125 USD | 0,75 USD | 750 USD |
| Google, V2 Standard (erste 500.000 Min.) | 0,016 USD | 0,96 USD | 960 USD |
Die Werte pro Stunde und pro 1.000 Stunden haben wir aus dem veröffentlichten Einheitspreis berechnet (pro Minute × 60, dann × 1.000). Groq, DeepSeek, AssemblyAI und Speechmatics veröffentlichen Preise pro Stunde; für die Spalte pro Minute haben wir durch 60 geteilt. Die Preisseite von DeepSeek listet die Speech-to-Text-API mit 0,116 USD pro Stunde und einem befristeten Rabatt von 50 %, ohne Enddatum; kalkulieren Sie daher mit dem Listenpreis. Die Tarife von Speechmatics sind die Listenpreise für aufgezeichnetes Audio; die Preisseite kann sie auch mit einem Rabatt von 33 % für die Freigabe zum Modelltraining und bis zu 25 % Mengenrabatt zeigen, womit Melia 1 auf etwa 0,12 USD pro Stunde sinkt. Der Rabatt von 33 % ist Opt-in: Wer teilnimmt, erlaubt Speechmatics, Audio und Transkripte zur Verbesserung seiner Modelle zu nutzen (laut FAQ der Preisseite, geprüft am 2026-11-15).
Soniox, DeepSeek ASR und die Whisper-Endpoints von Groq kosten pro Stunde alle weniger als beide BroadNet-Modelle. Die Preisseite von Soniox, geprüft am 2026-11-14, rechnet pro Token ab (1,50 USD pro 1 Mio. Input-Audio-Tokens und 3,50 USD pro 1 Mio. Output-Text-Tokens für asynchrone Verarbeitung) und gibt das mit „about“ (Übersetzung: „etwa“) 0,10 USD pro Stunde für Datei-Uploads und 0,12 USD pro Stunde für Echtzeit-Streaming an. Die Sprachenliste enthält Arabisch unter mehr als 60 Sprachen. Soniox nutzt eine eigene, jobbasierte API statt des OpenAI-Formats /v1/audio/transcriptions, ein Wechsel bedeutet also neuen Client-Code.
Eine Änderung, die Sie einplanen sollten: Die Abkündigungsseite von OpenAI, geprüft am 2026-11-15, listet whisper-1, gpt-4o-transcribe, gpt-4o-mini-transcribe und gpt-4o-transcribe-diarize als abgekündigt (angekündigt am 26. August 2026), mit Abschaltung am 26. Februar 2027 und gpt-transcribe oder gpt-live-transcribe als Nachfolger. Die Preisseite markiert dieselben vier Modelle als abgekündigt. Wenn Sie heute eine OpenAI-Pipeline kalkulieren, rechnen Sie mit gpt-transcribe zu 0,0045 USD pro Minute. Das ist pro Stunde mehr als beide BroadNet-Modelle, aber OpenAI verkauft auch Live-Transkription (gpt-live-transcribe, 0,017 USD pro Minute), die BroadNet nicht anbietet. Diese Seite vergleicht nur Preise; wenn Sie von whisper-1 weg migrieren, erklärt der Leitfaden zu Whisper-API-Alternativen, wie Sie einen Ersatz mit Ihrem eigenen Audio testen und was beim Wechsel bricht. Um Ihre eigenen Mengen mit diesen Tarifen durchzurechnen, nutzen Sie den Speech-to-Text-Kostenrechner.
Das vollständige Bild liefert unser offener Preisindex für Speech-to-Text-APIs: Er listet Batch- und Streaming-Preise, Abrechnungsschritte und Arabisch-Unterstützung für mehr als 20 Produkte, jeweils mit der Preisseite des Anbieters abgeglichen (CSV und JSON).
Was lässt der Grundpreis weg?
Der Preis pro Minute ist selten die ganze Rechnung. Prüfen Sie Folgendes, bevor Sie vergleichen:
| Posten | Was die Seiten sagen |
|---|---|
| Sprechererkennung (Diarization) | Deepgram: für aufgezeichnetes Audio inklusive, 0,0020 USD/Min. Aufpreis beim Streaming. AWS: im Standardpreis enthalten. AssemblyAI: +0,02 USD/Std. OpenAI: eigenes Modell gpt-4o-transcribe-diarize zu 0,006 USD/Min., abgekündigt, Abschaltung am 2027-02-26. |
| Schwärzung personenbezogener Daten (PII) | Deepgram: 0,0020 USD/Min. AWS: 0,0024 USD/Min. (Stufe 1). AssemblyAI: Textschwärzung +0,08 USD/Std. bei Universal-2 und +0,12 USD/Std. bei Universal-3.5 Pro; Audioschwärzung +0,05 USD/Std. |
| Streaming | AWS: 0,01 USD/Min. gegenüber 0,006 USD bei Batch. Deepgram Nova-3 einsprachig: 0,0048 USD beim Streaming (Aktionspreis, gültig bis 2027-02-13) gegenüber 0,0043 USD für aufgezeichnetes Audio. Speechmatics Melia 1: 0,40 USD/Std. in Echtzeit gegenüber 0,24 USD/Std. für aufgezeichnetes Audio. |
| Mindestabrechnung | Groq berechnet mindestens 10 Sekunden pro Anfrage. AWS rechnet sekundengenau ohne Minimum ab. Google rundet jede Anfrage auf die nächste volle Sekunde auf. |
| Mengenstaffeln | Google V2 Standard sinkt nach 500.000 Minuten pro Monat auf 0,01 USD/Min. und oberhalb von 1 Million weiter. Bei AWS sind Standard-Batch und Streaming inzwischen Festtarife; die Mengenstaffeln gelten für Zusatzfunktionen wie Schwärzung. |
Für ein Callcenter, das Sprechererkennung und Schwärzung braucht, kostet Deepgram Nova-3 für aufgezeichnetes Audio mit Schwärzung 0,0063 USD pro Minute und AWS 0,0084 USD. Ein günstiger Grundpreis mit teuren Zusatzfunktionen kann gegen einen höheren Grundpreis verlieren, in dem sie enthalten sind.
Was kostet die Transkription von 10.000 Sprachnachrichten im Monat?
Angenommen, ein Support-Postfach erhält 10.000 WhatsApp-Sprachnachrichten im Monat, jede 30 Sekunden lang. Das sind 5.000 Minuten.
- Bei 0,006 USD pro Minute (AWS Batch oder das abgekündigte whisper-1 von OpenAI): 30 USD.
- Bei 0,0045 USD (OpenAI gpt-transcribe): 22,50 USD.
- Bei 0,0043 USD (Deepgram Nova-3): 21,50 USD.
- Mit BroadNet Transcribe Arabic: $21.00.
Mindestabrechnungen spielen hier eine Rolle. Das 10-Sekunden-Minimum von Groq ändert an der Rechnung für diese 30-Sekunden-Nachrichten nichts, rechnet eine zweisekündige „ok“-Nachricht aber als 10 Sekunden ab. Bei einem Minimum von 15 Sekunden kostet diese zweisekündige Nachricht genauso viel wie eine von 15 Sekunden. Den vollständigen Ablauf für Sprachnachrichten beschreibt Sprachnachrichten in Text umwandeln für Unternehmen.
Was zählt neben dem Preis?
Ein günstigeres Modell, das jedes fünfte Wort falsch erkennt, kostet mehr an menschlicher Korrektur, als es einspart. Messen Sie vor einem Wechsel die Wortfehlerrate an 30 bis 50 Ihrer eigenen Aufnahmen pro Sprache. Unser Leitfaden zu Whisper-Alternativen zeigt, wie Sie diesen Test an einem Nachmittag durchführen, und der Kaufratgeber für Speech-to-Text-APIs für Arabisch behandelt die Bewertung Dialekt für Dialekt.
Weitere Fragen jenseits des Preises:
- Sprachen. BroadNet Transcribe deckt 14 Sprachen ab (vollständige Liste); laut OpenAI unterstützt Whisper (das abgekündigte
whisper-1) 98 Sprachen mit unterschiedlicher Genauigkeit. - Dateilimits. OpenAI begrenzt Uploads auf 25 MB und BroadNet auf 25 MiB; teilen Sie lange Gespräche also auf.
- Aufbewahrung. Audio ist oft sensibler als Text. Fragen Sie, ob Audio und Transkripte gespeichert werden; siehe Datenaufbewahrung bei LLM-APIs im Vergleich.
Wo BroadNet Transcribe hineinpasst
BroadNet Transcribe kostet $0.002 pro Minute ($0.12 pro Stunde) in 14 Sprachen: Englisch, Spanisch, Französisch, Deutsch, Italienisch, Portugiesisch, Griechisch, Niederländisch, Polnisch, Chinesisch, Japanisch, Koreanisch, Vietnamesisch und Arabisch. BroadNet Transcribe Arabic kostet $0.0042 pro Minute und ist für arabische Dialekte gebaut; seine Platzierung im Open Universal Arabic ASR Leaderboard laut BroadNet: #2 von 37 (Angabe für September 2026; die Live-Rangliste führte das Modell am 15. November 2026 auf #4 von 39). Beide nutzen den OpenAI-kompatiblen Endpoint /v1/audio/transcriptions, akzeptieren WAV oder MP3 bis 25 MiB und speichern weder Audio noch Transkripte (Zero Data Retention). Das Startguthaben von $5 reicht für etwa 1,190 Minuten arabisches Audio; erstellen Sie einen Schlüssel, um Ihre eigenen Dateien zu testen.
Wo es nicht passt: BroadNet listet weder Streaming-Transkription noch integrierte Sprechererkennung oder Schwärzung als Zusatzfunktion. Brauchen Sie Live-Untertitel oder Sprecherkennzeichnung direkt von der API, bieten Deepgram, AssemblyAI und AWS beides. OpenAI bietet Live-Transkription, aber sein einziges Modell zur Sprecherkennzeichnung ist abgekündigt. Vergleichen Sie die beiden BroadNet-Modelle direkt auf der Vergleichsseite oder sehen Sie alle Preise unter Preise.
