BroadRouter

Speech-to-Text (Spracherkennung)

Aktualisiert

Speech-to-Text, auch automatische Spracherkennung (ASR), ist eine Technik, die gesprochenes Audio in geschriebenen Text umwandelt. Eine Speech-to-Text API nimmt eine Audiodatei oder einen Stream entgegen und liefert ein Transkript, meist abgerechnet pro Audiominute. Die Genauigkeit wird mit der Wortfehlerrate gemessen und hängt von Akzent, Dialekt und Aufnahmequalität ab.

Auch genannt: Spracherkennung, automatische Spracherkennung, Transkription, Audio-Transkription, Sprache zu Text, Transkriptions-API, STT, ASR, speech-to-text, automatic speech recognition, transcription API, audio transcription, voice to text

Sprachnachrichten, Anrufe und Meetings enthalten Informationen, die Software erst durchsuchen kann, wenn sie als Text vorliegen. Speech-to-Text schließt diese Lücke.

So funktioniert es

Hugging Face definiert automatische Spracherkennung als „the task of transcribing a given audio to text“ (Übersetzung: „die Aufgabe, ein gegebenes Audio in Text zu transkribieren“). Ein modernes ASR-Modell wandelt das Audio in Merkmale um und erzeugt dann die wahrscheinlichste Wortfolge.

Über eine OpenAI-kompatible API laden Sie die Datei als Multipart-Formular an /v1/audio/transcriptions hoch:

curl https://inference.broadnet.ai/v1/audio/transcriptions \
  -H "Authorization: Bearer $BROADNET_API_KEY" \
  -F model=broadnet/cohere-transcribe-arabic \
  -F language=ar \
  -F file=@voice-note.wav

Die Antwort ist JSON mit dem Transkript in text. Anbieter begrenzen Dateigröße und Formate; der Endpoint von OpenAI selbst akzeptiert Dateien bis 25 MB (laut seinem Leitfaden zu Speech-to-Text, geprüft am 2026-11-15).

Warum es wichtig ist

  • Die Genauigkeit entscheidet über den Nutzen. Ein Transkript mit falschen Namen oder Zahlen kann schlechter sein als keines. Die Genauigkeit wird mit der Wortfehlerrate gemessen und sinkt bei Akzenten, Dialekten, durcheinander sprechenden Personen und Telefon-Audio.
  • Preis pro Audiostunde. STT wird pro Audiominute abgerechnet, das Volumen ist also leicht zu planen: Audiostunden mal Stundenpreis.
  • Datenschutz. Sprache enthält Namen, Telefonnummern sowie Gesundheits- oder Bankdaten. Fragen Sie, ob Audio und Transkripte gespeichert werden; siehe Zero Data Retention.
  • Pipelines. Ein Transkript geht oft als Nächstes an ein LLM, für Zusammenfassungen, Routing oder Extraktion.

Bei BroadNet Inference

Modell Sprachen Preis pro Minute Pro Stunde
BroadNet Transcribe Arabic Arabisch einschließlich Dialekten $0.0042 $0.25
BroadNet Transcribe 14 Sprachen $0.002 $0.12

Beide akzeptieren WAV oder MP3 bis 26.214.400 Bytes (25 MiB) pro Datei; eine größere Datei liefert 413. Senden Sie language=ar für Arabisch, sonst kann das Ergebnis in lateinische Buchstaben transliteriert zurückkommen. Laut BroadNet steht das arabische Modell auf Platz #2 von 37 (Angabe für September 2026; die Live-Rangliste führte das Modell am 15. November 2026 auf #4 von 39) im Open Universal Arabic ASR Leaderboard. Audio und Transkripte werden nicht gespeichert.

Andere Anbieter können günstiger sein. Am 2026-11-14 nannte die Preisseite von Soniox etwa 0,10 USD pro Stunde für die Transkription von Dateien (asynchron) und 0,12 USD pro Stunde in Echtzeit, und die Sprachliste von Soniox enthält Arabisch. Das liegt unter den $0.25 pro Stunde von BroadNet Transcribe Arabic. Testen Sie daher beide mit Ihrem eigenen Audio. Unser offener Preisindex für Speech-to-Text APIs listet mehr als 20 Produkte, jeweils mit Quelle und Datum für jeden Preis.

Beide Modelle laufen mit dem kostenlosen Startguthaben von $5, das etwa 1,190 Minuten arabisches Audio abdeckt. Beginnen Sie mit der Anleitung zu Speech-to-Text für Arabisch, konvertieren Sie WhatsApp-.ogg-Dateien mit der Anleitung zu Sprachnachrichten und vergleichen Sie Anbieter mit dem Ratgeber für den Kauf.

Häufige Fragen

Wie wird die Genauigkeit von Speech-to-Text gemessen?

Mit der Wortfehlerrate (WER), dem Anteil der Wörter, die ein Transkript gegenüber einer korrekten Referenz falsch hat. Niedriger ist besser. Messen Sie sie mit Ihren eigenen Aufnahmen, denn die Genauigkeit schwankt stark mit Akzent, Dialekt und Audioqualität.

Wie transkribiere ich Dateien, die größer als das Limit sind?

Teilen Sie das Audio in kürzere Stücke, am besten an Pausen, und transkribieren Sie jedes einzeln. Eine Komprimierung in MP3 verkleinert die Datei ebenfalls.

Warum kommt Arabisch manchmal in lateinischen Buchstaben zurück?

Ohne Sprachangabe transliterieren manche Modelle. Senden Sie bei BroadNet Inference für Arabisch language=ar.

Als Markdown lesenChatGPT fragenClaude fragenPerplexity fragen