Unsere Einordnung
Entscheiden Sie zuerst, ob das Audio nachträglich vorliegt oder während des Gesprächs eintrifft: Das bestimmt die API für aufgezeichnete Dateien oder die Echtzeit-API, und die Sprechertrennung ist für beide dokumentiert. Wählen Sie das Modell danach nach Ihren Sprachen, denn Preis- und Startseite nennen unterschiedliche Modellgenerationen und Sprachzahlen. Klären Sie das in der technischen Dokumentation, bevor Sie sich festlegen.
Ausgangspunkt: Wann das Audio eintrifft
AssemblyAI bildet diese Entscheidung als getrennte APIs ab. Die API für aufgezeichnete Audioinhalte transkribiert Audio- und Videodateien mit Sprecherlabels und Formatierung. Die Echtzeit-API nimmt einen Audiostrom entgegen und liefert den Text, während gesprochen wird. Eine synchrone API gibt für einen kurzen Clip den fertigen Text in derselben Anfrage zurück.
Jiminny zeigt, warum die Trennung zählt. Das Produktteam wollte Streaming-Transkription, um Nutzer genau im Moment des Gesprächs zu unterstützen, und Sprecherlabels, um die Beteiligten zu unterscheiden. Die vom Anbieter veröffentlichte Fallstudie nennt Zuwächse wie mindestens 51 % mehr Kundenzufriedenheit; das sind Angaben von Anbieter und Kunde, kein unabhängiger Test.
Braucht Ihr Produkt den Text erst nach dem Anruf, ist die Datei-API die einfachere Wahl. Laut der Fallstudie hat Aloware die automatische Anruftranskription in sechs Wochen ausgeliefert und für Anrufprüfung und Qualitätssicherung genutzt.
Was Kosten und Grenzen verändert
Aufgezeichnetes Audio wird pro Stunde berechnet: Die Preisseite nennt 0,21 $ pro Stunde für Universal-3.5 Pro und 0,15 $ für Universal-2. Mehrkanaldateien werden pro Kanal abgerechnet, eine Stunde Stereo zählt also als zwei Stunden; jeder Kanal wird unabhängig transkribiert, was der Anbieter als genauer für Aufnahmen mit mehreren Sprechern darstellt.
Streaming folgt eigenen Regeln. Die Parallelität wird als kostenlos und automatisch skalierend beschrieben. Im kostenlosen Tarif können Sie bis zu 5 neue Streaming-Verbindungen pro Minute öffnen. Bei Pay-as-you-go liegt das Startlimit bei 100 Sitzungen pro Minute und steigt um 10 %, sobald Sie 70 % oder mehr davon nutzen. Prüfen Sie auf der Preisseite und in der Dokumentation, wie Streaming-Zeit gemessen wird, bevor Sie lange Anrufe kalkulieren.
Modell und Sprachen: zwei Seiten, zwei Antworten
Die Preisseite führt Universal-3.5 Pro mit 18 Sprachen und das günstigere Universal-2 mit 99 Sprachen. Die Startseite beschreibt Universal-3.6 Pro für aufgezeichnetes Audio samt Echtzeit-Variante, jeweils mit 32 Sprachen und Sprachwechsel, und nennt insgesamt mehr als 99 Sprachen. Diese Unterschiede bei Namen und Sprachen werden in den Quellen nicht aufgelöst; nur die Dokumentation zeigt, welches Modell und welche Liste für Ihr Konto gelten.
Sprache und Zeitgenauigkeit waren bei Kapwing der Wechselgrund. Der CTO schildert, dass die frühere API bei Wortzeiten und Übersetzung fremder Sprachen nicht genau genug war und AssemblyAI gemeinsam mit dem Team Wortfehlerrate und Zeitgenauigkeit verglich. Auch Dovetail verglich Anbieter vor der Wahl. Beides sind Darstellungen des Anbieters; die Lehre ist, einen solchen Vergleich mit Ihren eigenen Aufnahmen zu wiederholen.
Sprechertrennung: wer spricht, live oder nachträglich
Die Sprechertrennung (Diarisierung) ist für aufgezeichnete und Echtzeit-Modelle verfügbar, und der Anbieter gibt an, seine Modelle selbst zu trainieren. Die Sprecheridentifikation ersetzt anschließend Labels wie „Speaker A“ durch echte Namen oder Rollen. Die Preisseite führt Zusatzfunktionen in einem eigenen Reiter: Prüfen Sie dort, ob die Diarisierung Ihre Stundenkosten ändert.
Zwei Fallstudien zeigen unterschiedliche Nutzung. Dovetail, das Interviews und Support-Anrufe aufnimmt, berichtet in seinem eigenen Vergleich von rund 10 % besseren Sprecherlabels. Aloware bietet sprechergetrennte Transkripte und Stimmungsanalyse je Sprecher in seinem Sprachanalyse-Produkt. Liegt jede Stimme auf einem eigenen Kanal, lohnt ein Test mit kanalweiser Transkription, mit der oben genannten Mehrkanal-Abrechnung.
Fachbegriffe und was mit der Ausgabe geschieht
Für die API mit aufgezeichnetem Audio nennt die Preisseite Keyterms Prompting, eigene Schreibweisen, Füllwörter, Spracherkennung und Zeitstempel pro Wort. Die Startseite ergänzt Medizin- und Veterinärmodus mit Fachvokabular sowie einen Rechtsmodus, der als bald verfügbar markiert ist. Grenzen für Keyterm-Listen nennen die gelesenen Quellen nicht; das klärt die Dokumentation.
Wortzeitstempel tragen echte Funktionen. Kapwing nutzt genaue Wortzeiten, um Videos über das Transkript zu schneiden und Untertitel Wort für Wort zu animieren. CallRail geht einen anderen Weg: Anrufe laufen durch ein Zusammenfassungsmodell, das mit einem einzigen API-Aufruf Stichpunkte, Überschrift, Kernaussage oder Absatz liefert, ergänzt um Stimmungsanalyse.
Schutzfunktionen, Datenhaltung und Testphase
Eine Guardrails-API erkennt und entfernt personenbezogene Daten und unsichere Inhalte in Sprachdaten. Aloware nennt das Entfernen personenbezogener Daten unter den mit AssemblyAI ausgelieferten Funktionen. Zur Aufbewahrung gibt der Anbieter an, dass Streaming weder Audio noch Transkripte speichert, wenn Sie das Modelltraining ablehnen. Bei aufgezeichnetem Audio werden Uploads innerhalb von 24 bis 48 Stunden gelöscht und Transkripte standardmäßig nach 30 Tagen, mit einer Lebensdauer von bis zu einer Stunde einstellbar. Bezahlte Konten können dem Training widersprechen.
AssemblyAI nennt ein SOC-2-Type-II-Audit und bietet einen Auftragsverarbeitungsvertrag an. Dieser legt fest, dass die Hauptverarbeitung in den USA stattfindet, und sieht Benachrichtigung und Widerspruchsrecht bei neuen Unterauftragsverarbeitern vor; das sollte Ihr Datenschutzteam lesen.
Der kostenlose Tarif verlangt keine Kreditkarte und umfasst bis zu 185 Stunden aufgezeichnetes Audio und 333 Stunden Streaming. Redaktioneller Vorschlag: Setzen Sie ihn für eine Stichprobe Ihrer lautesten Aufnahmen ein, einmal als Datei und einmal als Stream, und vergleichen Sie Sprecherlabels und Fachbegriffe vor der Entscheidung.
Methodik und Grenzen
2026-11-13
Diese datierte Momentaufnahme zählt die einzelnen Unternehmen mit öffentlichen Kundennachweisen. CONFIRMED steht für eine Fallstudie, ein namentliches Zitat oder eine Pressequelle, DECLARED für eine Angabe des Unternehmens selbst, OBSERVED für eine Kundenliste des Anbieters und SIGNAL für eine Stellenanzeige. Alle vier Stufen zählen, ihre Aussagekraft ist aber unterschiedlich. Entfernte Einträge und Einträge ohne Stufe sind ausgeschlossen. Die Beispiele sind eine begrenzte Auswahl, die in den letzten 90 Tagen geprüft wurde. Die Angaben der Anbieter stammen aus Quellen, die in den letzten 60 Tagen geprüft wurden. Die Abdeckung ist ungleichmäßig, und wo Belege fehlen, ist der Stand unbekannt. Diese Zahlen messen weder Marktanteile noch die Leistung eines Produkts. Erfassungsdaten sind keine Einführungsdaten.
