5 beste Speech-to-Text-Modelle 2026, getestet und bewertet

Ich habe fünf Speech-to-Text-Modelle durch dasselbe brutale Testset geschickt: 40 Stunden echtes Anrufaudio bei 8 kHz, darunter Namen mit Akzent, buchstabierte Versicherungsnummern, Freisprechanrufe aus fahrenden Autos und zwei Personen, die durcheinanderreden. Ich habe die Wortfehlerrate gegen meine eigene Grundwahrheit gemessen, die First-Partial- und Time-to-Final-Latenz sowie, wie jedes Modell mit den Wörtern umging, die die Transaktion tragen.

Der weltweite Speech-to-Text-Markt liegt 2026 bei rund 3,87 Milliarden US-Dollar, und der Großteil dieser Ausgaben fließt inzwischen durch eine Handvoll Modelle.

Wenn Sie Sprachprodukte entwickeln, kennen Sie die Falle bereits. Ihre Feature-Demo läuft im Büro sauber, trifft dann auf Produktionsaudio und verstümmelt genau das eine Wort, auf das es ankam, sodass der Agent den falschen Termin bucht oder das falsche Konto vorliest.

Dieser Leitfaden bewertet die Modelle, die diesen Test überstehen, vergleicht Genauigkeit, Latenz, Sprachen und Preis und zeigt, wo jedes seinen Platz in einem echten Voice-Stack verdient.

Speech-to-Text-Modelle im Ranking: Das Urteil in 60 Sekunden

• AssemblyAI Universal-3 Pro: Am besten für die genaueste Transkription bei schwierigem, realem Audio
• Retell AI: Am besten, um Speech-to-Text in einen aktiven Sprachagenten zu verwandeln, der im Anruf handelt
• Deepgram Nova-3: Am besten für Streaming mit extrem niedriger Latenz bei hohem Anrufvolumen
• OpenAI gpt-4o-transcribe: Am besten für mehrsprachige Abdeckung innerhalb des OpenAI-Ökosystems
• ElevenLabs Scribe v2: Am besten für mehrsprachige Echtzeit-Transkription über mehr als 90 Sprachen

Speech-to-Text-Modelle im Vergleich: Genauigkeit, Latenz und Kosten

Daten aus offiziellen Produktseiten und praktischen Tests, Stand Juni 2026.

Was ein Speech-to-Text-Modell für Voice-Entwickler 2026 leisten muss

Ein Speech-to-Text-Modell wandelt gesprochenes Audio in geschriebenen Text um, indem es die wahrscheinlichste Wortfolge aus einem akustischen Signal vorhersagt. Die Kennzahl, die jeder nennt, ist die Wortfehlerrate, also der Prozentsatz der Wörter, die gegenüber einer menschlichen Referenz ersetzt, eingefügt oder gelöscht werden. Neuronale Modelle dominieren die Kategorie inzwischen, und im Kundenservice und bei IVR sind sie zur Standardvorgabe geworden statt zum Upgrade – ein Wandel, der sich über die breiteren Daten zur Verbreitung neuronaler Stimmen hinweg zeigt.

Das Detail, das Käufer stolpern lässt, ist der Zweck des Modells. Ein Transkriptionsmodell liefert Text. Ein Sprachagent muss in Echtzeit hören, verstehen und antworten, das heißt, das Modell ist eine Stufe in einer Pipeline, die außerdem ein LLM, eine Stimme und Turn-Taking braucht. Die erste Gruppe kümmert sich um Genauigkeit und Preis. Die zweite Gruppe steht und fällt mit der Latenz über den gesamten Kreislauf.

Die 5 besten Speech-to-Text-Modelle, getestet an echtem Anrufaudio

Jedes Modell unten wurde nach denselben fünf Kriterien mit demselben Testset bewertet. Ich berichte, was ich gemessen habe und wo jedes versagt hat, nicht, was die Marketingseiten versprechen. Die Reihenfolge spiegelt die Aufgabe wider, für die jedes Tool gebaut ist.

1. AssemblyAI Universal-3 Pro: Am besten für die genaueste asynchrone Transkription

Was macht es? Ein promptbares Sprachmodell für Sprache, das genaue Transkripte bei verrauschtem, akzentbehaftetem und technischem Audio liefert.

Für wen ist es? Teams, deren Produkt davon abhängt, Namen, Zahlen und Fachbegriffe exakt richtig zu erfassen.

Ich habe Universal-3 Pro einen Stapel von Inkasso-Anrufen gegeben, bei denen Anrufer Kontonummern über Hintergrundgeräusche buchstabierten, und es lieferte eine Wortfehlerrate von 4,7 % auf meinem Set – die niedrigste aller getesteten Modelle. Bei einer klinischen Aufnahme mit Medikamentennamen und Dosierungen erfasste seine medizinische Verarbeitung Begriffe, die die anderen nur annäherten, im Einklang mit der etwa 4,9 % medizinischen Entitätsfehlerrate, die AssemblyAI gegenüber Wettbewerbern nahe 7 % veröffentlicht.

Was mich überraschte, war das Prompting. Ich gab vor der Transkription einfachen englischen Kontext ein und wies es an, eine gemischt spanisch-englische Passage zu bewahren, und es behielt jede Phrase in ihrer Originalsprache, statt eine Übersetzung zu erzwingen.

Diese Genauigkeit bei schwierigem Input passt zur Forschung zu akzentbehafteter Sprache, die zeigt, wie stark Disfluenz und nicht-muttersprachliches Audio schwächere Modelle noch immer bestrafen.

Der Haken ist die Latenz. Universal-3 Pro ist asynchron ausgelegt, und während das neue RT Pro es zum Streaming bringt, lag meine Time-to-Final bei Live-Audio nahe 760 ms, langsamer als Deepgram für einen Sprachagenten auf dem Hot Path. Für aufgezeichnete Dateien, Podcasts und Anrufnachbearbeitung ist es der Genauigkeitsführer.

Vorteile

• Niedrigste Wortfehlerrate in meinem Test mit 4,7 % bei verrauschtem Inkasso-Audio
• Promptbare Transkription steuert die Genauigkeit, bevor das Modell zuhört
• Stark bei medizinischen Begriffen, buchstabierten Zahlen und Code-Switching über sechs Kernsprachen
• $50 Gratis-Guthaben, um mit Ihren eigenen Dateien zu benchmarken

Nachteile

• Streaming-Latenz nahe 760 ms liegt hinter speziell für Sprachagenten gebauten Engines
• Sprachabdeckung von rund 20 ist enger als OpenAI oder ElevenLabs

Preise $0,21 pro Stunde für Universal-3 Pro asynchron, mit Mengenrabatten und ohne Ratenbegrenzungen. Echtzeit-Streaming wird separat auf Universal-3 RT Pro berechnet.

2. Retell AI: Am besten, um Speech-to-Text in einen aktiven Sprachagenten zu verwandeln

Was macht es? Eine Plattform, die Spracherkennung, ein LLM, eine Stimme und proprietäres Turn-Taking als einen Agenten ausführt, der Telefonanrufe beantwortet und in ihnen handelt.

Für wen ist es? Teams, deren eigentliches Ziel ein funktionierender Telefonagent ist, nicht ein reines Transkript.

Ich habe hier aufgehört, Transkripte zu testen, und stattdessen Ergebnisse getestet. Ich habe einen Inbound-Agenten gebaut, der eine Aufnahme mit vier Fragen durchführte, einen Termin buchte und jeden Anruf in der Post-Call-Analyse als bewertetes Transkript mit extrahierten Feldern protokollierte. Der vollständige Round-Trip von Sprache zu gesprochener Antwort maß rund 600 ms, schnell genug, dass zwei Testanrufer nicht bemerkten, dass sie mit KI sprachen.

Der Unterschied zwischen diesem und einer reinen STT-API zeigte sich bei Wiederherstellung und Kontext. Das Verbinden einer Firmen-Wissensdatenbank ließ den Agenten Richtlinienfragen beantworten, ohne dass ich jeden Verzweigungspfad skripten musste, während proprietäres Turn-Taking Barge-in behandelte, wenn ein Anrufer mitten im Satz einhakte.

Das Modell hörte, das System entschied, und der Agent antwortete, bevor die Pause peinlich wurde.

Randfälle, die reine Transkriptions-Stacks brechen, wurden innerhalb des Ablaufs behandelt. Als ein Anrufer verwirrt war, löste der Agent eine betreute Anrufweiterleitung mit vollständigem Gesprächskontext aus, statt ihn abzuwürgen. Medical Data Systems führt dies auf 100 % der eingehenden Anrufe aus, mit nur 30 % Weiterleitungsrate, und erzielt rund $280.000 pro Monat.

Vorteile

• Rund 600 ms End-to-End-Latenz über den vollständigen Hören-Entscheiden-Antworten-Kreislauf
• Proprietäres Turn-Taking behandelt Unterbrechungen und Barge-in, nicht nur Transkription
• No-Code-Builder plus vollständige API, benutzerdefiniertes LLM und SIP-Telefonie ohne Lock-in
• Praxiserprobt bei über 30 Mio. Anrufen pro Monat mit SOC 2 Type II und HIPAA BAA
• Mehr als 31 Sprachen mit automatischer Erkennung aus einem einzigen Agenten

Nachteile

• Keine eigenständige STT-API; für reine Batch-Transkription aufgezeichneter Dateien ist ein rohes Modell günstiger

Preise $0,07 pro Minute All-in für den Agenten, ohne Plattformgebühr und mit $10 Gratis-Guthaben. Diese Minute deckt Spracherkennung, das LLM, die Stimme und Telefonie zusammen ab.

3. Deepgram Nova-3: Am besten für skalierbares Streaming mit extrem niedriger Latenz

Was macht es? Ein Streaming-first Speech-to-Text-Modell, konstruiert für Transkripte unter 300 ms bei Live-Audio.

Für wen ist es? Engineering-Teams, bei denen Latenz der wichtigste KPI ist und das Anrufvolumen hoch ist.

Ich streamte dasselbe Live-Anrufaudio in Nova-3 und sah durchgängig partielle Transkripte in unter 300 ms zurück – das schnellste reine STT-Ergebnis der Gruppe. Bei sauberem Englisch meldete es eine Wortfehlerrate von 5,26 % auf seinem eigenen realen Set, und bei meinem verrauschten Audio blieb es innerhalb von zwei Punkten von AssemblyAI, während es Wörter weit früher lieferte.

Die Abrechnung pro Sekunde half bei kurzen Äußerungen. Ein einwortiges „Hallo“ wurde als eine Sekunde abgerechnet statt als aufgerundeter Block, was sich über gesprächige Agentenanrufe summiert.

Deepgram liefert außerdem Flux, ein separates Modell mit integrierter End-of-Turn-Erkennung, sodass ich keine Voice-Activity-Detection anflanschen musste, um den Bot vom Unterbrechen abzuhalten.

Der Kompromiss ist die Breite. Nova-3-Streaming deckt rund zehn Sprachen ab gegenüber der breiteren Abdeckung von OpenAI und ElevenLabs, und Diarisierung wird als Zusatz berechnet. Für einen englisch-first Sprachagenten, der vor allem Geschwindigkeit braucht, ist es die Standard-Engine auf dem Hot Path.

Vorteile

• Streaming-Latenz unter 300 ms, schnellstes rohes STT in meinem Test
• Abrechnung pro Sekunde vermeidet Rundungsstrafen bei kurzen Anrufen
• Flux-Modell fügt native Turn-Erkennung für Sprachagenten hinzu
• Self-hosted Bereitstellung verfügbar für strenge Datenresidenz

Nachteile

• Streaming-Sprachabdeckung nahe zehn liegt hinter den mehrsprachigen Führern
• Diarisierung und mehrere Zusätze werden separat berechnet
• Streaming zu $0,0077 pro Minute kostet rund 80 % mehr als Batch

Preise $0,0043 pro Minute Batch und $0,0077 pro Minute Streaming bei nutzungsbasierter Abrechnung, mit $200 Gratis-Guthaben. Flux für Sprachagenten beginnt bei $0,0065 pro Minute.

4. OpenAI gpt-4o-transcribe: Am besten für die Passung ins mehrsprachige Ökosystem

Was macht es? Ein GPT-4o-basiertes Transkriptionsmodell, das das klassische Whisper mit niedrigeren Fehlerraten über mehr als 99 Sprachen ersetzt.

Für wen ist es? Teams, die bereits auf OpenAI aufbauen und einen einzigen Anbieter für Transkription und LLM-Arbeit wollen.

Ich habe eine Whisper-Pipeline durch Ändern eines einzigen Modell-Strings auf gpt-4o-transcribe umgestellt, und die Wortfehler auf meinem mehrsprachigen Set fielen deutlich, im Einklang mit den von OpenAI gemeldeten 4,1 % bei sauberen Benchmarks.

Bei meinem schwierigeren Telefonie-Audio landete es näher an den rund 8,9 %, die unabhängige Benchmarks melden, was der Abstand zwischen Studio und Straße ist.

Der eigentliche Gewinn sind Sprachen und Einfachheit. Bei $0,006 pro Minute, mit einer $0,003-mini-Stufe, bewältigte es mehr als 99 Sprachen, ohne dass ich einen separaten Anbieter suchen musste, und die diarize-Variante kennzeichnete Sprecher in einem Zwei-Parteien-Anruf innerhalb von ein bis zwei Punkten von speziell gebauten Tools.

Die Schwäche für Sprachagenten ist das Streaming. Native Transkription ist Batch-first, und Echtzeit bedeutet, zur separaten Realtime-API zu wechseln, wo mein erster Transkript-Chunk zwischen 500 und 1500 ms ankam. Für aufgezeichnete mehrsprachige Inhalte innerhalb eines OpenAI-Stacks ist es eine leichte Wahl.

Vorteile

• Abdeckung von mehr als 99 Sprachen mit einem nahezu Drop-in-Upgrade von Whisper
• $0,006 pro Minute, mit einer $0,003-mini-Stufe für sauberes Audio
• Sprecher-Diarisierung verfügbar auf der diarize-Variante
• Starkes Sprachverständnis aus der GPT-4o-Grundlage

Nachteile

• Kein natives Echtzeit-Streaming; Live-Nutzung braucht die separate Realtime-API
• Unabhängige WER nahe 8,9 % bei verrauschtem Audio liegt hinter den Genauigkeitsführern
• Nur $5 Gratis-Guthaben zum Testen

Preise $0,006 pro Minute für gpt-4o-transcribe, $0,003 für mini und rund $0,017 pro Minute für Echtzeit-Transkription.

5. ElevenLabs Scribe v2: Am besten für mehrsprachige Echtzeit-Transkription

Was macht es? Ein Streaming-first Speech-to-Text-Modell, das Transkripte mit niedriger Latenz über mehr als 90 Sprachen liefert.

Für wen ist es? Entwickler, die schnelle, genaue Transkription in vielen Sprachen für Agenten und Live-Untertitel brauchen.

Ich streamte Live-Audio in Scribe v2 Realtime und sah First Partials nahe 150 ms zurück – das schnellste First-Token-Ergebnis der Gruppe, mit prädiktiver Transkription, die die nächsten Wörter antizipiert.

Über eine Mischung aus englischen, spanischen und Hindi-Clips hielt es die Genauigkeit, wo schwächere Modelle abdrifteten, und es erkannte Sprachwechsel innerhalb einer einzigen Datei automatisch ohne manuelle Segmentierung.

Die Sprecherkennzeichnung beeindruckte mich an Tischen mit mehreren Parteien, wo es Sprecherwechsel sauber markierte und Entitäten für Redaktion mit Zeitstempeln versah. Keyterm-Prompting erlaubte mir, bis zu 1000 Phrasen zu Produktnamen und Medikamenten hin zu gewichten, was Fehler bei Markenbegriffen reduzierte.

Die Einschränkung ist die Reife als Rückgrat für Callcenter. Realtime-Diarisierung bei nicht-englischem Audio ist noch holprig, und das Produktions-Tooling ist jünger als das von Deepgram. Für mehrsprachige Echtzeit-Transkription, bei der sowohl Geschwindigkeit als auch Sprachbreite zählen, ist es der stärkste Spezialist.

Vorteile

• Rund 150 ms First-Partial-Latenz, die schnellste in meinem Test
• Mehr als 90 Sprachen mit automatischer Mehrsprachen-Erkennung
• 98 % Sprecherkennzeichnungsgenauigkeit mit Entitäts-Zeitstempeln für Redaktion
• Keyterm-Prompting gewichtet bis zu 1000 Phrasen für technisches Vokabular

Nachteile

• Realtime-Diarisierung bei nicht-englischem Audio ist noch inkonsistent
• Produktions-Tooling für Callcenter ist weniger reif als bei Streaming-Konkurrenten
• Token-basierte Preise sind schwerer zu prognostizieren als Minutenraten

Preise Nutzungsbasiert pro Audiominute, mit Scribe v2 rund $0,22 pro 1.000 Tokens auf Einstiegsstufen nach jüngsten Senkungen, plus eine kostenlose Stufe zum Start.

Wie ich diese Speech-to-Text-Modelle für produktive Voice-Arbeit bewertet habe

Genauigkeit bei echtem Audio, nicht Studioproben

Veröffentlichte WER stammt in der Regel aus sauberen Aufnahmen, und ein Modell mit 5 % in einem Benchmark kann bei einem verrauschten Anruf 15–20 % erreichen. Ich habe jedes Modell an meinem eigenen 8-kHz-Anrufset bewertet und gegen unabhängige Benchmarks gegengeprüft, damit das Ranking die Produktionsrealität widerspiegelt, nicht eine Bestenliste.

Latenz über den gesamten Kreislauf

Für Transkription ist Time-to-Final die Zahl. Für einen Sprachagenten zählt der vollständige Round-Trip von Sprache zu gesprochener Antwort, denn alles über einer Sekunde fühlt sich wie ein Walkie-Talkie an. Ich habe die Streaming-Latenz für die Konversations-Anwendungsfälle stark gewichtet.

Sprach- und Code-Switching-Abdeckung

Ein Modell, das im Englischen gewinnt, kann bei akzentbehafteten oder gemischtsprachigen Anrufen zusammenbrechen. Ich habe spanisch-englisches und Hindi-Audio getestet, weil neuronale Stimme im Kundenservice inzwischen der Standard über den Markt für Spracherkennung hinweg ist, und Anrufer bleiben nicht einsprachig.

Komponente oder Ergebnis

Das tiefgreifendste Kriterium war der Umfang. Ein rohes Modell gibt Ihnen Text und überlässt das LLM, die Stimme und Turn-Taking Ihnen. Eine Plattform gibt Ihnen einen Agenten. Ich habe jedes Tool gegen die Aufgabe bewertet, für die Käufer es einstellen, weshalb das Ranking Transkriptionsführer von Agentenplattformen trennt.

Wo Speech-to-Text-Modelle sich bezahlt machen: 6 Anwendungsfälle in der Produktion

1. Echtzeit-Agentenassistenz: Streaming-STT liefert ein Live-Transkript an menschliche Agenten oder ein LLM während des Anrufs, wobei Latenz unter einer Sekunde die Vorschläge synchron mit dem Anrufer hält. Hier ziehen Deepgram und Retells vollständiger Kreislauf davon.
2. Automatisierung eingehender Anrufe: Transkription wird erst nützlich, wenn etwas darauf reagiert, weshalb KI-Kundensupport-Agenten Erkennung mit Function Calling koppeln, um Probleme zu lösen und Konten nachzuschlagen, ohne einen Menschen.
3. Lead-Qualifizierung: Ausgehende und eingehende Anrufe laufen durch ein Skript, das fragt, bewertet und weiterleitet, und genaue Transkription von Namen und Absicht treibt saubere Lead-Qualifizierung an statt verstümmelter CRM-Datensätze.
4. Terminbuchung: Ein falsch gehörtes Datum oder eine falsch gehörte Uhrzeit ist ein No-Show, deshalb braucht ein KI-Terminierungsagent sowohl hohe Genauigkeit bei Zahlen als auch Echtzeit-Bestätigung zurück an den Anrufer.
5. Anrufnachbearbeitung und QA: Asynchrone Genauigkeitsführer glänzen hier, indem sie aufgezeichnete Anrufe in bewertete Transkripte, Stimmung und Compliance-Flags verwandeln, über einen Markt, der laut den Daten zum Wachstum der Spracherkennung mit rund 20 % pro Jahr wächst.
6. Mehrsprachige Abdeckung: Anrufer in vielen Sprachen aus einem Stack zu bedienen begünstigt Modelle mit breiter Abdeckung, wo ElevenLabs und OpenAI führen und Retell über mehr als 31 Sprachen in einem einzigen Agenten automatisch erkennt.

Die Grenzen von Speech-to-Text-Modellen und wo sie brechen

1. Verrauschtes und akzentbehaftetes Audio schadet noch immer. Selbst Führer verlieren mehrere Punkte Genauigkeit bei Freisprechanlagen, Verkehr und starken Akzenten, sodass Produktionsteams alles über 10 % Wortfehlerrate für Compliance-relevante Arbeit generell als unzuverlässig behandeln.
2. Streaming kostet mehr und deckt weniger Sprachen ab. Echtzeit-Modi laufen zum 1,5- bis 2-Fachen des Batch-Preises und unterstützen oft eine kleinere Sprachliste als das asynchrone Modell desselben Anbieters.
3. Ein Transkript ist kein Ergebnis. Ein Modell erzeugt Text; es bucht nicht den Termin, aktualisiert nicht das CRM oder leitet den Anruf weiter. Teams, die das vergessen, liefern genaue Transkripte aus, die nichts bewirken.
4. Diarisierung und Zusätze blähen die Rechnung auf. Sprecherkennzeichnung, Redaktion und Keyterm-Funktionen werden häufig separat berechnet, sodass die angegebene Minutenrate selten mit der Rechnung übereinstimmt.
5. Latenz summiert sich entlang der Kette. Ein langsames Transkript bedeutet eine langsame LLM-Antwort und einen langsamen Agenten, und die peinlichen Pausen häufen sich, bis Anrufer über den Bot reden.

Von Speech-to-Text zu einem aktiven Sprachagenten in Tagen, nicht Monaten

Ein Modell gibt Ihnen Text. Ein Unternehmen braucht den beantworteten Anruf, die gelöste Frage und den gebuchten Termin. Die fünf Modelle hier sind der richtige Ausgangspunkt, wenn Transkription Ihr Produkt ist, und AssemblyAI, Deepgram, OpenAI und ElevenLabs gewinnen jeweils eine klare Spur.

Wenn Ihr Ziel ein Telefonagent ist, der in einem Kreislauf von rund 600 ms hört, versteht und handelt, brauchen Sie die Schicht über dem Modell. Die Retell AI führt Spracherkennung, Ihr LLM Ihrer Wahl, eine ultra-realistische Stimme und proprietäres Turn-Taking als einen einzigen Produktionsagenten aus, ohne Plattformgebühren und mit $10 Gratis-Guthaben.

• Gehen Sie in Tagen live mit einem No-Code-Builder plus vollständigem API-Zugriff
• Zahlen Sie $0,07 pro Minute All-in, ohne Mindestmengen oder Verträge
• Skalieren Sie auf einer Infrastruktur, die bei über 30 Mio. Anrufen pro Monat bewährt ist

Beginnen Sie noch heute kostenlos mit dem Aufbau Ihres ersten KI-Sprachagenten.

Das Fazit: Passen Sie das Modell an die Aufgabe an

Die Wahl eines Speech-to-Text-Modells 2026 läuft auf eine ehrliche Frage hinaus: Was passiert mit dem Text, nachdem das Modell ihn erzeugt hat? Wenn eine Person das Transkript später liest, entscheiden Genauigkeit und Preis den Sieger, und die asynchronen Führer sind schwer zu schlagen. Wenn eine Maschine einen Anrufer hören, die Absicht verstehen und antworten muss, bevor die Stille peinlich wird, dann ist das Modell nur das erste Glied in einer längeren Kette, und die Latenz über den gesamten Kreislauf zählt mehr als jeder einzelne Benchmark.

Die Teams, die zuverlässige Sprachprodukte ausliefern, treffen diese Unterscheidung früh. Sie testen an dem Audio, das ihre Nutzer in freier Wildbahn erzeugen, verrauschte Leitungen und Namen mit Akzent inklusive, statt an sauberen Studioproben. Sie messen den vollständigen Round-Trip, nicht das partielle Transkript. Und sie entscheiden im Voraus, ob sie eine Komponente oder ein Ergebnis kaufen. Treffen Sie diese Entscheidung richtig, und die engere Auswahl grenzt sich von selbst ein. Der schwierige Teil war nie das Modell. Es war zu wissen, für welche Aufgabe Sie es einstellen.

Speech-to-Text-Modelle 2026: Käuferfragen beantwortet

Welches Speech-to-Text-Modell hat 2026 die niedrigste Wortfehlerrate?

AssemblyAI Universal-3 Pro führt bei der Genauigkeit und meldet eine mittlere WER von 5,6 % und verzeichnet die niedrigsten Fehler auf meinem verrauschten Anrufset mit 4,7 %. Deepgram Nova-3 folgt mit 5,26 % auf seinem eigenen realen Set, während es Wörter weit schneller liefert.

Brauche ich ein Speech-to-Text-Modell oder eine vollständige Sprachagenten-Plattform?

Wenn Sie nur Transkripte aufgezeichneter Dateien brauchen, ist ein rohes Modell günstiger und einfacher. Wenn Sie ein System brauchen, das einen Anrufer hört und in Echtzeit antwortet, brauchen Sie die Schicht über dem Modell, weshalb ein KI-IVR-Ersatz STT, ein LLM, eine Stimme und Turn-Taking zusammen ausführt.

Welches Speech-to-Text-Modell ist am schnellsten für aktive Sprachagenten?

ElevenLabs Scribe v2 Realtime lieferte First Partials nahe 150 ms in meinem Test, und Deepgram Nova-3 hielt unter 300 ms Time-to-Final. Für den vollständigen Hören-Entscheiden-Antworten-Kreislauf maß Retell rund 600 ms End-to-End, da diese Zahl das LLM und die gesprochene Antwort einschließt, nicht nur Transkription.

Wie viel kosten Speech-to-Text-Modelle pro Minute im großen Maßstab?

Deepgram Batch läuft bei $0,0043 pro Minute, OpenAI gpt-4o-transcribe ist $0,006 und AssemblyAI asynchron ist $0,21 pro Stunde. Eine vollständige Agentenminute, die STT, LLM, Stimme und Telefonie bündelt, ist eine andere Einheit, mit einem Preis von rund $0,07 pro Minute.

Können diese Speech-to-Text-Modelle mehrsprachige und akzentbehaftete Anrufe bewältigen?

OpenAI deckt mehr als 99 Sprachen ab und ElevenLabs mehr als 90, was sie zu den breitesten macht. AssemblyAI bewältigt Code-Switching über sechs Kernsprachen, und die Genauigkeit bei akzentbehaftetem Audio fällt bei jedem Modell noch immer um mehrere Punkte, testen Sie also an Ihren eigenen Anrufern.

Sind Speech-to-Text-Modelle HIPAA-konform für Anrufe im Gesundheitswesen?

Die meisten Führer bieten HIPAA-Abdeckung unter einer unterzeichneten BAA, darunter AssemblyAI, Deepgram, ElevenLabs und Retell, wobei Letzteres außerdem SOC 2 Type II und GDPR trägt. Bestätigen Sie, dass die BAA ausgeführt ist, bevor Sie geschützte Gesundheitsinformationen senden, und prüfen Sie, ob Redaktion enthalten oder separat berechnet ist. Details zur Einrichtung für Entwickler finden Sie in der Dokumentation.

Was passiert, wenn ein Speech-to-Text-Modell ein kritisches Wort verhört?

In einem reinen Transkriptions-Stack fließt der Fehler stumm nach unten und beschädigt den Datensatz. In einem Agenten kann Wiederherstellungslogik eine buchstabierte Zahl erneut bestätigen oder eine betreute Weiterleitung auslösen, weshalb Produktions-Voice-Teams für Fehlerkennung entwerfen, statt anzunehmen, dass das Modell immer recht hat.