Enterprise-Transkriptionskosten 2026: $0,0078–$0,024/Min. im großen Maßstab

Im Enterprise-Maßstab ist die Preisgestaltung für Transkription keine einzelne Zahl. Die veröffentlichten API-Tarife sinken mit dem Volumen von $0,024/Min. auf unter $0,008/Min., und individuelle Verträge drücken noch weiter darunter. Die eigentliche Herausforderung ist zu wissen, welche Kosten man vergleichen muss und was die Gesamtrechnung über den Minutentarif hinaus in die Höhe treibt.

Was als Enterprise zählt

Eine praktische Schwelle: mehr als 1.000 Audiostunden pro Monat, eine unternehmensweite Einführung oder jeder Anwendungsfall mit Compliance-Anforderungen, die Standard-Consumer-Tarife nicht erfüllen können. Typische Beispiele:

• Contact-Center-QA-Teams, die aufgezeichnete Gespräche für die Qualitätsprüfung transkribieren.
• Gesundheitssysteme mit KI-gestützter klinischer Dokumentation.
• Finanzdienstleistungsunternehmen, die Kundenkommunikation zur Einhaltung regulatorischer Vorgaben archivieren.
• Medienunternehmen, die Untertitel für Sendungs- und Streaming-Inhalte erstellen.
• Kanzleien, die eidesstattliche Aussagen und Gerichtsprotokolle in großem Umfang verwalten.
• Behörden, die aufgezeichnete Sitzungen verarbeiten.

Diese Anwendungsfälle teilen drei Merkmale: hohes Volumen, Compliance-Anforderungen, die die Anbieter-Shortlist verändern, und mehrere interne Stakeholder (IT, Rechtsabteilung, Beschaffung) in der Entscheidung.

Veröffentlichte Volumenstaffeln: Was die APIs tatsächlich berechnen

Die klarste veröffentlichte Staffelstruktur im Enterprise-Segment bietet AWS Transcribe. Die Tarife gelten sowohl für Batch als auch für Streaming (beides wird identisch bepreist):

Die 5-Mio.-Stufe entspricht einem Rabatt von 67,5 % gegenüber dem Listentarif. Hinweis: Die Schwärzung personenbezogener Daten (PII) kostet bei Tier 1 zusätzliche $0,0024/Min. (ebenfalls nach unten gestaffelt), und eigene Sprachmodelle kosten zusätzlich $0,006/Min.

Google Cloud Speech-to-Text V2 (das das Chirp-Modell ohne Aufpreis enthält) zeigt ein ähnliches Gefälle:

Dynamic-Batch-Verarbeitung sinkt auf $0,003/Min. bei einer Bearbeitungszeit von bis zu 24 Stunden. Google stellt in 15-Sekunden-Schritten aufgerundet in Rechnung, was bei kurzen Aufnahmen ins Gewicht fällt.

AssemblyAI veröffentlicht keine Volumenrabattstaffeln. Die Basistarife liegen bei $0,0025/Min. ($0,15/Std.) für Universal-2 und $0,0035/Min. ($0,21/Std.) für Universal-3.5 Pro. Für individuelle Enterprise-Verträge muss man das Sales-Team kontaktieren. Ein relevanter Datenpunkt: Wirksam ab 1. Juli 2026 erhöht AssemblyAI die Preise für regionale Modelle um 10 %, Kunden können jedoch model_region: global in API-Anfragen übergeben, um die aktuellen Tarife zu behalten.

Deepgram bietet einen Growth-Plan rund 12–20 % unter den Pay-as-you-go-Tarifen an (Nova-3 Monolingual Streaming: $0,0048/Min. Pay-as-you-go, $0,0042/Min. Growth). Darüber hinaus sind Enterprise-Verträge individuell ausgehandelt und nicht offengelegt.

Rev.ai listet Reverb-Transkription zum veröffentlichten Tarif von $0,20/Std. ($0,0033/Min.). Enterprise-Volumenpreise werden nicht offengelegt und erfordern den Kontakt zum Vertrieb.

Tier 1 (0-250K)

$0.024/min

Tier 2 (250K-1M)

$0.015/min

Tier 3 (1M-5M)

$0.0102/min

Tier 4 (5M+)

$0.0078/min

Published rates, US East (N. Virginia). Tier 4 (5M+ min/mo) is 67.5% below list.

Was die Gesamtrechnung über die Minutentarife hinaus treibt

Der Kopftarif ist bei großen Deployments selten der dominante Posten. Fünf Faktoren treiben ihn verlässlich nach oben.

Compliance-Mehraufwand. HIPAA verlangt ein unterschriebenes BAA, Verschlüsselung at rest und in Transit, Audit-Logging und konfigurierbare Datenaufbewahrung. SOC 2 Type II ist inzwischen die Baselerwartung, kein Differenzierungsmerkmal. GDPR bringt Datenresidenz und Datenverarbeitungsverträge mit. Eine FedRAMP-Autorisierung ist für Aufträge der US-Bundesregierung erforderlich und bedeutet einen erheblichen Kostenaufwand, den Anbieter weitergeben. Wo Anbieter dies separat ausweisen, rechnen Sie mit 15–30 % Aufschlag gegenüber vergleichbaren Preisen ohne Compliance-Anforderungen.

Streaming versus Batch. AssemblyAI verlangt für Echtzeit-Streaming mit Universal-3.5 Pro $0,45/Std., gegenüber $0,21/Std. für asynchrone Verarbeitung. AWS bepreist beides identisch. Prüfen Sie immer den tatsächlich benötigten Liefermodus, nicht die allgemeine Kopfrate des Modells.

Zusatzfunktionen. Sprecherdiarisierung, Sentiment-Analyse, Themenerkennung, PII-Schwärzung: Jede Funktion kostet zusätzlich pro Minute. AWS Call Analytics (inklusive Analysefunktionen) kostet bei Tier 1 $0,030/Min. gegenüber $0,024/Min. für Standard-Transkription.

Eigene Modelle. Eigene Wortschatzdateien sind meist kostenlos oder günstig. Fine-getunte akustische oder Sprachmodelle sind Professional-Services-Projekte, die von moderaten Einrichtungsgebühren bis zu Summen jenseits von $50.000 für domänenspezifische Arbeiten reichen können.

Integration und Support. SLA-gestützte Verfügbarkeit (über 99,9 %), dediziertes Account-Management und individuelle API-Integrationen sind typischerweise in jährlichen Enterprise-Verträgen gebündelt und nicht im Minutentarif enthalten. Sie verursachen echte Kosten.

Wer tiefer verstehen möchte, was in Anbieterpreisen versteckt ist, findet im Beitrag versteckte Kosten von Transkriptionsdiensten alle Details.

Durchgerechnete Beispiele auf Basis verifizierter Tarife

Statt runder Schätzwerte zu veröffentlichen, zeigen wir hier, was die verifizierten Tarife bei konkreten Volumina ergeben:

Contact Center, 10.000 Stunden/Monat (600.000 Min.): Bei AWS Tier 2 kosten die ersten 250.000 Min. $6.000 und die nächsten 350.000 Min. $5.250 – insgesamt $11.250/Monat, noch vor allen Compliance-Zusätzen. Bei der entsprechenden Google-Stufe ($0,010/Min.) sind es $6.000 für die ersten 500.000 Min. plus $1.000 für die nächsten 100.000, zusammen $7.000/Monat. Individuelle Verträge eines der beiden Anbieter würden diese veröffentlichten Tarife vermutlich unterbieten.

Finanz-Compliance-Archiv, 4.000 Stunden/Monat (240.000 Min.): Dieses Volumen fällt vollständig in Tier 1 an: bei AWS ($0,024/Min. = $5.760/Monat) und bei Google ($0,016/Min. = $3.840/Monat). Der Compliance-Mehraufwand (FINRA-relevante Aufbewahrung, Audit-Logging, Verschlüsselung) kommt je nach Anbieter und Vertragsstruktur hinzu.

Medien-Untertitelung, 5.000 Stunden/Monat (300.000 Min.): AWS mit gemischten Tier-1- und Tier-2-Tarifen: erste 250.000 Min. à $0,024 = $6.000, nächste 50.000 à $0,015 = $750, zusammen $6.750/Monat für die Standardvariante. Werden Echtzeit-Streaming-Untertitel benötigt, kommt der Streaming-Aufpreis (wo er greift) spürbar hinzu.

Einen breiteren Anbietervergleich liefert der Beitrag Transkriptionspreisvergleich 2026, Benchmarks pro Einheit finden Sie unter Transkriptionskosten pro Stunde.

Selbst gehostet: Die ehrliche Rechnung

Whisper Large-v3 selbst auf einer Cloud-GPU zu betreiben wird häufig als günstige Alternative genannt. Die tatsächlichen Zahlen sind weniger dramatisch.

Eine A100-GPU kostet 2026 je nach Anbieter $1,49–$3,43 pro Stunde. Whisper Large-v3 verarbeitet bei optimiertem Inference grob 6–10 Stunden Audio pro GPU-Stunde. Damit liegen die effektiven Rechenkosten bei $0,15–$0,25 pro Audiostunde bzw. $0,0025–$0,0042 pro Minute.

Mit diesen Rechenraten unterbietet Selbsthosting AWS Tier 1 und ist mit Tier 2 konkurrenzfähig. Aber Rechenleistung ist nicht die gesamten Kosten:

• Engineering-Zeit für Aufbau, Wartung und Betrieb der Pipeline (Monitoring, Skalierung, Fehlerbehebung, Modell-Updates).
• Infrastruktur jenseits der Rechenleistung: Storage, Netzwerk, Orchestrierung.
• Compliance lässt sich nicht delegieren; die Organisation trägt sie vollständig selbst.

Meine Einschätzung: Selbsthosting lohnt sich ab etwa 5.000 Audiostunden monatlich – mit planbaren, stabilen Workloads und vorhandener Infrastructure-Engineering-Kapazität. Unterhalb dieser Schwelle übersteigt der Engineering-Aufwand die Rechenkostenersparnis verlässlich. Für Organisationen ohne GPU-Infrastrukturteam sind verwaltete APIs zum Tier-2- bis Tier-3-Preis fast immer günstiger, gemessen an den Gesamtkosten (Total Cost of Ownership).

Deepgram Nova-3 beleuchtet die Leistungsmerkmale der Engine hinter dem Weg über verwaltete APIs.

Drei Preismodelle im Enterprise-Maßstab

Enterprise-Transkriptionsverträge nutzen drei Strukturen, oft in Kombination.

Minutenpreis mit Volumenrabatt. Die obigen AWS- und Google-Staffeln sind Beispiele: veröffentlichte Bereiche, die den Stückpreis mit steigendem Verbrauch senken. Individuelle Verträge gehen noch unter die veröffentlichte Untergrenze.

Reservierte Kapazität. Eine Zusage über festen monatlichen Durchsatz gegen einen zusätzlichen Rabatt und dedizierte Verarbeitung. Typisch für Contact Center mit planbarem Gesprächsvolumen. Der Rabatt für die Bindung an ein bestimmtes Kapazitätsband liegt üblicherweise bei 20–40 % unter den Standard-Volumenpreisen.

Jährliches Spend Commitment. Eine gesamte jährliche Zusage in Dollar mit entsprechendem Garantieversprechen zum Volumen. Schafft Budgetplanbarkeit und schaltet White-Glove-Onboarding, Unterstützung bei individuellen Integrationen sowie dediziertes Account-Management frei. Üblich im Bereich ab $100.000 bei großen Deployments.

Einen breiteren Blick darauf, wie diese Modelle für verschiedene Workload-Typen abschneiden, bietet Unlimited vs. nutzungsbasierte Transkriptionspreise.

Was der Enterprise-Einkauf tatsächlich bewertet

Der Preis ist nicht das erste Filterkriterium. In der Praxis scheitern Anbieter bereits vor den Preisgesprächen an folgenden Punkten:

Sicherheits- und Compliance-Haltung. Kann der Anbieter ein BAA unterschreiben? Gibt es eine aktuelle SOC-2-Type-II-Zertifizierung? Wo liegen die Daten, und kann der Kunde die Aufbewahrung konfigurieren? Anbieter, die darauf nicht präzise antworten, fliegen früh raus.

SLAs. Verfügbarkeitszusagen von 99,9 % oder besser, garantierte Support-Reaktionszeiten sowie dokumentierte RTO/RPO-Werte für Ausfälle. Davon hängen Produktionsdeployments wesentlich ab.

Genauigkeit bei domänenspezifischem Audio. Viele Unternehmen führen RFP-artige Genauigkeitstests mit ihrem eigenen repräsentativen Audiomaterial durch, bevor sie Anbieter auf die Shortlist setzen. Veröffentlichte WER-Benchmarks auf sauberem Studioaudio sagen wenig aus über die Leistung bei Call-Center-Audio mit Hintergrundgeräuschen und Fachvokabular.

Stabilität des Anbieters. Wird es diesen Anbieter in drei Jahren noch geben? Können sie eine öffentliche Erfolgsbilanz in vergleichbarem Umfang vorweisen? Der Enterprise-Einkauf gewichtet das stark; es beeinflusst Risiko und Wechselkosten gleichermaßen.

Integrationsqualität. Qualität der API-Dokumentation, SDK-Verfügbarkeit, Webhook-Support und Kompatibilität mit dem bestehenden Stack des Kunden (CRM, EHR, Compliance-Archivierungsplattformen).

Wie Sie starten

Definieren Sie Ihren Bewertungsrahmen, bevor Sie mit Anbietern sprechen. Sie brauchen vier Dinge: Ihre Genauigkeitsuntergrenze bei repräsentativem Audio, Ihre Compliance-Anforderungen (die die Shortlist sofort eingrenzt), Ihr Volumenprofil samt Planbarkeit der Workload sowie Ihre Integrationsanforderungen.

Testen Sie dann zwei oder drei Anbieter mit Ihrem eigenen Audiomaterial. Gewonnen hat der Anbieter, der die Hürden bei Genauigkeit und Compliance zu den niedrigsten Gesamtkosten nimmt. Kopftarife pro Minute sind im Enterprise-Maßstab weniger wichtig, als die meisten Käufer annehmen; bei den Ebenen für Compliance, Integration und Support entsteht der eigentliche Kostenunterschied.

Wenn Ihre Organisation saubere Transkription in kleinerem oder schwankendem Umfang benötigt, bevor sie sich auf einen Enterprise-Vertrag festlegt: ConvertAudioToText wandelt Audio in Text um – ganz ohne Meeting-Bot-Abhängigkeiten und ohne lizenzbasierte Nutzerplätze. Es ist kein Produkt für Enterprise-Verträge, deckt aber den Bereich von 100 bis 1.000 Stunden pro Monat sauber ab. Aktuelle Tarifdetails – inklusive dem Business-Tarif mit Webhooks und Analytics – finden Sie auf unserer Preisseite.

Quellen

• AWS Transcribe Preise (Volumenstaffel-Tabelle laut CostGoat-Bestätigung)
• Google Cloud Speech-to-Text Preise (Staffel-Tabelle laut CostBench-Bestätigung)
• AssemblyAI Preise
• Deepgram Preise
• Rev.ai Preise
• JarvisLabs: A100-GPU-Preise 2026

FAQ

Was ist der günstigste Minutentarif für Enterprise-Transkription?

Der veröffentlichte Tier-4-Tarif von AWS Transcribe (5 Mio.+ Minuten pro Monat) liegt bei $0,0078/Min. Google Cloud Speech-to-Text erreicht $0,004/Min. ab 2 Mio.+ Minuten pro Monat bzw. $0,003/Min. über Dynamic Batch (mit bis zu 24 Stunden Bearbeitungszeit). AssemblyAI und Deepgram veröffentlichen keine Rabattstaffeln, bieten Großabnehmern aber individuelle Verträge unter Listenpreis an.

Kostet HIPAA-Konformität bei der Transkription mehr?

Ja, in der Regel schon. Anbieter mit HIPAA-Support verlangen ein unterschriebenes Business Associate Agreement (BAA), setzen Verschlüsselung at rest und in Transit durch, stellen Audit-Logging bereit und begrenzen die Datenaufbewahrung. Diese Pflichten verursachen operativen Mehraufwand, den der Anbieter einkalkuliert. Rechnen Sie mit einem Aufpreis von 15–30 % gegenüber einer vergleichbaren Nicht-HIPAA-Einrichtung, wobei der genaue Aufschlag vom Anbieter und den Vertragsbedingungen abhängt.

Wann ist selbst gehostetes Whisper günstiger als verwaltete APIs?

Der Break-even liegt höher, als die meisten Schätzungen annehmen. Eine A100-GPU kostet 2026 zwischen $1,49 und $3,43 pro Stunde, und Whisper Large-v3 verarbeitet je GPU-Stunde grob 6–10 Stunden Audio – das ergibt effektive Rechenkosten von $0,15–$0,25 pro Audiostunde. Das unterbietet AWS Tier 1, liegt aber nah an den Tarifen von Tier 2–3. Selbsthosting gewinnt klar oberhalb von 5.000 Audiostunden pro Monat mit planbarer Last und vorhandener Engineering-Kapazität; unter dieser Schwelle sind verwaltete APIs meist günstiger, sobald man Engineering- und Betriebsaufwand mitzählt.

Welche Compliance-Zertifizierungen sollte ich von einem Enterprise-Transkriptionsanbieter verlangen?

Mindestens: SOC 2 Type II (der faktische Standard 2026), dazu ein unterschriebenes HIPAA-BAA, falls Sie Gesundheitsdaten verarbeiten, und GDPR-Datenverarbeitungsverträge für EU-Daten. Für Deployments bei US-Bundesbehörden ist eine FedRAMP-Autorisierung erforderlich. ISO 27001 ist verbreitet als zusätzliche Bestätigung. Fordern Sie aktuelle Auditberichte, keine Selbsterklärungen.

Ist Echtzeit-Streaming-Transkription teurer als Batch?

Das hängt vom Anbieter ab. AWS Transcribe bepreist Batch und Streaming innerhalb jeder Stufe identisch. AssemblyAI verlangt für Echtzeit-Streaming ($0,45/Stunde) rund das Dreifache gegenüber asynchroner Verarbeitung ($0,15/Stunde) beim Modell Universal-3.5 Pro. Auch Deepgrams Tarife für Streaming und Aufzeichnungen unterscheiden sich. Vergleichen Sie immer genau das Modell und den Liefermodus, den Sie brauchen – nicht die Kopfraten.