Google Cloud STT Preise 2026: 0,003 bis 0,016 Dollar pro Minute

Google Cloud Speech-to-Text V2 kostet 0,016 $ pro Minute für Echtzeit-Transkription und ab etwa 0,003 $ pro Minute für Dynamic Batch, die Stufe mit 24-Stunden-Bearbeitungszeit, die die meisten Teams übersehen. Wenn Sie bisher mit V1-Preisen kalkuliert oder Streaming und Batch als austauschbar behandelt haben, liegen Ihre Kostenschätzungen wahrscheinlich um 50 % oder mehr daneben.

Die Kurzfassung

Die V2-API (der aktuelle Standard) bringt Googles Chirp-Modellfamilie ohne Aufpreis mit. Standard-Erkennung in Echtzeit kostet 0,016 $/Minute und sinkt bei hohem Volumen auf 0,004 $/Minute ab 2 Millionen Minuten pro Monat. Dynamic Batch reduziert das auf etwa 0,003 bis 0,004 $/Minute, dafür erhalten Sie Ergebnisse innerhalb von 24 Stunden, eine sinnvolle Option für jeden Workload ohne Echtzeit-Anforderung. Die ältere V1-API nutzt eine separate Preisliste, die an die Zustimmung zur Datenprotokollierung gekoppelt ist. Diese Zahlen stehen zwar weiterhin auf der Preisseite, gelten aber nur, wenn Sie explizit die V1-Endpunkte aufrufen. Die kostenlose Stufe gewährt jedem Konto 60 Minuten pro Monat, dauerhaft, plus ein einmaliges Guthaben von 300 $ für neue GCP-Kunden. Medizinische Modelle (nur V1) werden separat mit 0,078 $/Minute abgerechnet.

Der größte Preisfehler: den Streaming-Endpunkt für vorab aufgenommene Audiodateien zu nutzen. Das verteuert die Rechnung um etwa 50 % (V1) oder macht den Dynamic-Batch-Rabatt komplett zunichte (V2). Passen Sie den Endpunkt an Ihre Latenzanforderungen an.

V2-API: Das aktuelle Preismodell

Die V2-API ist Googles empfohlener Weg für neue Integrationen. Sie enthält Chirp, Googles universelles Modell, das auf über 100 Sprachen trainiert wurde, zum Standardpreis, ohne Aufschlag für das leistungsfähigere Modell.

Echtzeit-Erkennung (Standard):

Dynamic Batch (V2): Etwa 0,003 $ pro Minute für Workloads, die eine Bearbeitungszeit von bis zu 24 Stunden akzeptieren können. Das ist der wichtigste Kostenhebel in V2, den es in V1 nicht gab. Für ein Podcast-Studio, ein Archiv-Transkriptionsprojekt oder jeden nächtlichen Batch-Workflow kann Dynamic Batch die Kosten pro Minute im Vergleich zu Echtzeit um 80 % senken.

Die Abrechnung wird von den meisten Quellen so beschrieben, dass pro Anfrage auf die nächsten 15 Sekunden aufgerundet wird. Ein 16-Sekunden-Clip wird als 30 Sekunden abgerechnet. Bei vielen kurzen Clips summiert sich diese Rundung schneller, als es der Minutenpreis vermuten lässt. Bei längeren Dateien (Interviews, Episoden, Anrufaufzeichnungen) ist der Rundungseffekt vernachlässigbar.

V1 API: Legacy-Preise weiterhin in Gebrauch

Die V1 API wird weiterhin für bestehende Integrationen unterstützt. Ihre Preisstruktur basiert auf der Zustimmung zur Datenerfassung und nicht auf Volumenstufen.

Datenerfassung bedeutet, dass Google Ihre Audiodaten zur Verbesserung der Modelle verwenden darf. Bei nicht sensiblen Inhalten (öffentliche Podcasts, Marketingaufnahmen) senkte die Zustimmung die V1-Kosten um 33 %. Bei allem, was mit PII, HIPAA oder Finanzdaten zu tun hat, ist Datenerfassung unabhängig von den Einsparungen ausgeschlossen.

Die V2 API nutzt diese Rabattstruktur für Datenerfassung nicht, was einer der Gründe ist, warum der Minutenpreis identisch aussieht (0,016 $), die Mechanismen sich aber unterscheiden. Wenn Sie Ihre aktuelle Rechnung mit den veröffentlichten Preisen vergleichen, prüfen Sie, welche API-Version Ihr Code aufruft.

Dynamic Batch

~$0.003/min

High Volume (2M+ min)

$0.004/min

Mid Volume (1M min)

$0.008/min

Standard (up to 500K min)

$0.016/min

Rates as reported by Google Cloud pricing page and third-party sources, July 2026. Dynamic Batch rate is approximately $0.003-$0.004/min; chart uses $0.003.

Kostenloses Kontingent: Was du wirklich bekommst

60 Minuten pro Monat, dauerhaft. Das ist keine Testversion, es setzt sich jeden Monat neu zurück, solange dein Konto besteht, ohne Ablaufdatum. Sowohl V1- als auch V2-Nutzung zählt gegen dieses Kontingent.

300 $ GCP-Guthaben für Neukunden. Das gilt für alle Google Cloud-Dienste, nicht nur für Speech-to-Text, und verfällt nach 90 Tagen. Für Testzwecke ist es großzügig; für die Produktionsplanung behandle es als einmaligen Onboarding-Puffer, nicht als laufende Subvention.

Für die Abrechnung ist eine Zahlungsmethode hinterlegt, selbst wenn du innerhalb des kostenlosen Kontingents bleibst. Wenn dein Abrechnungskonto abläuft, schlagen API-Aufrufe sofort fehl.

Reale Kostenszenarien

Szenario 1: Podcast-Studio, 50 Stunden pro Monat

Ein Team, das monatlich 50 Stunden Episoden für Shownotes und SEO-Inhalte produziert, braucht keine Ergebnisse in unter einer Sekunde. Podcasts werden vorab aufgenommen, über Nacht verarbeitet, und das 24-Stunden-Fenster ist völlig in Ordnung.

V2 Dynamic Batch Konfiguration:

• Volumen: 50 Stunden = 3.000 Minuten/Monat
• Rate: ~0,003 $/Minute
• Kostenloses Kontingent: 60 Minuten
• Abrechenbare Minuten: 2.940
• Monatliche Kosten: 2.940 x 0,003 $ = ~8,82 $/Monat

Vergleich das mit der V1-„Datenprotokollierungs“-Rate, die die alte konventionelle Weisheit empfahl: 2.940 x 0,016 $ = 47,04 $/Monat. Dynamic Batch ist kein kleiner Rabatt. Es ist eine andere Preisstufe, die die Kosten für denselben Arbeitsaufwand um etwa 80 % senkt. Der Kompromiss betrifft ausschließlich die Bearbeitungszeit.

Wenn das Team eine Deadline hat und Transkripte innerhalb einer Stunde benötigt, nutzt es Standard-Real-Time zum Preis von 0,016 $/Minute. Für Show-Notes am nächsten Tag ist Dynamic Batch die naheliegende Wahl.

Wenn du nur Transkripte brauchst, ohne den GCP-Einrichtungsaufwand, bietet ConvertAudioToText Pauschalpreise an, die die Minutenrechnerei komplett überflüssig machen.

Szenario 2: Callcenter, 500 Stunden pro Monat

Ein Kundensupport-Team transkribiert monatlich 500 Stunden Telefonaufnahmen für die Qualitätsprüfung. Die Anrufe werden bereits aufgenommen und am nächsten Werktag geprüft, eine Bearbeitung am selben Tag ist also nicht nötig.

V2 Dynamic Batch Konfiguration:

• Volumen: 500 Stunden = 30.000 Minuten/Monat
• Preis: ~0,003 $/Minute
• Abgerechnete Minuten: 29.940
• Monatliche Kosten: 29.940 x 0,003 $ = ~89,82 $/Monat

Zum Vergleich: Bei den Standard-Real-Time-Preisen von V2 kostet dasselbe Volumen 29.940 x 0,016 $ = 478,64 $/Monat. Die Entscheidung hängt also ganz davon ab, ob die Prüfteams Transkripte noch am selben Tag der Anrufe brauchen. Die meisten QA-Workflows verkraften eine Verzögerung von 24 Stunden problemlos.

Zum Vergleich: Bei diesem Volumen würde Googles Deepgram-Konkurrent (Nova-3, 0,0077 $/Minute) bei Real-Time-Preisen etwa 231 $ monatlich kosten, immer noch mehr als Dynamic Batch, aber deutlich weniger als Google Real-Time. Die vollständige API-Preisübersicht liefert das komplette Bild.

Szenario 3: Gesundheitsplattform, 1.000 Stunden pro Monat

Eine Telemedizin-Plattform transkribiert monatlich 1.000 Stunden Konsultationen. Medizinisches Vokabular und HIPAA-Konformität sind beide entscheidend.

V1 Medical Conversation Konfiguration (V2 hat kein eigenes medizinisches Modell):

• Volumen: 1.000 Stunden = 60.000 Minuten/Monat
• Preis: 0,078 $/Minute (Datenprotokollierung für HIPAA deaktiviert)
• Abgerechnete Minuten: 59.940
• Monatliche Kosten: 59.940 x 0,078 $ = 4.675,32 $/Monat

Das sind 56.100 Dollar pro Jahr. Bei diesem Ausgabenvolumen lohnt sich das Gespräch mit dem Google-Cloud-Vertrieb für einen individuellen Enterprise-Tarif, Mengenrabatte können die Preise pro Minute um 15 bis 30 Prozent senken. Plattformen in dieser Größenordnung sollten außerdem prüfen, ob ein gut konfiguriertes allgemeines Modell mit individuellem Vokabular-Management die Genauigkeit des Medical-Modells für ihre spezifische Terminologie erreichen kann.

Die Entscheidung V1 gegen V2

Meine Einschätzung: Für jede neue Integration, die heute startet, V2 verwenden. Das Chirp-Modell ist über ein breiteres Sprachspektrum leistungsfähiger, Dynamic Batch gibt es nur in V2, und Mengenrabatte auf V2 sind öffentlich und automatisch, statt ein Verkaufsgespräch zu erfordern. Der einzige Grund, bei V1 zu bleiben, ist eine bestehende Integration, die einen nicht unerheblichen Umbau erfordern würde.

V2 bietet derzeit keine dedizierten Medical-Modelle an. Wenn Ihre Anwendung Googles Medical Dictation oder Medical Conversation benötigt, bleiben Sie bei V1. Das ist kein Randfall, sondern der legitime Grund, warum die V1-API weiterhin unterstützt wird.

Google Cloud im Vergleich zu anderen APIs

Googles V2-Echtzeitpreis von 0,016 $/Minute liegt beim reinen Minutenpreis über Deepgram und AssemblyAI. Wo Google die Nase vorn hat, sind die Sprachabdeckung (über 125 Sprachen durch Chirp), das kostenlose monatliche Kontingent, das nie verfällt, und die tiefe Integration in den Rest von GCP. Der Vergleich mit AWS Transcribe ist auf dem Papier besonders knapp; die praktischen Unterschiede laufen auf die Passung ins Ökosystem hinaus und darauf, welche Free-Tier-Struktur zu deinem Budgetzyklus passt.

Für einen breiteren Blick auf die Preisgestaltung von Transkriptions-APIs ist der Google/Deepgram-Vergleich eine gute Fallstudie für den Unterschied zwischen Sprachbreite und Minutenpreis-Effizienz.

Wann Google Cloud Speech-to-Text Sinn ergibt

Du brauchst über 125 Sprachen. Chirp deckt Sprachen ab, die die meisten Wettbewerber nicht in Produktionsqualität anbieten. Wenn deine Anwendung Swahili, Javanisch, Tagalog oder ähnliche ressourcenarme Sprachen verarbeitet, ist Google oft die einzige praktikable gehostete Option.

Deine Infrastruktur läuft bereits auf GCP. Audio in Cloud Storage, Ergebnisse in BigQuery, Trigger über Cloud Functions, keine Egress-Kosten, native Service-Account-Authentifizierung und vorhandene Betriebstools. Die Integrationshürde ist praktisch null.

Medizinische Transkription mit Googles Compliance-Profil. Die Medical-Modelle bieten HIPAA-BAA-Abdeckung und gesundheitsspezifische Zertifizierungen, die die meisten Wettbewerber nicht erreichen.

Enterprise-Compliance-Checkboxen. SOC 2 Typ II, ISO 27001, FedRAMP, wenn dein Sicherheitsteam eine Checkliste hat, erfüllt Google Cloud sie.

Wann Alternativen sinnvoll sind

Kostensensitives hohes Volumen ohne medizinische Anforderungen. Bei 500 Stunden pro Monat ist Deepgram Nova-3 Echtzeit (0,0077 $/Minute) deutlich günstiger als Google V2 Echtzeit. Der Beitrag zu den versteckten Kosten von Transkriptionsdiensten geht auf Gesamtkostenvergleiche inklusive Infrastruktur-Overhead ein.

Nur auf Englisch ausgerichtete Genauigkeits-Benchmarks. Einige Wettbewerber liegen bei der englischspezifischen Wortfehlerrate vorn. Deepgram Nova-3 und die größeren Whisper-Modelle schneiden bei englischen Inhalten gut ab. Wenn Ihre Inhalte ausschließlich auf Englisch sind und WER Ihre wichtigste Kennzahl ist, führen Sie vorher Ihren eigenen Test durch, bevor Sie davon ausgehen, dass Google am besten ist.

Keine GCP-Infrastruktur. Die Nutzung von Speech-to-Text erfordert ein GCP-Projekt, ein Servicekonto, ein Abrechnungskonto und die SDK-Einrichtung. Das ist machbar, aber für ein Startup, das nicht ohnehin GCP-Kunde ist, nicht trivial. Eine eigenständige API wie AssemblyAI oder ein schlüsselfertiges Tool wie ConvertAudioToTexts Audio-zu-Text-Tool bringt Sie schneller von der Datei zum Transkript, wenn Sie keine eigene Pipeline bauen. Flatrate-Pläne ohne Abrechnung pro Minute finden Sie auf unserer Preisseite.

Checkliste zur Kostensenkung

Verlagern Sie nicht dringende Workloads auf Dynamic Batch. Die V2-Dynamic-Batch-Stufe ist die wirksamste einzelne Maßnahme zur Kostensenkung. Wenn Ergebnisse 24 Stunden warten können, gibt es keinen Grund, Echtzeittarife zu zahlen.

Konvertieren Sie Stereo in Mono, bevor Sie senden. Mehrkanal-Audio wird pro Kanal abgerechnet. Eine normale Stereoaufnahme verdoppelt Ihre Kosten, wenn Sie nicht zuerst konvertieren. Das Heruntermischen auf Mono mit 16 kHz vor dem Upload senkt Speicher-, Übertragungs- und API-Kosten, ohne die Genauigkeit zu beeinträchtigen.

Stellen Sie sicher, dass Sie für neuen Code V2-Endpunkte aufrufen. Der Preisrechner und die Dokumentation standardmäßig auf V2, aber Integrationen aus älteren Beispielen können weiterhin auf V1-Endpunkte verweisen. Prüfen Sie die Endpunkt-URL in Ihren API-Aufrufen.

Richten Sie Abrechnungswarnungen in der Cloud Console ein. Konfigurieren Sie Warnungen bei 50 %, 80 % und 100 % Ihrer erwarteten monatlichen Ausgaben. Eine Wiederholungsschleife oder ein Konfigurationsfehler kann Ihre Rechnung vervielfachen, bevor Sie es bemerken.

Nutzen Sie den Google Cloud Pricing Calculator, um Ihr tatsächliches Volumen, Ihre API-Version und Ihre Funktionsauswahl zu modellieren, bevor Sie sich festlegen.

Häufige Fragen

Wie viel kostet Google Cloud Speech-to-Text pro Minute im Jahr 2026?

Die V2-API kostet 0,016 $ pro Minute für die Echtzeit-Standardtranskription und sinkt bei höheren monatlichen Volumina auf 0,010 $ bzw. 0,008 $ pro Minute. Der Dynamic-Batch-Modus kostet etwa 0,003 bis 0,004 $ pro Minute für Workloads, die eine Bearbeitungszeit von 24 Stunden akzeptieren können. Die V1-API kostet 0,016 $ pro Minute mit aktivierter Datenprotokollierung oder 0,024 $ pro Minute ohne diese. Medizinische Modelle (nur V1) schlagen mit 0,078 $ pro Minute zu Buche.

Was ist das kostenlose Kontingent für Google Cloud Speech-to-Text?

Jedes Google-Cloud-Konto erhält monatlich 60 Minuten kostenlose Transkription, dauerhaft und ohne Ablaufdatum. Neue GCP-Kunden bekommen zusätzlich 300 $ in Guthaben (90 Tage gültig), das über alle GCP-Dienste hinweg nutzbar ist, einschließlich Speech-to-Text. Nach den kostenlosen 60 Minuten greifen automatisch die regulären Minutenpreise. Ein Abrechnungskonto muss an dein Projekt angebunden sein, um die API zu nutzen, auch innerhalb des kostenlosen Kontingents.

Was ist Dynamic Batch und was kostet es?

Dynamic Batch ist ein Verarbeitungsmodus, den es nur in der V2-API gibt. Er stellt deine Transkriptionsanfragen in eine Warteschlange für eine priorisierte Verarbeitung mit niedrigerer Priorität und liefert Ergebnisse innerhalb von 24 Stunden. Der Satz liegt bei etwa 0,003 bis 0,004 $ pro Minute, verglichen mit 0,016 $/Minute für Echtzeit-Standard. Am besten eignet er sich für nächtliche Stapelverarbeitungen: Podcast-Archive, Qualitätsprüfung am nächsten Tag, Massentranskriptionsprojekte. Für Live-Untertitel oder jeden Anwendungsfall, der Ergebnisse in Sekunden erfordert, nutze den Standard-Echtzeit-Endpunkt.

Was ist der Unterschied zwischen der V1- und der V2-API bei der Preisgestaltung?

Die V1-Preise basieren auf einem Datenprotokollierungsmodell: 0,016 $/Minute mit aktivierter Datenprotokollierung oder 0,024 $/Minute ohne diese. Die V2-Preise verwenden Volumenstufen ab 0,016 $/Minute, ohne separaten Rabatt für Datenprotokollierung. V2 bietet zusätzlich Dynamic Batch und enthält die Chirp-Modellfamilie ohne Aufpreis. V1 ist die einzige Option, wenn du die Modelle für medizinische Diktate oder medizinische Konversationen benötigst. Für jede neue Integration ist V2 der empfohlene Weg.

Wie schneidet die Preisgestaltung von Google Cloud Speech-to-Text im Vergleich zu Deepgram ab?

Bei Echtzeit-Tarifen ist Deepgram Nova-3 (0,0077 $/Min) günstiger als Google V2 Standard (0,016 $/Min) für identische Workloads bis zu 500.000 Minuten pro Monat. Über 1 Million Minuten pro Monat senken Googles Volumenstufen den V2-Preis auf 0,008 $/Min und darunter, wodurch der Vergleich enger wird. Googles Dynamic Batch liegt bei etwa 0,003 $/Min und unterbietet Deepgram für nicht zeitkritische Workloads. Die praktische Wahl hängt davon ab, welche Sprachen Sie benötigen (Google führt bei der Breite), von Ihrem GCP-Fußabdruck und davon, ob Echtzeit-Latenz eine Anforderung ist. Eine detailliertere Aufschlüsselung finden Sie im Vergleich der Preise für Speech-to-Text-APIs.

Quellen

• Google Cloud Speech-to-Text Preise, offizielle Preisseite
• CostBench: Google Speech-to-Text Preise 2026, V1/V2-Tariftabelle
• BrassTranscripts: Google STT, warum Ihre Rechnung sich verdoppelt, Kontext zu Infrastrukturkosten
• Smallest.ai: Google Cloud STT 2026 Review, V2-Modellübersicht
• Deepgram Preise, Nova-3-Tarife verifiziert
• Amazon Transcribe Preise, AWS-Tarife
• Azure Speech Preise, Azure-Tarife
• OpenAI Whisper Preise 2026, Whisper/gpt-4o-Tarife