Speech-to-Text-API-Preise 2026: Google Cloud vs. AWS Transcribe vs. OpenAI Whisper vs. Deepgram

Die Preislandschaft für Speech-to-Text-APIs im Jahr 2026

Wer ein Produkt baut, das Audio in Text umwandelt, muss sich für eine Speech-to-Text-API entscheiden. Und während in der Proof-of-Concept-Phase Genauigkeit und Latenz die ganze Aufmerksamkeit bekommen, entscheidet der Preis darüber, ob das Ganze im großen Maßstab tragfähig ist. Ein Unterschied von $0.002 pro Minute klingt belanglos – bis Sie 10,000 Stunden pro Monat verarbeiten und dieser Unterschied Sie $1,200 zusätzlich kostet.

Dieser Leitfaden schlüsselt die Preise für Speech-to-Text-APIs der vier großen Anbieter im Jahr 2026 auf: Google Cloud Speech-to-Text, AWS Transcribe, OpenAI Whisper API und Deepgram. Wir haben jeden Anbieter getestet, die Preisdokumentation ausgewertet und reale Kosten für mehrere Volumenstufen berechnet, damit Sie eine fundierte Entscheidung treffen können, bevor Sie auch nur eine Zeile Integrationscode schreiben.

Wenn Sie diese Anbieter einzeln evaluieren, finden Sie bei uns ausführliche Einzelanalysen zu den Preisen von Google Cloud Speech-to-Text, den Preisen von AWS Transcribe und den Preisen der OpenAI Whisper API.

Vollständige Preisvergleichstabelle

Hier die komplette Aufschlüsselung der Speech-to-Text-API-Preise aller vier Anbieter, Stand Februar 2026.

Einige Dinge fallen sofort auf. Die OpenAI Whisper API ist mit $0.006 pro Minute am günstigsten, bietet aber kein Streaming und keine native Sprecher-Diarisierung. Deepgram bietet die beste Balance zwischen niedrigen Preisen und voll ausgestatteten Echtzeit-Funktionen. Google Cloud und AWS Transcribe sind bei der Standard-Transkription nahezu identisch bepreist, unterscheiden sich aber deutlich in ihren Enhanced- und Spezialstufen.

Die Preismodelle der einzelnen Anbieter verstehen

Preise von Google Cloud Speech-to-Text

Google Cloud Speech-to-Text nutzt ein gestaffeltes Preismodell, das vom gewählten Erkennungsmodell und den aktivierten Funktionen abhängt.

Die Grundtarife werden in 15-Sekunden-Schritten berechnet, aufgerundet. Ist Ihr Audioclip 16 Sekunden lang, zahlen Sie für 30 Sekunden. Diese Rundung wirkt sich spürbar auf die Kostenkalkulation aus, wenn Sie viele kurze Audioclips verarbeiten.

• Standarderkennung: $0.024 pro Minute
• Enhanced-Erkennung (Chirp 2): $0.036 pro Minute
• Medizinische Transkription: $0.078 pro Minute
• Rabatt bei Data-Logging-Opt-in: 33% Ermäßigung auf Standardmodelle

Das kostenlose Kontingent umfasst 60 Minuten Standarderkennung pro Monat, unbefristet. Das ist für Entwicklung und Tests wirklich nützlich, im Produktivbetrieb aber schnell aufgebraucht.

Zuschläge für Funktionen summieren sich. Die Aktivierung von Sprecher-Diarisierung, automatischer Zeichensetzung oder Zeitstempeln auf Wortebene ändert den Grundpreis nicht, aber der Wechsel zum Enhanced-Modell Chirp 2 für bessere Genauigkeit erhöht die Kosten um 50%.

Preise von AWS Transcribe

AWS Transcribe hält die Preisgestaltung unkompliziert: ein einheitlicher Tarif für die Standard-Transkription und volumenbasierte Rabatte bei höheren Stufen.

• Standard-Transkription: $0.024 pro Minute
• Ab 250K Minuten/Monat: $0.015 pro Minute
• Ab 1M Minuten/Monat: $0.0102 pro Minute
• Medizinische Transkription: $0.075 pro Minute
• Call Analytics: $0.024 pro Minute (Streaming), $0.012 pro Minute (nach dem Anruf)

AWS rundet auf die nächste Sekunde auf statt in 15-Sekunden-Schritten, was es bei kurzen Clips etwas kosteneffizienter macht als Google Cloud. Das kostenlose Kontingent bietet 60 Minuten pro Monat – allerdings nur in den ersten 12 Monaten. Danach kostet jede Minute Geld.

Die Volumenrabatte machen AWS wettbewerbsfähig. Wenn Sie mehr als 250,000 Minuten pro Monat verarbeiten (rund 4,167 Stunden), sinkt der Preis auf $0.015 pro Minute, ein Rabatt von 37.5%. Bei über einer Million Minuten pro Monat fällt er weiter auf $0.0102 und unterbietet damit die meisten Wettbewerber in dieser Größenordnung.

Preise der OpenAI Whisper API

Die API-Preise von OpenAI für Whisper sind die einfachsten aller vier Anbieter.

• Whisper large-v3: $0.006 pro Minute
• Kein kostenloses Kontingent
• Keine Volumenrabatte
• Kein Streaming

Das war's. Es gibt keine Stufen, keine Funktionszuschläge und keine Modellvarianten zur Auswahl. Sie zahlen $0.006 pro Minute verarbeitetes Audio, abgerechnet pro Sekunde des eingespeisten Audios.

Der Haken ist das, was Sie nicht bekommen. Die Whisper API arbeitet ausschließlich im Batch-Modus, ohne Echtzeit-Streaming. Es gibt keine native Sprecher-Diarisierung, kein eigenes Vokabular und keine Konfidenzwerte auf Wortebene. Sie schicken Audio hin, Sie bekommen Text zurück. Für viele Anwendungen reicht das völlig aus. Für andere bedeuten die fehlenden Funktionen, dass Sie zusätzliche Verarbeitungsschichten bauen oder einkaufen müssen.

Preise von Deepgram

Die Preise von Deepgram variieren je nach Modell und danach, ob Sie vorab aufgezeichnete oder Streaming-Transkription benötigen.

• Nova-2 (vorab aufgezeichnet): $0.0043 pro Minute
• Nova-2 (Streaming): $0.0059 pro Minute
• Nova-3 (vorab aufgezeichnet): $0.0059 pro Minute
• Nova-3 (Streaming): $0.0065 pro Minute
• Whisper Cloud (vorab aufgezeichnet): $0.0048 pro Minute
• Pay-as-you-go-Guthaben: $200 kostenlos zum Start

Deepgrams Preise sind durchgehend die niedrigsten unter den voll ausgestatteten Anbietern. Selbst das Premium-Modell Nova-3 für Streaming liegt bei $0.0065 pro Minute und ist damit immer noch günstiger als das Standardmodell von Google Cloud.

Das Startguthaben von $200 ist großzügig genug, um auf dem Nova-2-Modell für vorab aufgezeichnetes Audio etwa 46,500 Minuten (775 Stunden) zu verarbeiten – damit ist es eines der besten kostenlosen Kontingente für eine ernsthafte Evaluierung.

Kosten im großen Maßstab: Berechnungen aus der Praxis

Der Minutenpreis ist nützlich für den Vergleich, aber was zählt, ist die tatsächliche Rechnung am Monatsende. Hier die realen Kosten für drei Volumenstufen, die typische Produktions-Workloads abbilden.

100 Stunden pro Monat (Startup/KMU)

Dieses Volumen ist typisch für ein Transkriptions-SaaS mit einigen hundert aktiven Nutzern, ein Podcast-Netzwerk, das wöchentliche Episoden verarbeitet, oder ein kleines Callcenter.

Bei 100 Stunden pro Monat kostet Deepgram Nova-2 82% weniger als der Standardtarif von Google Cloud oder AWS. OpenAI Whisper ist mit $36.00 die zweitgünstigste Option, bietet aber weder Streaming noch Diarisierung. Der Abstand zwischen Deepgram und den Hyperscaler-Preisen ist schon bei diesem Volumen erheblich.

1,000 Stunden pro Monat (Wachstumsphase)

Ein wachsendes SaaS-Produkt, ein mittelgroßes Callcenter oder ein Medienunternehmen, das Inhalte im großen Stil verarbeitet.

Bei 1,000 Stunden bleibt das Muster bestehen. Google Cloud und AWS liegen bei $1,440 pro Monat, während Deepgram dasselbe Volumen für $258 verarbeitet. Das sind $14,184 Ersparnis pro Jahr, wenn man sich für Deepgram Nova-2 statt für den Standardtarif von Google Cloud entscheidet. Für ein Startup, das auf seine Burn Rate achtet, ist das ein spürbarer Unterschied.

10,000 Stunden pro Monat (Enterprise)

Verarbeitung im Enterprise-Maßstab. Denken Sie an globale Callcenter, große Medienarchive, Compliance-Aufzeichnungssysteme oder eine Transkriptions-API, die Tausende Entwickler bedient.

Im Enterprise-Maßstab greifen endlich die Volumenrabatte von AWS und drücken den Preis auf $10,620 (statt $14,400 ohne Rabatte). Aber Deepgram Nova-2 gewinnt weiterhin mit $2,580 und spart über $8,000 pro Monat gegenüber den rabattierten AWS-Preisen und über $11,800 pro Monat gegenüber dem Standardtarif von Google Cloud.

OpenAI Whisper ist mit $3,600 preislich wettbewerbsfähig, aber bedenken Sie: kein Streaming, keine Diarisierung, kein eigenes Vokabular. Bei 10,000 Stunden pro Monat brauchen Sie diese Funktionen mit ziemlicher Sicherheit.

Versteckte Kosten, die Sie kennen sollten

Der Minutenpreis auf der Preisseite jedes Anbieters erzählt nur einen Teil der Geschichte. Mehrere zusätzliche Kostenpunkte können Ihre Gesamtausgaben erheblich beeinflussen.

Datenübertragungs- und Egress-Gebühren

Google Cloud und AWS berechnen Gebühren für ausgehenden Datenverkehr (Egress), wenn Sie Transkriptionsergebnisse aus ihrer Cloud herausbewegen. Läuft Ihre Anwendung außerhalb ihres Ökosystems, müssen Sie mit folgenden Kosten rechnen:

• Google Cloud: $0.12 pro GB für das erste 1 TB Egress pro Monat
• AWS: $0.09 pro GB für die ersten 10 TB Egress pro Monat
• OpenAI: Keine Egress-Gebühren (Ergebnisse werden über die API-Antwort geliefert)
• Deepgram: Keine Egress-Gebühren

Transkriptdaten sind klein (wenige KB pro Stunde Audio), daher ist der Egress für Ergebnisse vernachlässigbar. Aber wenn Sie Audiodateien zuerst in den Cloud-Speicher hochladen, summieren sich der Ingress der Audiodateien und etwaige Zwischenverarbeitung. Eine einstündige WAV-Datei in CD-Qualität umfasst etwa 635 MB. Bei 10,000 Stunden bedeutet das, dass Sie rund 635 TB Audio pro Monat aufnehmen.

Kosten für Audiospeicherung

Wenn Sie das Quellaudio für Compliance, erneute Verarbeitung oder Qualitätssicherung aufbewahren müssen:

• Google Cloud Storage: $0.020 pro GB/Monat (Standard)
• AWS S3: $0.023 pro GB/Monat (Standard)
• Cloudflare R2: $0.015 pro GB/Monat (keine Egress-Gebühren)

Für 10,000 Stunden komprimiertes Audio (etwa 60 TB bei 128kbps MP3) liegen die monatlichen Speicherkosten je nach Anbieter zwischen $900 und $1,380. Ein Speicheranbieter wie Cloudflare R2, der keine Egress-Gebühren erhebt, kann auf Dauer erheblich Kosten sparen.

Audio-Vorverarbeitung

Nicht alle Anbieter akzeptieren alle Audioformate nativ. Liegt Ihr Quellaudio in einem Format vor, das konvertiert werden muss (Videodateien, ungewöhnliche Codecs, Mehrkanal-Layouts), müssen Sie Folgendes einkalkulieren:

• FFmpeg-Verarbeitungszeit auf Ihrer eigenen Infrastruktur
• Rechenkosten für Audioextraktion und Konvertierung
• Temporären Speicher für Zwischendateien

Deepgram und Google Cloud akzeptieren die größte Bandbreite an Eingabeformaten. AWS Transcribe verlangt, dass das Audio in S3 liegt oder in bestimmten Formaten gestreamt wird. OpenAI Whisper akzeptiert die meisten gängigen Formate, hat aber ein Dateigrößenlimit von 25 MB pro Anfrage, sodass Sie längere Dateien aufteilen müssen.

SDK- und Integrationsaufwand

Google Cloud und AWS erfordern jeweils ihre eigenen SDKs, ein Authentifizierungs-Setup und IAM-Konfiguration. Das sind keine direkten Dollarkosten, aber die Entwicklungszeit für Integration, Wartung und Debugging dieser SDKs ist real.

OpenAI und Deepgram bieten einfachere REST-APIs, die sich mit einem einzigen HTTP-Request und einem API-Schlüssel aufrufen lassen. Für kleine Teams bedeutet dieser Unterschied in der Integrationskomplexität tagelang eingesparte Entwicklungszeit.

Welche API gewinnt für Ihren Anwendungsfall?

Die eine beste Speech-to-Text-API gibt es nicht. Die richtige Wahl hängt von Ihrem Volumen, Ihren Funktionsanforderungen, Ihrer bestehenden Infrastruktur und Ihrem Budget ab.

Am besten für Startups und kleine Teams

Gewinner: Deepgram

Startups brauchen niedrige Kosten, einfache Integration und Spielraum zum Skalieren, ohne Verträge neu verhandeln zu müssen. Deepgram erfüllt alle drei Kriterien. Das kostenlose Guthaben von $200 gibt Ihnen genug Spielraum, um Ihre Integration gründlich zu bauen und zu testen. Nova-2 mit $0.0043 pro Minute hält die Kosten beim Wachsen im Rahmen. Die REST-API ist unkompliziert, und Streaming, Diarisierung und Themenerkennung gibt es ohne Aufpreis dazu.

Zweiter Platz: OpenAI Whisper API, wenn Sie nur Batch-Transkription brauchen und ohne Streaming auskommen. Mit $0.006 pro Minute und null Funktions-Overhead ist sie in puncto Einfachheit kaum zu schlagen.

Am besten für Enterprise und hohe Volumen

Gewinner: AWS Transcribe (mit Volumenrabatten) oder Deepgram (mit Enterprise-Vertrag)

Im Enterprise-Maßstab verlagert sich das Gespräch von Listenpreisen zu ausgehandelten Tarifen. Die automatischen Volumenrabatte von AWS Transcribe bei 250K und 1M Minuten pro Monat machen den Dienst zunehmend wettbewerbsfähig, ohne dass ein Verkaufsgespräch nötig wäre. Wenn Sie bereits auf AWS-Infrastruktur laufen, ist die Integration nahtlos und Sie vermeiden Cloud-übergreifende Datenübertragung.

Deepgram bietet Enterprise-Verträge mit individueller Preisgestaltung, die laut veröffentlichten Fallstudien die Minutenkosten bei sehr hohen Volumen unter $0.003 drücken können. Wenn Sie nicht an einen bestimmten Cloud-Anbieter gebunden sind, lohnt sich ein Blick auf Deepgrams Enterprise-Stufe.

Google Cloud wird zu einer starken Option, wenn Sie bereits stark in GCP investiert sind und die Breite der Sprachunterstützung schätzen (125+ Sprachen gegenüber 36 bei Deepgram).

Am besten für mehrsprachige Anwendungen

Gewinner: Google Cloud Speech-to-Text

Wenn Ihr Produkt eine globale Nutzerbasis bedient und Audio in Dutzenden Sprachen mit hoher Genauigkeit transkribieren muss, ist die Unterstützung von 125+ Sprachen bei Google Cloud unerreicht. Das Chirp-2-Modell bringt gegenüber früheren Modellen deutliche Genauigkeitsverbesserungen für nicht-englische Sprachen.

Zweiter Platz: OpenAI Whisper unterstützt 57 Sprachen und kommt mit Code-Switching (mehrere Sprachen in einer Aufnahme) besser zurecht als die meisten Wettbewerber. Mit $0.006 pro Minute ist es eine kosteneffiziente mehrsprachige Option.

Deepgram unterstützt 36 Sprachen, was die meisten großen Weltsprachen abdeckt, aber zu kurz greifen kann, wenn Sie seltenere Sprachen oder regionale Dialekte benötigen.

Am besten für Medizin und Gesundheitswesen

Gewinner: AWS Transcribe Medical

AWS Transcribe Medical ist speziell für die Transkription im Gesundheitswesen gebaut – mit HIPAA-Konformität, medizinischem Vokabular und fachspezifischen Modellen für Kardiologie, Neurologie, Onkologie, Radiologie und Urologie. Mit $0.075 pro Minute ist es teuer, aber Gesundheitsorganisationen stellen Compliance und Genauigkeit in der Regel über die Kosten.

Zweiter Platz: Google Cloud bietet medizinische Transkription für $0.078 pro Minute mit Healthcare-API-Integration und HIPAA-fähiger Infrastruktur.

Weder OpenAI Whisper noch Deepgram bieten dedizierte medizinische Modelle, allerdings lässt sich Deepgrams Funktion für eigenes Vokabular auf medizinische Fachbegriffe trainieren.

Am besten für Echtzeit und Streaming

Gewinner: Deepgram

Deepgrams Streaming-Transkription für $0.0059 pro Minute (Nova-2) liefert Latenzen unter 300 ms mit Sprecher-Diarisierung, Zwischenergebnissen und Endpointing. Für Anwendungen wie Live-Untertitelung, Sprachassistenten oder Echtzeit-Meeting-Transkription ist diese Kombination aus niedriger Latenz, vollem Funktionsumfang und niedrigen Kosten kaum zu schlagen.

Zweiter Platz: Google Cloud bietet zuverlässiges Streaming mit breiter Sprachunterstützung, aber zum 4-fachen Preis von Deepgrams Streaming-Tarif.

Keine Option: Die OpenAI Whisper API unterstützt Streaming, Stand Februar 2026, überhaupt nicht.

Wie ConvertAudioToText die Kosten niedrig hält

Bei ConvertAudioToText haben wir unsere Transkriptions-Pipeline ganz bewusst auf der Infrastruktur von Deepgram aufgebaut – genau wegen der oben dargestellten Balance aus Preis und Funktionen. Durch den Einsatz der Nova-Modelle von Deepgram geben wir diese Kostenersparnis an unsere Nutzer weiter und liefern trotzdem Sprecher-Diarisierung, Sentiment-Analyse, Themenerkennung und mehrere Exportformate.

Unsere Architektur verarbeitet Audio asynchron über ein warteschlangenbasiertes System. Dadurch können wir Anfragen effizient bündeln und vermeiden den Overhead dauerhaft offener Streaming-Verbindungen, wenn sie nicht gebraucht werden. Das Ergebnis ist ein Dienst, der Ihnen die Genauigkeit der besten Deepgram-Modelle zu einem Bruchteil dessen bietet, was Sie bei einer direkten API-Integration zahlen würden – wenn man Infrastruktur, Vorverarbeitung und Wartung einrechnet.

Entwickler, die die rohe API wollen, finden in unserem Leitfaden zu den besten Speech-to-Text-APIs Integrationsanleitungen und Codebeispiele.

Preistrends: Wohin sich die Kosten für Speech-to-Text-APIs entwickeln

In den vergangenen drei Jahren sind die Minutenpreise bei allen großen Anbietern um 30 bis 50 Prozent gefallen. Dieser Trend zeigt keine Anzeichen einer Verlangsamung. Mehrere Kräfte drücken die Kosten nach unten:

Effizienzgewinne bei den Modellen. Neuere Architekturen wie Deepgrams Nova-3 und Googles Chirp 2 erreichen höhere Genauigkeit mit weniger Rechenressourcen pro verarbeiteter Audiominute. Mit zunehmender Reife dieser Modelle geben die Anbieter einen Teil dieser Einsparungen an die Kunden weiter.

Wettbewerb durch Open-Source-Modelle. Die Open-Source-Veröffentlichung von Whisper durch OpenAI zwang kommerzielle Anbieter, ihren Preisaufschlag mit Funktionen (Streaming, Diarisierung, eigene Modelle) zu rechtfertigen, die Whisper nicht bietet. Dieser gesunde Wettbewerbsdruck hält die Preise auf Abwärtskurs.

Hardware-Verbesserungen. Der Umstieg auf effizientere Inferenz-Hardware (eigene ASICs, optimierte GPU-Cluster) senkt die reinen Rechenkosten für Spracherkennung im großen Maßstab.

Volumenwachstum. Je mehr Anwendungen Speech-to-Text integrieren (Barrierefreiheits-Funktionen, Inhaltsindexierung, Meeting-Tools, Sprachschnittstellen), desto größer wird das Gesamtmarktvolumen – und die Anbieter können ihre Infrastrukturkosten auf mehr Minuten verteilen.

Für alle, die eine mehrjährige Integration planen, bedeutet das: Die API, die Sie heute wählen, wird mit der Zeit voraussichtlich günstiger. Sichern Sie sich jetzt günstige Preiskonditionen und kalkulieren Sie mit 10 bis 15 Prozent jährlicher Kostensenkung.

Häufig gestellte Fragen

Was ist die günstigste Speech-to-Text-API im Jahr 2026?

Deepgram Nova-2 mit $0.0043 pro Minute ist die günstigste voll ausgestattete Speech-to-Text-API. Wenn Sie nur Batch-Transkription ohne Streaming oder Diarisierung benötigen, ist die OpenAI Whisper API mit $0.006 pro Minute die günstigste Option ohne Volumenverpflichtung. Bei sehr hohen Volumen (über 1 Million Minuten pro Monat) fällt die gestaffelte Preisgestaltung von AWS Transcribe auf $0.0102 pro Minute, was mit dem Listenpreis von Deepgram konkurrieren kann.

Hat Google Cloud Speech-to-Text ein kostenloses Kontingent?

Ja. Google Cloud bietet 60 Minuten kostenlose Standarderkennung pro Monat ohne zeitliche Begrenzung. Dieses kostenlose Kontingent gilt unbefristet – anders als das von AWS Transcribe, das nach 12 Monaten ausläuft. Die 60 Minuten reichen für Entwicklung und Tests, aber nicht für einen nennenswerten Produktiv-Workload.

Ist die OpenAI Whisper API gut genug für den Produktiveinsatz?

Für Batch-Transkriptions-Workloads, bei denen Sie weder Echtzeit-Streaming noch Sprecher-Diarisierung brauchen, ist die Whisper API eine solide Wahl für die Produktion. Die Genauigkeit ist vergleichbar mit teureren Alternativen, besonders bei Englisch. Die Hauptbeschränkungen sind die fehlende Streaming-Unterstützung, das Dateigrößenlimit von 25 MB pro Anfrage und das Fehlen nativer Sprecheridentifikation. Wenn Ihr Anwendungsfall eine dieser Funktionen erfordert, müssen Sie entweder zusätzliche Verarbeitungsschichten bauen oder einen anderen Anbieter wählen.

Wie schätze ich meine monatlichen Speech-to-Text-API-Kosten?

Berechnen Sie Ihr monatliches Audiovolumen in Minuten und multiplizieren Sie es mit dem Minutenpreis Ihres gewählten Anbieters und Modells. Beispiel: Wenn Sie 500 Stunden Audio pro Monat mit Deepgram Nova-2 verarbeiten: 500 Stunden x 60 Minuten x $0.0043 = $129 pro Monat. Denken Sie daran, versteckte Kosten einzukalkulieren – etwa Audiospeicherung, Daten-Egress (bei Google Cloud und AWS) und etwaige Rechenleistung für die Konvertierung von Audioformaten.

Kann ich die Speech-to-Text-API wechseln, ohne meine Anwendung neu zu bauen?

Ein Anbieterwechsel erfordert Änderungen an Ihrem API-Integrationscode, an der Authentifizierung und möglicherweise an Ihrer Audio-Vorverarbeitungspipeline, aber der Kern-Workflow (Audio senden, Text empfangen) ist bei allen Anbietern ähnlich. Um die Wechselkosten zu minimieren, abstrahieren Sie Ihre Transkriptionslogik hinter einer internen Schnittstelle, damit Sie Anbieter austauschen können, ohne den Rest Ihrer Anwendung anzufassen. Dienste wie ConvertAudioToText übernehmen diese Abstraktion für Sie – so bekommen Sie die beste verfügbare Transkription, ohne API-Integrationen selbst verwalten zu müssen.