Die besten Speech-to-Text-Modelle 2026

Speech-to-Text-Modelle: Von 14 getesteten Angeboten liegen derzeit NVIDIA Nemotron 3.5 Transcribe, ElevenLabs Scribe v2 und Voxtral 3 (Transcribe and TTS) vorn. Alle sind nach unserer Bewertung sortiert, mit Preis, unserem Fazit und für wen sie sich eignen.

Von Andrew Miller · Aktualisiert am 2. Nov. 2026 · So testen wir

So ist das Ranking entstanden: nach unserer Bewertung (maximal 5 Punkte), aus Tests auf Grundlage der Preise, Dokumentation und Richtlinien des jeweiligen Produkts sowie unabhängiger Benchmarks, wo es sie gibt, jeweils geprüft an dem im Test genannten Datum. Wir erhalten keine Affiliate-Provisionen.

1
NVIDIA Nemotron 3.5 Transcribe
Ein offenes Sprachmodell, das bei der Genauigkeit mit den besten offenen Konkurrenten gleichzieht und Diarisierung, Übersetzung und eigenes Vokabular in einem Prompt bündelt, gehostet für 0,12 $ pro Stunde.
Am besten für: Teams, die aufgezeichnete Anrufe, Besprechungen oder Medien in großem Umfang transkribieren und Sprecherkennzeichnung und Fachvokabular wollen, ohne mehrere Modelle zusammenzustückeln.
Preis: Offene Gewichte unter OpenMDW-1.1. DeepInfra: 0,002 $ pro Audiominute (0,12 $ pro Stunde); OpenRouter leitet zu DeepInfra weiter, etwa zum gleichen Preis.
Unseren Test von NVIDIA Nemotron 3.5 Transcribe lesen
4.5/5
2
ElevenLabs Scribe v2
Scribe v2 transkribiert genau und übernimmt Schwärzung und Sprecherzuordnung, aber Microsoft verkauft inzwischen bessere Genauigkeit für weniger als den halben Preis.
Am besten für: Meeting-, Medien- und Klinikprodukte, die neben einem genauen Transkript auch Sprecherkennzeichnung und Schwärzung brauchen.
Preis: API: Scribe v2 und v2 Medical 0,22 $ pro Stunde Audio; Scribe v2 Realtime 0,39 $ pro Stunde; Keyterm Prompting kostet 0,05 $ pro Stunde extra. Tarife ab 6 $/Monat enthalten Stunden.
Unseren Test von ElevenLabs Scribe v2 lesen
4.4/5
3
Voxtral 3 (Transcribe and TTS)
In unabhängigen Transkriptionstests nahe der Spitze, für ein Drittel Cent pro Minute und mit EU-Endpunkten; die Sprachausgabe ist bloß konkurrenzfähig, und diesmal ist nichts als Open Weights verfügbar.
Am besten für: Teams, die große Mengen an Meetings, Anrufen oder Medien transkribieren, besonders in Europa, und Spitzengenauigkeit zu niedrigen Kosten pro Minute wollen.
Preis: Mini Transcribe 3 0,0035 $ pro Minute; Small Transcribe 3 0,0040 $ pro Minute; Mini Transcribe Realtime 3 0,008 $ pro Minute; TTS 3 13 $ pro Million Zeichen (Preise zum Start laut Berichten).
Unseren Test von Voxtral 3 (Transcribe and TTS) lesen
4.4/5
4
Gemini 3.5 Transcribe
Genau und günstig genug für die meisten Transkriptionen, aber in keiner der beiden Hinsichten mehr die naheliegende Wahl.
Am besten für: Teams, die bereits die Gemini API nutzen und Datei- und Streaming-Transkription von einem Anbieter für etwa einen halben Cent pro Minute wollen.
Preis: Transcribe etwa 0,005 $ pro Minute (2 $ Eingabe / 12 $ Ausgabe pro 1M Tokens); Transcribe Live etwa 0,009 $ pro Minute (3,50 $ / 21 $). Free Tier in AI Studio und in der API.
Unseren Test von Gemini 3.5 Transcribe lesen
4.2/5
5
Moondream Parakeet Redux
Für Transkription auf einer CPU oder einem Mac tauscht Parakeet Redux etwas Genauigkeit im Englischen und viel Robustheit gegen Störgeräusche gegen ein Modell, das ein Siebtel so groß und mehr als doppelt so schnell ist.
Am besten für: Entwickler, die einigermaßen saubere Sprache auf CPUs, Laptops oder Macs transkribieren und die 25 Sprachen von Parakeet ohne GPU nutzen wollen.
Preis: Kostenlose Gewichte unter CC BY 4.0 (kommerzielle Nutzung mit Namensnennung); läuft lokal über das kostenlose Python-Paket moondream.
Unseren Test von Moondream Parakeet Redux lesen
4.1/5
6
Parakeet TDT 0.6B v3
Parakeet v3 hält den Geschwindigkeitsrekord bei der Transkription, mit Genauigkeit auf Whisper-Niveau und einer harten Grenze um Europa.
Am besten für: Entwickler, die große Mengen Audio in europäischen Sprachen transkribieren und Tempo und niedrige Kosten schätzen.
Preis: Kostenlos unter CC BY 4.0. Die gehostete Version bei Together AI kostet 0,0015 $ pro Minute (1,50 $ pro 1.000 Minuten).
Unseren Test von Parakeet TDT 0.6B v3 lesen
4.1/5
7
Phonon-2
Phonon-2 ist Parakeet in einem Fünfzehntel der Größe bei nahezu gleicher Genauigkeit, und das macht gute englische Transkription innerhalb eines App-Downloads praktikabel.
Am besten für: App-Entwickler, die genaue englische Spracherkennung auf einem Laptop, Smartphone oder CPU-Server brauchen, ohne ein Modell mit mehreren Gigabyte auszuliefern.
Preis: Gewichte kostenlos unter CC-BY-4.0; CLI und Code Apache 2.0; Detta-App kostenlos auf Macs mit Apple Silicon.
Unseren Test von Phonon-2 lesen
4.1/5
8
pyannote speaker-diarization-community-1
Weiterhin der offene Standard, um Sprecher auseinanderzuhalten, und ein klarer Fortschritt gegenüber 3.1, doch das kostenpflichtige Modell der eigenen Entwickler macht bei schwierigem Audio etwa ein Drittel weniger Fehler.
Am besten für: Entwickler, die selbst gehostete Transkription für Meetings, Anrufe oder Podcasts bauen und Sprecherlabels unter einer freizügigen Lizenz brauchen.
Preis: Kostenlos unter CC BY 4.0. Gehostet bei pyannoteAI für 0,035 € pro Stunde Audio; das kostenpflichtige Modell Precision-3 kostet 0,112 € pro Stunde (Developer, 19 €/Monat) oder 0,096 € (Starter, 99 €/Monat).
Unseren Test von pyannote speaker-diarization-community-1 lesen
4.1/5
9
Deepgram Nova-3
Nova-3 ist schnell und günstig genug für Live-Telefonaudio, macht in einem neutralen Test aber mehr als doppelt so viele Fehler wie die Spitzenreiter bei der Genauigkeit.
Am besten für: Teams in Contact Centern und für Live-Untertitel, die schnelle Transkription von Telefonaudio mit hoher Parallelität brauchen, auch auf eigenen Servern.
Preis: Aufgezeichnet 0,0043 $/Min. (einsprachig) oder 0,0052 $/Min. (mehrsprachig) bei Pay-as-you-go; Streaming 0,0048 $/Min. im Aktionspreis, regulär 0,0077 $. Der Growth-Tarif ab 4.000 $/Jahr ist günstiger. 200 $ Gratisguthaben.
Unseren Test von Deepgram Nova-3 lesen
4.0/5
10
GPT Transcribe
Ein vernünftiges Upgrade für Teams, die auf OpenAI setzen, auch wenn die Abkündigung, auf der es aufbaut, Sprecherzuordnung und Zeitstempel wegnimmt, die dieses Modell nicht zurückgibt.
Am besten für: Teams auf der OpenAI API, die Whisper oder GPT-4o Transcribe vor Februar 2027 verlassen müssen und keine Sprecherzuordnung oder Zeitstempel brauchen.
Preis: 0,0045 $ pro Minute Audio (4,50 $ pro 1.000 Minuten); keine Batch-Unterstützung. Das Streaming-Modell gpt-live-transcribe kostet 0,017 $ pro Minute.
Unseren Test von GPT Transcribe lesen
3.9/5
11
MOSS-Transcribe-Diarize 0.9B
MOSS-Transcribe-Diarize ersetzt eine Meeting-Pipeline aus zwei Modellen durch ein kleines, und seine Benchmark-Siege liegen überwiegend auf Mandarin.
Am besten für: Teams, die lange Aufnahmen mit mehreren Sprechern auf eigenen GPUs transkribieren, besonders auf Chinesisch, und Sprecherlabels ohne separates Diarisierungsmodell wollen.
Preis: Kostenlos unter Apache 2.0. Das größere Pro-Modell wird über MOSIs Online-Playground angeboten; API-Preise sind nicht veröffentlicht.
Unseren Test von MOSS-Transcribe-Diarize 0.9B lesen
3.9/5
12
VibeVoice-ASR
VibeVoice-ASR macht aus einem einstündigen Meeting in einem Durchgang ein Transkript mit Sprecherzuordnung, und jede Genauigkeitsangabe dazu stammt bisher von Microsoft selbst.
Am besten für: Teams, die lange Aufnahmen mit mehreren Sprechern auf eigener Hardware transkribieren und eine Sprecherzuordnung ohne separaten Diarisierungsschritt wollen.
Preis: Kostenlos unter der MIT-Lizenz. Auch in Azure AI Foundry Labs verfügbar.
Unseren Test von VibeVoice-ASR lesen
3.8/5
13
Whistle
Brauchbare Spracherkennung in sieben Sprachen mit 16,9 MB, von einem Anbieter, der die Engine geschlossen und seine Telemetrie eingeschaltet hält.
Am besten für: Gerätehersteller, die Offline-Sprachbefehle in europäischen Sprachen auf Hardware brauchen, die für Whisper zu klein ist.
Preis: Kostenlose offene Gewichte unter Apache 2.0; die vorkompilierte Engine ist kostenlos herunterladbar. Cactus verkauft auf seiner Plattform Hilfe bei Feinabstimmung und Bereitstellung; Preise nicht veröffentlicht.
Unseren Test von Whistle lesen
3.8/5
14
Whisper large-v3-turbo
Whisper turbo ist heute die billige, uneingeschränkte Basislinie, an der neuere Sprachmodelle gemessen werden, nicht das Modell, das gewinnt.
Am besten für: Teams, die günstige, freizügig lizenzierte Transkription brauchen, die sie selbst hosten oder für Cent-Beträge pro Stunde einkaufen können, und mit zweitklassiger Genauigkeit leben können.
Preis: Kostenlos unter der MIT-Lizenz. Gehostete Versionen sind günstig: Artificial Analysis führt Groq mit etwa 0,67 $ pro 1.000 Minuten.
Unseren Test von Whisper large-v3-turbo lesen
3.7/5