Zum Inhalt springen
ReviewRamble

Der wöchentliche Brief

KI im Test, in deinem Postfach.

  • Neue Tests von Tools, Modellen, MCP-Servern und Repos, mit dem Urteil vorneweg
  • Neu geprüfte Preise und Bewertungen, wenn sich etwas ändert
  • Neue Analysen, sobald sie erscheinen

Modelle, Agenten, MCP-Server und die Tools, die deine Zeit wirklich wert sind.

Eine E-Mail pro Woche. Abmelden kannst du dich über den Link in jedem Brief. Wie wir deine E-Mail-Adresse nutzen

AssemblyAI STT-3.7 (batch, Realtime and Realtime-Agent)

AssemblyAIs Modellfamilie vom November 2026: 32 Sprachen, ein Voice-Agent-Modell, das den Text 86 ms nach Sprechende fertig liefert, ab 0,21 $ pro Stunde.

Getestet von ReviewRamble editors · Aktualisiert

Diese Seite teilen:XLinkedInFacebookRedditWhatsAppE-Mail

Unsere Bewertung

4.4/5

Beim Voice-Agent-Modell verdient sich AssemblyAI seinen Platz; bei gewöhnlichem aufgezeichnetem Audio ist es gut, günstig und nicht mehr ganz das beste.

Was ist AssemblyAI STT-3.7 (batch, Realtime and Realtime-Agent)?

AssemblyAI-STT-3.7 ist eine Familie aus drei Speech-to-Text-Modellen, angekündigt am 18. November 2026. STT-3.7 verarbeitet aufgezeichnetes Audio, STT-3.7-Realtime ist für Live-Meetings, Anrufe und Untertitel gedacht und liefert Sprecherlabels im Stream, und STT-3.7-Realtime-Agent ist auf Voice Agents abgestimmt: Es hört der Person zu, die mit dem Bot spricht, und entscheidet, wann ihr Redebeitrag zu Ende ist.

Alle drei decken 32 Sprachen ab, bisher waren es 18, mit automatischer Erkennung und Sprachwechsel mitten im Gespräch. Bei aufgezeichnetem Audio erweitert das ältere Modell Universal-2 die Abdeckung auf 99 Sprachen. Das Vokabular lässt sich über Schlüsselbegriffe steuern und bei den Echtzeitmodellen zusätzlich über einen Prompt von 400 Zeichen.

Die Familie ersetzt Universal-3.5 Pro und die Universal-Streaming-Modelle. Endpunkte und Nachrichtenformate bleiben gleich, aber zwei Standardwerte kippen: Füllwörter bleiben jetzt erhalten, und die Textformatierung ist eingeschaltet.

Was kostet AssemblyAI STT-3.7 (batch, Realtime and Realtime-Agent)?

TarifPreisWas enthalten ist
STT-3.7$0.21 an hourAufgezeichnetes Audio, 32 Sprachen, Universal-2 als Rückfall für bis zu 99
STT-3.7-Realtime$0.30 an hourLive-Meetings, Anrufe und Untertitel mit Sprecherlabels in Echtzeit
STT-3.7-Realtime-Agent$0.45 an hourVoice Agents, mit Erkennung des Redeendes

STT-3.7 0,21 $ pro Stunde, STT-3.7-Realtime 0,30 $ pro Stunde, STT-3.7-Realtime-Agent 0,45 $ pro Stunde. Sprecherlabels kosten bei aufgezeichnetem Audio 0,02 $ pro Stunde extra. Universal-2 bleibt bei 0,15 $ pro Stunde; 50 $ Startguthaben.

Lohnt sich AssemblyAI STT-3.7 (batch, Realtime and Realtime-Agent)?

AssemblyAI hat diese Version um das Telefonat herum gebaut, und das merkt man. Auf dem eigenen Testsatz von 12.460 Voice-Agent-Anrufen mit 26 Streaming-Modellen kam STT-3.7-Realtime-Agent auf 4,53 % Wortfehler, gegenüber 6,02 % für Sonioxs neues v6, und senkte die Fehler bei Zahlen gegenüber dem Vorgänger von 11,28 % auf 2,27 %. Das fertige Transkript liegt 86 Millisekunden nach dem Ende der Äußerung vor. Auch das unabhängige Voice-Arena-Ranking sieht es bei US-englischem Streaming vorn, mit 2,45 % semantischem Fehler.

Bei aufgezeichnetem Audio ist das Rennen enger. Artificial Analysis misst für STT-3.7 eine Wortfehlerrate von 2,5 %, Platz 12 im Ranking und hinter ElevenLabs Scribe v3 mit 1,9 %. Vorn liegt AssemblyAI dagegen bei der Sprecherzuordnung: 10,7 % Diarisierungsfehler auf sechs englischen Gesprächsdatensätzen, gegenüber 12,0 % bei ElevenLabs, und kein anderer getesteter Anbieter blieb unter 15 %. Das sind AssemblyAIs eigene Zahlen, erhoben zwischen August und November.

Der Haken: Die Standardwerte ändern sich unter der Hand. Füllwörter und Formatierung sind jetzt standardmäßig an, also braucht nachgelagerter Code, der sauberen Text ohne Satzzeichen erwartet, eine Prüfung. Und aufgezeichnetes Audio außerhalb der 32 Sprachen fällt nicht mehr automatisch auf ein anderes Modell zurück, wenn du Universal-2 nicht angibst. Universal-3.5 Pro Realtime wird am 1. Februar 2027 abgeschaltet.

Unser Fazit: Für einen Voice Agent kaufen 0,45 $ pro Stunde das Modell, das bei lauten, zahlenlastigen Anrufen die meisten Belege vorweisen kann. Für ein Transkriptarchiv ist das Batch-Modell für 0,21 $ eine solide Standardwahl, doch wer die niedrigste Fehlerrate sucht, findet zwei oder drei Konkurrenten davor.

Wo es sich lohnt

  • Die automatische Rezeptverlängerungs-Hotline einer Apothekenkette

    Rezeptnummern und Geburtsdaten beim ersten Versuch richtig erfassen

    Streame die Anrufe an assemblyai-stt-3-7-realtime-agent, mit Schlüsselbegriffen für Medikamentennamen. AssemblyAI meldet 80 % weniger Zahlenfehler als beim Vorgänger; 10.000 Anrufstunden kosten etwa 4.500 $.

  • Ein Start-up für Vertriebsanalysen

    Bei aufgezeichneten Erstgesprächen auf Englisch, Spanisch und Deutsch festhalten, wer was gesagt hat

    STT-3.7 im Batch mit Sprecherlabels für 0,23 $ pro Stunde (0,21 $ plus 0,02 $ für die Diarisierung); gemischtsprachige Gespräche laufen, ohne vorher eine Sprache zu wählen.

Bevor du dich festlegst

Einrichtung
Setze speech_models am bestehenden Transkript-Endpunkt auf ["assemblyai-stt-3-7"] oder verbinde den Streaming-Socket mit assemblyai-stt-3-7-realtime oder -realtime-agent. Keine Protokolländerungen.
Integrationen
REST- und Streaming-APIs und SDKs von AssemblyAI; Referenz-Agents für LiveKit und Pipecat; in Kombination mit AssemblyAI-TTS-1 dauern vollständige Gesprächswechsel in AssemblyAIs Tests etwa 250 ms.
Daten und Datenschutz
Laut Datenrichtlinie trainiert AssemblyAI standardmäßig mit Kundenaudio, nachdem personenbezogene Daten entfernt wurden; bezahlte Konten können widersprechen, BAA- und EU-Konten sind immer ausgenommen. Keine veröffentlichten Gewichte.
Kosten im großen Maßstab
100.000 Stunden aufgezeichnetes Audio kosten etwa 21.000 $, dieselbe Menge mit dem Agent-Modell 45.000 $. Streaming wird für die gesamte Zeit berechnet, in der ein Socket offen ist, Leerlauf eingeschlossen.
Grenzen
32 native Sprachen; alle anderen brauchen Universal-2. Das Realtime-Modell erkennt keine Sprecherwechsel (dafür das Agent-Modell nutzen). Universal-3.5 Pro Realtime endet am 1. Februar 2027.

Was gut ist

  • 4,53 % Fehler bei 12.460 Agent-Anrufen, der niedrigste Wert von 26 Streaming-Modellen in AssemblyAIs Test
  • Fertiger Text 86 ms nach Sprechende beim Agent-Modell
  • 10,7 % Diarisierungsfehler bei aufgezeichnetem Audio, vor ElevenLabs
  • 32 Sprachen mit Sprachwechsel; 99 mit Universal-2

Was nicht

  • 2,5 % bei Artificial Analysis, Platz 12 und hinter Scribe v3
  • Die meisten Vergleichszahlen stammen von AssemblyAI selbst
  • Geänderte Standardwerte können Parser für Universal-3.5 Pro brechen
  • Das Agent-Modell kostet mehr als das Doppelte des Batch-Preises

Am besten für

Teams, die Voice Agents für Telefon oder Web bauen und verlässliche Zahlen, Namen und Sprecherwechsel brauchen, sowie Call-Analytics-Teams, denen vor allem wichtig ist, wer was gesagt hat.

Alternativen zu AssemblyAI STT-3.7 (batch, Realtime and Realtime-Agent)

AssemblyAI STT-3.7 (batch, Realtime and Realtime-Agent): häufige Fragen

Lohnt sich AssemblyAI STT-3.7 (batch, Realtime and Realtime-Agent)?
Beim Voice-Agent-Modell verdient sich AssemblyAI seinen Platz; bei gewöhnlichem aufgezeichnetem Audio ist es gut, günstig und nicht mehr ganz das beste. Wir bewerten es mit 4.4 von 5.
Was kostet AssemblyAI STT-3.7 (batch, Realtime and Realtime-Agent)?
STT-3.7 0,21 $ pro Stunde, STT-3.7-Realtime 0,30 $ pro Stunde, STT-3.7-Realtime-Agent 0,45 $ pro Stunde. Sprecherlabels kosten bei aufgezeichnetem Audio 0,02 $ pro Stunde extra. Universal-2 bleibt bei 0,15 $ pro Stunde; 50 $ Startguthaben.
Welche Nachteile hat AssemblyAI STT-3.7 (batch, Realtime and Realtime-Agent)?
2,5 % bei Artificial Analysis, Platz 12 und hinter Scribe v3; Die meisten Vergleichszahlen stammen von AssemblyAI selbst; Geänderte Standardwerte können Parser für Universal-3.5 Pro brechen; Das Agent-Modell kostet mehr als das Doppelte des Batch-Preises.
Für wen eignet sich AssemblyAI STT-3.7 (batch, Realtime and Realtime-Agent)?
Teams, die Voice Agents für Telefon oder Web bauen und verlässliche Zahlen, Namen und Sprecherwechsel brauchen, sowie Call-Analytics-Teams, denen vor allem wichtig ist, wer was gesagt hat.
Was kostet AssemblyAI STT-3.7 (batch, Realtime and Realtime-Agent) für ein Team oder im Produktivbetrieb?
100.000 Stunden aufgezeichnetes Audio kosten etwa 21.000 $, dieselbe Menge mit dem Agent-Modell 45.000 $. Streaming wird für die gesamte Zeit berechnet, in der ein Socket offen ist, Leerlauf eingeschlossen.
Ist AssemblyAI STT-3.7 (batch, Realtime and Realtime-Agent) sicher für Firmendaten?
Laut Datenrichtlinie trainiert AssemblyAI standardmäßig mit Kundenaudio, nachdem personenbezogene Daten entfernt wurden; bezahlte Konten können widersprechen, BAA- und EU-Konten sind immer ausgenommen. Keine veröffentlichten Gewichte.
Was sind die besten Alternativen zu AssemblyAI STT-3.7 (batch, Realtime and Realtime-Agent)?
Die nächsten Alternativen, die wir getestet haben, sind ElevenLabs Scribe v3 and Scribe v3 Live, Soniox STT v6 (stt-rt-v6 and stt-async-v6), Deepgram Nova-3 und Voxtral 3 (Transcribe and TTS).

Antworten geprüft am 21. Nov. 2026.

Du entwickelst AssemblyAI STT-3.7 (batch, Realtime and Realtime-Agent)? Zeig diese Bewertung auf deiner WebsiteAssemblyAI STT-3.7 (batch, Realtime and Realtime-Agent) mit 4.4 von 5 bewertet auf ReviewRamble