Bestenliste für Speech-to-Text-KI-Modelle und -Anbieter
Vergleichen Sie Wortfehlerrate, Geschwindigkeit und Preise von Speech-to-Text-Modellen und -Anbietern.
Weitere Einzelheiten finden Sie auf unserer Methodikseite.
Highlights
Artificial Analysis Wortfehlerratenindex (ohne Streaming)
Artificial Analysis Wortfehlerratenindex (ohne Streaming)
AA-WER (ohne Streaming) nach Datensatz
AA-WER (ohne Streaming): AA-AgentTalk-Datensatz
Vergleich bereinigter Datensätze
VoxPopuli: bereinigter vs. originaler Teil öffentlich verfügbarer Daten
API-Benchmarks
Artificial Analysis Wortfehlerratenindex (ohne Streaming) vs. Preis
Geschwindigkeitsfaktor
Preis der Transkription
Zusammenfassung wichtiger Kennzahlen & weitere Informationen
Anbieter | Weitere Einzelheiten | ||||
|---|---|---|---|---|---|
Qwen3.5 Omni Flash |  Alibaba Cloud | 13.5% | 77.9 | 0.00 | |
Qwen3.5 Omni Plus | Alibaba Cloud | 3.5% | 95.0 | 0.00 | |
Nova 2 Pro |  Amazon Bedrock | 4.9% | 22.9 | 3.10 | |
Amazon Transcribe | Amazon Bedrock | 4.1% | 18.8 | 6.00 | |
Universal-3 Pro |  AssemblyAI | 3.1% | 98.7 | 3.50 | |
Universal, AssemblyAI | AssemblyAI | 3.8% | 123.3 | 2.50 | |
MAI-Transcribe-1.5 |  Microsoft Azure | 2.4% | 192.5 | 6.00 | |
MAI-Transcribe-1 | Microsoft Azure | 2.6% | 67.8 | 6.00 | |
transcribe-03-2026 |  Cohere | 4.6% | 119.1 | 0.00 | |
Nova-3 |  Deepgram | 5.2% | 501.4 | 4.30 | |
Scribe v2 |  ElevenLabs | 2.2% | 53.9 | 3.67 | |
Solaria-1, Gladia |  Gladia | 4.1% | 81.2 | 10.17 | |
Solaria-3, Gladia | Gladia | 3.2% | 62.7 | 10.16 | |
Gemini 3.5 Transcribe |  Google | 2.6% | 82.5 | 5.00 | |
Gemini 3.1 Pro Preview (High) | Google | 2.8% | 7.4 | 18.15 | |
Gemini 3.1 Pro Preview (Low) | Google | 3.6% | 6.5 | 7.72 | |
Gemini 3 Flash (High) | Google | 2.9% | 18.3 | 13.70 | |
Gemini 2.5 Flash Lite | Google | 5.2% | 81.2 | 6.56 | |
Gemini 2.5 Flash | Google | 5.1% | 77.3 | 6.66 | |
Gemini 2.5 Pro | Google | 2.9% | 12.3 | 11.39 | |
Gemini 3.1 Flash-Lite Preview (Minimal) | Google | 3.4% | 79.9 | 5.83 | |
Gradium Speech-to-Text |  Gradium | 6.8% | 2.3 | 13.00 | |
Grok Speech to Text, SpaceXAI |  SpaceXAI | 4.0% | 225.0 | 1.67 | |
Inworld STT 1 |  Inworld | 3.9% | 206.9 | 2.50 | |
Voxtral Mini Transcribe 2 |  Mistral | 3.6% | 82.6 | 3.00 | |
Voxtral Small | Mistral | 2.8% | 65.7 | 4.00 | |
Voxtral Mini |  DeepInfra | 3.8% | 79.1 | 1.00 | |
Modulate STT Batch English VFast |  Modulate | 4.2% | 61.9 | 0.42 | |
Parakeet TDT 0.6B V3, Togetherai |  Together AI | 4.5% | 273.1 | 1.50 | |
Canary Qwen 2.5B, NVIDIA |  Replicate | 4.3% | 7.9 | 0.74 | |
Parakeet TDT 0.6B V2, NVIDIA |  NVIDIA | 6.4% | 99.9 | 0.00 | |
Parakeet RNNT 1.1B | Replicate | 5.4% | 6.3 | 1.91 | |
GPT Transcribe, OpenAI |  OpenAI | 3.3% | 40.8 | 4.50 | |
GPT-4o Transcribe | OpenAI | 4.0% | 37.1 | 6.00 | |
GPT-4o Mini Transcribe | OpenAI | 4.5% | 41.4 | 3.00 | |
Smallest AI Pulse Pro |  Smallest.ai | 2.4% | 272.9 | 4.00 | |
Resonant-1 |  Reson8 | 3.4% | 331.6 | 3.60 | |
Rev AI |  Rev AI | 5.9% | 12.9 | 3.33 | |
Smallest AI Pulse | Smallest.ai | 4.4% | 274.9 | 5.00 | |
Soniox v5 Async |  Soniox | 3.8% | 35.1 | 1.66 | |
Soniox V4 | Soniox | 3.9% | 39.7 | 1.66 | |
Speechmatics Melia |  Speechmatics | 4.9% | 204.1 | 4.00 | |
Speechmatics Standard | Speechmatics | 5.1% | 107.1 | 7.50 | |
Speechmatics Enhanced | Speechmatics | 4.0% | 70.6 | 12.50 | |
StepAudio 2.5 ASR, StepFun |  StepFun | 4.7% | 81.5 | 0.37 | |
Whisper Large v3 Turbo |  Groq | 4.6% | 130.1 | 0.67 | |
Wizper Large v3 |  fal.ai | 4.7% | 287.6 | 0.50 | |
Incredibly Fast Whisper | Replicate | 5.7% | 55.1 | 1.49 | |
Whisper Large v3 | Replicate | 10.1% | 2.6 | 4.23 | |
Whisper Large v3 | fal.ai | 4.1% | 71.8 | 1.15 | |
Whisper Large v3 | Together AI | 4.5% | 288.1 | 1.50 | |
Whisper Large v2 | OpenAI | 4.1% | 28.8 | 6.00 |
Häufig gestellte Fragen
Fun-Realtime-ASR-preview führt mit dem niedrigsten AA-WER (Artificial Analysis Wortfehlerrate) von 1.7% unter 57 bewerteten Modellen.
Die besten Speech-to-Text-Modelle nach Genauigkeit (AA-WER) sind: 1. Fun-Realtime-ASR-preview (1.7%), 2. Scribe v2, ElevenLabs (2.2%), 3. MAI-Transcribe-1.5 (2.4%), 4. Smallest AI Pulse Pro (2.4%) und 5. Gemini 3.5 Transcribe (2.6%). Ein niedrigerer AA-WER bedeutet eine bessere Transkriptionsgenauigkeit.
Nova-3 ist am schnellsten mit einem Geschwindigkeitsfaktor von 501.4x Echtzeit, gefolgt von Resonant-1 (331.6x) und Whisper Large v3, together.ai (288.1x). Höhere Geschwindigkeitsfaktoren bedeuten schnellere Transkription.
StepAudio 2.5 ASR ist am günstigsten mit $0.3667 pro 1.000 Minuten, gefolgt von Modulate STT Batch English VFast ($0.417) und Wizper (L, v3), fal.ai ($0.50).
Voxtral Small, Mistral ist das genaueste Modell mit offenen Gewichten mit einem AA-WER von 2.8%. Es gibt 12 Modelle mit offenen Gewichten von insgesamt 57 bewerteten Modellen.
Die besten Speech-to-Text-Modelle mit offenen Gewichten nach Genauigkeit sind: 1. Voxtral Small, Mistral (AA-WER 2.8%), 2. Inkling (256K), Thinking Machines (AA-WER 3.5%) und 3. Voxtral Mini Transcribe 2, Mistral (AA-WER 3.6%).
Das beste Modell hängt von Ihren Prioritäten ab. Nutzen Sie die Streudiagramme, um Kompromisse zwischen Genauigkeit (AA-WER), Geschwindigkeit und Preis zu visualisieren. Für Anwendungen mit hoher Genauigkeit priorisieren Sie Modelle mit niedrigeren AA-WER-Werten. Für Echtzeitanwendungen konzentrieren Sie sich auf den Geschwindigkeitsfaktor. Für kostensensible Workloads vergleichen Sie die Preisdiagramme.