Speech-to-Text-API-Benchmark: Whisper vs. ElevenLabs vs. CAMB.AI (Genauigkeit + Latenz)

Eine 30-minütige Podcast-Folge mit zwei Sprechern, mäßigem Hintergrundgeräusch und gelegentlichem Durcheinanderreden. Sie brauchen ein genaues Transkript in weniger als fünf Minuten, in einer Sprache, die Ihr Publikum spricht. Die Speech-to-Text-API, für die Sie sich entscheiden, bestimmt, ob dieses Transkript nutzbar ist oder eine Stunde manuelle Nacharbeit erfordert.

Nicht alle STT-APIs verhalten sich bei echtem Audiomaterial gleich. Anbieter-Benchmarks auf sauberen Aufnahmen erzählen eine Geschichte. Produktionsaudio mit Akzenten, sich überschneidenden Sprechern und Umgebungsgeräuschen erzählt eine andere.

So schneiden drei vielfach evaluierte Speech-to-Text-APIs, Whisper, ElevenLabs Scribe und CAMB.AI, bei den Kennzahlen ab, die wirklich zählen.

Wie wir Whisper, ElevenLabs und CAMB.AI verglichen haben

Jede API wurde anhand von fünf Kriterien bewertet, die sich direkt auf die Ergebnisse in der Produktion auswirken: Genauigkeit bei realem Audiomaterial, Latenz bei Echtzeit- und Batch-Transkription, Sprachabdeckung, Qualität der Sprechererkennung (Diarisierung) und Preisgestaltung im großen Maßstab. Ziel ist es, Ihnen genügend Informationen zu liefern, um die richtige API in die engere Wahl zu ziehen, bevor Sie eigene Tests durchführen.

Whisper: die Open-Source-Referenz

Wie Whisper die Transkription handhabt

OpenAIs Whisper ist ein Open-Source-Modell, das mit 680.000 Stunden mehrsprachigem Web-Audio trainiert wurde. Die aktuelle Modellfamilie umfasst mehrere Modellgrößen sowie eine schnellere Turbo-Variante. Whisper unterstützt 98 Sprachen und enthält eine integrierte Übersetzung ins Englische.

Genauigkeit und Latenz

Whisper liefert bei sauberem englischem Audio gute Ergebnisse, mit gemeldeten Wortfehlerraten (WER) zwischen 4 % und 8 %, je nach Audiobedingungen. Bei verrauschten Aufnahmen mit mehreren Sprechern sinkt die Genauigkeit deutlicher. OpenAIs eigene Dokumentation weist auf uneinheitliche Leistung über Sprachen und Dialekte hinweg hin und warnt, dass die Ausgaben halluzinierten Text enthalten können. Whisper ist ein reines Batch-Modell. Es gibt keinen nativen Endpunkt für Echtzeit-Streaming. Entwickler, die Live-Transkription benötigen, haben Workarounds mit Audio-Chunking gebaut, doch diese erhöhen die Latenz und die technische Komplexität im Vergleich zu APIs mit nativem Streaming.

Sprachunterstützung

98 Sprachen werden unterstützt, wobei die Genauigkeit je nach Sprache variiert. Die Leistung bei ressourcenstarken Sprachen wie Englisch und Spanisch ist stark. Sprachen mit weniger Ressourcen zeigen höhere Fehlerraten. Whisper verfügt über keine integrierte Sprechererkennung (Diarisierung) und benötigt dafür externe Tools.

Preisgestaltung

Das Open-Source-Modell ist kostenlos selbst zu hosten, doch die Infrastrukturkosten (GPU-Rechenleistung, Skalierung, Wartung) summieren sich. OpenAIs verwaltete API berechnet 0,006 $ pro Minute für whisper-1 und gpt-4o-transcribe.

ElevenLabs Scribe: der einheitliche Voice-Stack

Wie ElevenLabs die Transkription handhabt

ElevenLabs bietet Scribe v2 für die Batch-Transkription und Scribe v2 Realtime für Live-Anwendungen. Die Plattform ist vor allem für Sprachsynthese bekannt, und die TTS- und STT-Produkte teilen sich ein einheitliches Abrechnungssystem.

Genauigkeit, Latenz und Sprachunterstützung

ElevenLabs gibt WER-Werte zwischen 1,7 % und 3,9 % bei Standard-Benchmarks an. Die angestrebte Echtzeit-Latenz liegt bei etwa 150 ms. Scribe v2 unterstützt mehr als 90 Sprachen, wortgenaue Zeitstempel, Sprechererkennung (Diarisierung) und Keyword-Prompting für bis zu 1.000 domänenspezifische Begriffe. Die Unterstützung von Audioformaten umfasst PCM mit 8-48 kHz sowie u-law-Kodierung.

Preisgestaltung

Abonnementbasiert mit nutzungsabhängigen Mehrkosten. Batch-Transkription kostet 0,22 $ pro Stunde. Echtzeit-Transkription kostet je nach Tarif zwischen 0,39 $ und 0,48 $ pro Stunde.

CAMB.AI: produktionsreife Transkription mit vollständiger Lokalisierung

Wie CAMB.AI die Transkription handhabt

CAMB.AI betrachtet Speech-to-Text als eine Ebene innerhalb einer vollständigen Lokalisierungs-Pipeline. Die Transkription fließt direkt in Übersetzung, Synchronisation (Dubbing) und Untertitelerstellung in über 150 Sprachen ein und deckt damit 99 % der weltweit sprechenden Bevölkerung ab. Während die meisten STT-APIs beim Transkript aufhören, verbindet CAMB.AI die Transkription mit nachgelagerten Workflows. Ein einziger Upload kann ein Transkript, übersetzte Untertitel und eine synchronisierte Audiospur erzeugen, alles aus derselben Quelldatei, innerhalb von DubStudio.

Genauigkeit und Latenz

CAMB.AI unterstützt native Sprechererkennung (Diarisierung) und identifiziert und trennt einzelne Sprecher ohne Zusatzkosten. Für Teams, die mit Multi-Sprecher-Inhalten wie Sportkommentaren, Interviews oder Podiumsdiskussionen arbeiten, enthält das Transkript von Haus aus Sprecherbezeichnungen. Die Plattform bewältigt unterschiedliche Akzente und verrauschte Audiobedingungen dank Modellen, die mit über 10.000 Stunden Premium-Daten pro Sprache trainiert wurden. CAMB.AI ist SOC 2 Type II zertifiziert, was für Teams in regulierten Branchen oder in Enterprise-Beschaffungsprozessen von Bedeutung ist.

Sprachunterstützung und Lokalisierung

Mehr als 150 Sprachen werden unterstützt, was die breiteste Abdeckung unter den drei hier verglichenen APIs darstellt. Noch wichtiger: Die Transkription ist direkt mit KI-Synchronisation und Untertitelerstellung verbunden, sodass das Transkript zum Ausgangspunkt für vollständig mehrsprachige Inhalte wird, nicht nur zu einer Textdatei.

Preisgestaltung

CAMB.AI bietet eine kostenlose Stufe über DubStudio an. Kostenpflichtige Tarife skalieren mit der Nutzung. Für Teams, die Transkription zusammen mit Übersetzung oder Synchronisation benötigen, ist die gebündelte Pipeline kosteneffizienter, als separate Anbieter für STT, Übersetzung und TTS zusammenzustellen.

Direkter Vergleich

Welche Speech-to-Text-API sollten Sie wählen

Ihre Wahl hängt davon ab, was nach dem Transkript passiert. Wenn Sie volle Kontrolle wollen und bereits über GPU-Infrastruktur verfügen, bietet Whisper Ihnen eine Open-Source-Referenz zum Selbsthosten. Rechnen Sie damit, Ihre eigene Pipeline für Diarisierung und Streaming aufbauen zu müssen. Wenn Sie einen einheitlichen STT- und TTS-Stack für Sprachassistenten benötigen, bietet ElevenLabs eine enge Integration zwischen Transkription und Sprachsynthese. Wenn Ihr Workflow über die Transkription hinausgeht und Übersetzung, Synchronisation und Untertitel in großem Maßstab umfasst, verbindet CAMB.AI STT mit der vollständigen Lokalisierungs-Pipeline in über 150 Sprachen innerhalb einer einzigen Plattform.

Ihr Audio verdient mehr als nur ein Transkript

Ein Transkript ist der erste Schritt. Der eigentliche Wert entsteht dadurch, neue Zielgruppen in neuen Sprachen zu erreichen, Untertitel zu erstellen oder Inhalte für die globale Verbreitung zu synchronisieren. Wenn Sie bereit sind, Ihr Audio in mehrsprachige Inhalte zu verwandeln, ohne fünf verschiedene Tools zusammenzustellen, beginnen Sie mit einer Plattform, die jeden Schritt miteinander verbindet.