KI-Transkription Kosten: Was Sprache-zu-Text wirklich kostet

KI-Transkription Kosten sind im Vergleich zu menschlicher Abschrift gering: Spracherkennungs-APIs rechnen meist nach Audiominuten ab, einige neuere Modelle nach Audio-Tokens. Teurer als die eigentliche Abschrift werden oft die Schritte danach, etwa Zusammenfassen und Korrigieren.

Wie abgerechnet wird

• Je Audiominute: der klassische Weg bei Spracherkennungsdiensten. Eine Stunde Aufnahme kostet dann 60 Minuten mal Minutenpreis.
• Je Audio-Token: Multimodale Modelle wandeln Audio in Tokens um. Der Preis hängt dann von der Länge der Aufnahme und vom Modell ab.
• Im Abo enthalten: Viele Besprechungs- und Notizwerkzeuge enthalten Transkription im Monatspreis, mit Grenzen bei den Stunden.

Die genauen Preise unterscheiden sich stark und ändern sich oft. Vergleichen Sie vor einem größeren Projekt die aktuellen Preisseiten.

Die Kette: Abschrift ist nur der erste Schritt

In der Praxis besteht ein Transkriptions-Ablauf aus mehreren Stufen, die jeweils kosten:

1. Spracherkennung: Audio wird zu Text.
2. Sprechertrennung: Wer hat was gesagt? Bei manchen Diensten ein Aufpreis.
3. Bereinigung: Füllwörter entfernen, Satzzeichen setzen, Fachbegriffe korrigieren.
4. Auswertung: Zusammenfassung, Aufgabenliste, Protokoll durch ein Sprachmodell.

Für Schritt 4 gelten die normalen Tokenpreise. Eine Stunde Gespräch ergibt grob mehrere tausend Wörter und damit eine fünfstellige Zahl an Tokens. Wie viele genau, zeigt der Wörter-Token-Umrechner, die Kosten der KI-Kostenrechner.

Was die Qualität und damit die Kosten beeinflusst

• Aufnahmequalität: Ein gutes Mikrofon spart mehr Korrekturzeit als jedes teurere Modell.
• Dialekt, Fachbegriffe und Namen: Viele Dienste erlauben ein Wörterbuch oder einen Hinweis-Prompt mit Eigennamen.
• Überlappende Sprecher: Wenn mehrere gleichzeitig reden, steigt die Fehlerquote.

Die versteckten Kosten liegen meist in der Nacharbeit. Planen Sie Zeit für das Prüfen wichtiger Stellen ein, besonders bei Zahlen und Namen.

Datenschutz kostet mit

Gesprächsaufnahmen enthalten fast immer personenbezogene Daten. Für die Verarbeitung brauchen Sie eine Rechtsgrundlage, die Information der Beteiligten und bei Cloud-Diensten einen Vertrag zur Auftragsverarbeitung. Die Abschrift selbst sollte vor der Weitergabe an andere Dienste bereinigt werden, etwa mit dem Anonymisierer. Wer Aufnahmen gar nicht aus dem Haus geben darf, kann Spracherkennung lokal betreiben; das kostet Hardware und Einrichtung, aber keine Gebühren je Minute.

Typische Anwendungen

Am häufigsten genutzt wird Transkription für Besprechungen, Interviews, Diktate und Kundengespräche. Wie Sie aus einer Abschrift ein brauchbares Protokoll machen, beschreibt Besprechungen mit KI zusammenfassen.

So rechnen Sie ein Projekt durch

1. Gesamtlänge der Aufnahmen im Monat in Minuten ermitteln.
2. Minutenpreis des Spracherkennungsdienstes ansetzen, gegebenenfalls mit Aufpreis für Sprechertrennung.
3. Für die Auswertung die Wortzahl schätzen (grob mehrere tausend Wörter je Stunde Gespräch) und die Tokenkosten des Sprachmodells berechnen.
4. Prüfzeit je Stunde Aufnahme ansetzen und mit dem Stundensatz bewerten.

Der Vergleich mit einer manuellen Abschrift zeigt meist schnell, wie groß die Ersparnis ist. Der Rechner KI vs. Mensch: Kostenvergleich hilft bei dieser Gegenüberstellung.

Rechnen Sie bei regelmäßigen Aufnahmen außerdem mit Speicherkosten für Audiodateien und legen Sie fest, wann Aufnahmen und Abschriften gelöscht werden. Kurze Löschfristen sind auch aus Sicht des Datenschutzes sinnvoll.