Wer einen Sprachagenten baut, für den ist die Transkription der erste Dominostein. Läuft sie schief, erbt jede nachgelagerte Stufe — dein LLM, deine Logik, dein Text-to-Speech — den Müll. Die Google Speech-to-Text API gehört zu den am gründlichsten erprobten Optionen, um Audio in Text zu verwandeln, doch die Referenzdokumentation liest sich wie ein Compliance-Handbuch, und jeder "Testbericht" stammt von einem Wettbewerber, der sein eigenes Modell verkauft.
Dies ist die herstellerneutrale Fassung. Wir klären, was die API tatsächlich leistet, was sie 2026 kostet, wie du lauffähigen Code ausliefern kannst und — der Teil, den dir niemand sagt — ab wann reines Speech-to-Text für einen Echtzeit-Telefonagenten nicht mehr ausreicht.
Was ist die Google Speech-to-Text API?
Google Speech-to-Text (STT) ist eine Cloud-API, die Audio mithilfe der automatischen Spracherkennung (ASR) von Google in Text umwandelt. Sie stellt drei Erkennungsmodi bereit, und die Wahl des richtigen ist die mit Abstand wichtigste Architekturentscheidung, die du treffen wirst:
- Synchron — du schickst einen kurzen Audioclip (≤ 60 Sekunden), blockierst und bekommst das vollständige Transkript in einer einzigen Antwort zurück. Am einfachsten zu programmieren; für Live-Gespräche unbrauchbar.
- Asynchron / Batch (
LongRunningRecognize) — du lädst langes Audio (bis zu ca. 480 Minuten) in Cloud Storage hoch und fragst das Ergebnis per Polling ab. Richtig für Pipelines mit Gesprächsaufzeichnung, Voicemail und Podcast-Transkription. - Streaming (
StreamingRecognize) — ein bidirektionaler gRPC-Stream, in den du Audio-Chunks schiebst und vorläufige sowie finale Ergebnisse erhältst, während der Anrufer spricht. Von diesem Modus hängt jeder Echtzeit-Sprachagent ab.
Aufseiten der Modelle ist die Chirp-Familie (Googles universelle Sprachmodelle, chirp und chirp_2 in der v2-API) 2026 der Standard für Genauigkeit und mehrsprachige Abdeckung. Ältere Modelle wie latest_long / latest_short sowie telefonieoptimierte Varianten existieren weiterhin in v1 und sind dann relevant, wenn du eine bestimmte Funktion brauchst (etwa spezielle Telefonie-Optimierungen), die ein neueres Modell noch nicht mitbringt. Passe das Modell immer zum Audio: 8-kHz-Mono-Telefonieaudio durch ein auf 16-kHz-Studioaudio abgestimmtes Modell zu schicken, ist eine selbst verschuldete Genauigkeitseinbuße.
Preise der Google STT API im Jahr 2026
Abgerechnet wird pro Minute verarbeitetem Audio in gerundeten Schritten, mit Stufen, die sich je nach Modell und Funktionen unterscheiden. Statt Zahlen zu nennen, die schnell veralten, hier die Denkweise für die Rechnung — und die Stellen, an denen es im großen Maßstab wehtut.
Prüfen, bevor du dich festlegst: kalkuliere immer anhand der aktuellen Preisseite von Cloud Speech-to-Text. Die folgenden Angaben beschreiben die Struktur der Abrechnung im Jahr 2026, kein festes Angebot.
- Kostenloses Kontingent: Google hat historisch ein monatliches Freikontingent angeboten (in der Größenordnung von rund 60 Minuten) — genug zum Prototyping, bei Weitem nicht genug für den Betrieb.
- Standard- vs. Enhanced-/Premium-Modelle: neuere bzw. verbesserte Modelle werden mit einem höheren Minutenpreis abgerechnet als die klassische Standarderkennung. Modelle der Chirp-Klasse liegen am Premium-Ende.
- Funktionen kommen obendrauf: Sprecher-Diarisierung, Konfidenzwerte auf Wortebene und einige Modelloptionen können den effektiven Preis verändern oder zusätzliche Verarbeitung verursachen.
- Rabatt für Datenprotokollierung: wer dem Data Logging zustimmt (Google darf dein Audio zur Modellverbesserung nutzen), erhielt historisch einen niedrigeren Preis. Prüfe die Data-Governance-Folgen, bevor du Transkriptdaten gegen einen Rabatt eintauschst — bei regulierten Workloads ist dieser Tausch meist ausgeschlossen.
Die versteckten Kosten im großen Maßstab sind Rundung + dauerhaft offenes Streaming. Batch-Jobs runden pro Anfrage. Streaming rechnet die gesamte Dauer ab, in der der Stream offen ist — inklusive der Stille, während dein Agent nachdenkt oder spricht, sofern du das Mikrofon offen lässt. Bei 10.000 gleichzeitigen Anrufen summieren sich wenige verschwendete Sekunden offener Stream pro Gesprächszug zu echtem Geld. Schließe den Stream am Ende der Äußerung; halte ihn nicht über das gesamte Gespräch offen.
Quickstart: Authentifizieren + Audio transkribieren
Zwei Wege hinein. Authentifiziere dich zuerst: erstelle ein Dienstkonto in Google Cloud, weise ihm die Speech-to-Text-Rolle zu, lade den JSON-Schlüssel herunter und lasse GOOGLE_APPLICATION_CREDENTIALS darauf zeigen.
Häufig gestellte Fragen
Was macht die Google Speech-to-Text API?
Sie wandelt Audio in Text um, mit Modellvarianten für unterschiedliche Audiotypen und Unterstützung für Batch- wie Streaming-Erkennung.
Wie wird abgerechnet?
Nach Audiodauer, mit unterschiedlichen Preisen je nach Modell und Funktion. Funktionen wie Diarisierung und Enhanced-Modelle liegen über dem Basispreis — prüfe daher die aktuelle Preisseite statt einer Zusammenfassung.
Brauche ich ein Google-Cloud-Projekt dafür?
Ja — die Authentifizierung läuft über Google-Cloud-Anmeldedaten, ein Projekt und ein Rechnungskonto kommen also vor der ersten Anfrage.
