Bygger du en röstagent är transkriberingen den första brickan i dominoraden. Blir den fel ärver varje efterföljande steg — din LLM, din logik, din text-till-tal — skräpet. Google Speech-to-Text API är ett av de mest beprövade alternativen för att förvandla ljud till text, men referensdokumentationen läses som en efterlevnadsmanual och varje "recension" är skriven av en konkurrent som säljer sin egen modell.
Detta är den leverantörsneutrala versionen. Vi går igenom vad API:et faktiskt gör, vad det kostar 2026, hur du får fungerande kod i produktion och — den del ingen berättar — var ren speech-to-text slutar räcka till för en telefonagent i realtid.
Vad är Google Speech-to-Text API?
Google Speech-to-Text (STT) är ett moln-API som omvandlar ljud till text med Googles modeller för automatisk taligenkänning (ASR). Det erbjuder tre igenkänningslägen, och att välja rätt är det enskilt största arkitekturbeslut du kommer att fatta:
- Synkront — skicka ett kort ljudklipp (≤ 60 sekunder), blockera och få hela transkriptet tillbaka i ett svar. Enklast att koda; oanvändbart för live-samtal.
- Asynkront / batch (
LongRunningRecognize) — ladda upp långt ljud (upp till cirka 480 minuter) till Cloud Storage och polla efter resultat. Rätt val för pipelines med samtalsinspelning, röstbrevlåda och poddtranskribering. - Streaming (
StreamingRecognize) — en dubbelriktad gRPC-ström där du skickar ljudsegment och får preliminära och slutgiltiga resultat medan den som ringer talar. Det är det här läget varje röstagent i realtid står och faller med.
På modellsidan är Chirp-familjen (Googles universella talmodeller, chirp och chirp_2 i v2-API:et) standardvalet 2026 för träffsäkerhet och flerspråkig täckning. Äldre latest_long / latest_short och telefonianpassade modeller finns kvar i v1 och spelar roll när du behöver en specifik funktion (som vissa telefoniförbättringar) som en nyare modell ännu inte levererat. Matcha alltid modellen mot ljudet: att köra 8 kHz mono-telefoniljud genom en modell tränad för 16 kHz studioljud är ett självförvållat träffsäkerhetstapp.
Priser för Google STT API 2026
Debiteringen sker per bearbetad ljudminut, i avrundade intervall, med nivåer som skiljer sig åt beroende på modell och funktioner. I stället för att citera siffror som snabbt blir inaktuella — så här resonerar du kring fakturan, och här biter den i stor skala.
Verifiera innan du binder dig: räkna alltid mot den aktuella prissidan för Cloud Speech-to-Text. Siffrorna nedan beskriver strukturen för debiteringen 2026, inte en låst offert.
- Gratisnivå: Google har historiskt erbjudit en månatlig gratiskvot (i storleksordningen 60 minuter) — nog för att prototypa, långt ifrån nog för att köra i drift.
- Standard kontra förbättrade/premium-modeller: nyare och förbättrade modeller debiteras till ett högre minutpris än äldre standardigenkänning. Modeller i Chirp-klassen ligger i premiumänden.
- Funktioner läggs ovanpå: talardiarisering, konfidens på ordnivå och vissa modellalternativ kan ändra den faktiska taxan eller lägga till bearbetning.
- Rabatt för loggning: att tacka ja till dataloggning (låta Google använda ditt ljud för att förbättra modellerna) har historiskt gett ett lägre pris. Läs igenom konsekvenserna för datastyrning innan du byter transkriptionsdata mot rabatt — för reglerade arbetslaster är den bytesaffären oftast utesluten.
Den dolda kostnaden i stor skala är avrundning + ständigt öppen streaming. Batchjobb avrundar per anrop. Streaming debiteras för hela den tid strömmen är öppen — inklusive tystnaden medan din agent tänker eller talar, om du låter mikrofonen stå på. Vid 10 000 samtidiga samtal växer några bortkastade sekunder öppen ström per tur till riktiga pengar. Stäng strömmen när yttrandet är slut; håll den inte öppen hela samtalet.
Snabbstart: autentisera + transkribera ljud
Två vägar in. Autentisera först: skapa ett tjänstkonto i Google Cloud, ge det Speech-to-Text-rollen, ladda ner JSON-nyckeln och peka GOOGLE_APPLICATION_CREDENTIALS mot den.
Vanliga frågor
Vad gör Google Speech-to-Text API?
Omvandlar ljud till text, med modellvarianter för olika ljudtyper och stöd för både batch- och streamingigenkänning.
Hur debiteras det?
Efter ljudlängd, med olika taxor per modell och funktion. Funktioner som diarisering och förbättrade modeller prissätts över grundtaxan, så kolla den aktuella prissidan i stället för en sammanfattning.
Behöver jag ett Google Cloud-projekt för att använda det?
Ja — autentiseringen sker via Google Cloud-uppgifter, så ett projekt och ett faktureringskonto kommer före den första förfrågan.
