Speech-to-Text- und Audio-Intelligence-API mit Universal-3.5 Pro, Universal-2, Realtime und Voice-Agent-Funktionen.
AssemblyAI ist eine Speech-to-Text-API für Entwickler, die über reine Transkription hinausgehen wollen. Das Angebot umfasst Audio-Intelligence-Funktionen wie Speaker Diarization, Auto Chapters, Sentiment Analysis, Entity Detection und Topic Detection. Das aktuelle Modell auf der Preisseite ist Universal-3.5 Pro; daneben gibt es Universal-2 und Echtzeitmodelle.
Wofür du das nutzt
Vorlesungsaufnahmen mit Sprecheridentifikation. Speaker Diarization trennt Professor und Studierenden in der Transkription — du siehst wer was gefragt und geantwortet hat.
Podcast-Produktion. Transkript mit automatischen Kapiteln, um Podcast-Episoden zu strukturieren und Show Notes zu generieren.
Forschungsprojekte mit Audio-Material. Interviews, Fokusgruppen, Gesprächsanalyse — AssemblyAI extrahiert Themen, Entitäten und Sentiment direkt.
Voice-Agent-Entwicklung. Die Streaming-STT-API ist auf niedrige Latenz für Echtzeit-Anwendungen optimiert — gut wenn du einen Sprach-Lernassistenten oder ein Voice-Interface baust.
Medizinische Transkription. Mit Medical Mode ($0.15/Stunde Add-on) ist AssemblyAI auf medizinische Fachbegriffe optimiert — für Studierende in Medizin oder Pflege interessant.
Stärken im Detail
Universal-3.5 Pro. Das aktuelle asynchrone Pro-Modell kostet 0,21 $ pro Stunde und unterstützt laut Preisseite 18 Sprachen. Universal-2 kostet 0,15 $ pro Stunde und unterstützt 99 Sprachen.
Reichhaltiges Feature-Set. Speaker Diarization, Auto Chapters, Sentiment Analysis, Topic Detection, Medical Mode — alles direkt in der API verfügbar ohne externes NLP-Post-Processing.
Kostenloser Einstieg. Die Preisseite nennt bis zu 185 Stunden voraufgezeichnete Transkription und bis zu 333 Stunden Streaming-Transkription im Free Tier; eine Kreditkarte ist dafür nicht nötig.
Klarer Basis-Tarif. Universal-2 kostet 0,15 $ pro Stunde; die Qualität und die Gesamtkosten hängen von Sprache, Add-ons und Nutzung ab.
Tipp
Für Studi-Projekte: Starte im Free Tier und vergleiche Universal-2 mit Universal-3.5 Pro an einem kurzen, repräsentativen Ausschnitt. So siehst du selbst, ob der Aufpreis für dein Material lohnt.
Grenzen & wo's hakt
Entwickler-Tool, kein UI. AssemblyAI ist eine API — kein Meeting-Recorder, keine Browser-App. Für Nicht-Coder → Granola oder Fathom.
Kosten bei intensiver Nutzung. $0.21/Stunde klingt wenig, summiert sich bei einem Forschungsprojekt mit 100h Interviews auf $21 nur für Transkription.
Sprachabdeckung hängt vom Modell ab. Universal-3.5 Pro nennt 18 Sprachen, Universal-2 99. Das ist keine Aussage über identische Qualität in jeder Sprache.
Speaker Diarization Add-on. $0.02/Stunde extra für Sprecheridentifikation — vergiss nicht, das Feature explizit zu aktivieren.
Pricing
Free Tier — bis zu 185 Stunden voraufgezeichnete und bis zu 333 Stunden Streaming-Transkription; keine Kreditkarte nötig. Danach Pay-per-Use.
Universal-3.5 Pro — 0,21 $/Stunde
18 Sprachen, native Code-Switching-Unterstützung und Speaker Diarization.
Universal-2 — $0.15/Stunde
99 Sprachen.
Add-Ons:
Keyterms Prompting: +$0.05/Stunde
Prompting: +$0.05/Stunde
Speaker Diarization: +$0.02/Stunde
Medical Mode: +$0.15/Stunde
Streaming STT (Universal-3.5 Pro Realtime) — $0.45/Stunde
Universal-Streaming — $0.15/Stunde für Englisch; Universal-Streaming Multilingual — $0.15/Stunde für Englisch, Spanisch, Deutsch, Französisch, Portugiesisch und Italienisch
Voice Agent API — $4.50/Stunde ($0.075/Minute)
Praxis-Workflow
Account erstellen. assemblyai.com — der Free Tier umfasst bis zu 185 Stunden voraufgezeichnete und bis zu 333 Stunden Streaming-Transkription; eine Kreditkarte ist nicht nötig.
API Key generieren. In der Console unter „API Keys".
Audio hochladen und transkribieren.
import assemblyai as aai
aai.settings.api_key = "your-key"
transcriber = aai.Transcriber()
config = aai.TranscriptionConfig(speaker_labels=True)
transcript = transcriber.transcribe("lecture.mp3", config)
for utt in transcript.utterances:
print(f"{utt.speaker}: {utt.text}")
Ergebnis in Claude weiterverarbeiten. Transkript als Prompt-Kontext für Zusammenfassung, Action Items oder Analyse.
Datenschutz (kurz)
AssemblyAI nennt die USA als primären Verarbeitungsstandort. Für asynchrone Uploads beginnt die Löschung der Audiodatei laut Support innerhalb von 24 Stunden und spätestens innerhalb von 48 Stunden; für Transkriptartefakte hängen Aufbewahrung und Löschfristen von TTL- und BAA-Einstellungen ab. Für Aufnahmen mit Dritten Einwilligung einholen und die aktuelle Aufbewahrungskonfiguration prüfen. HIPAA- und BAA-Fragen gehören in die Enterprise-Prüfung.
Quick-Win
Tipp
Aktiviere Auto Chapters beim ersten Test — das gibt dir automatisch eine Gliederung mit Zeitmarken aus einer Vorlesung oder einem langen Meeting. Besser als stundenlang das Transkript zu lesen.