AssemblyAI ist eine Speech-to-Text- und Audio-Intelligence-API für Entwickler, die aufgezeichnetes oder gestreamtes Audio in Transkripte, Sprecher-Labels, Zusammenfassungen und weitere strukturierte Daten umwandelt. Das Tool richtet sich an Engineering-Teams, die Voice-AI-Produkte bauen — etwa Call-Analytics, Meeting-Notiz-Tools oder Voice-Agents — und nicht an Endnutzer, die eine fertige Consumer-App suchen. Die Preisgestaltung ist vollständig nutzungsbasiert: Transkription vorab aufgezeichneter Audiodateien startet bei 0,15 $/Stunde mit dem Modell Universal-2, Echtzeit-Streaming startet ebenfalls bei 0,15 $/Stunde, und neue Konten erhalten 50 $ Startguthaben ohne Kreditkartenpflicht.
Wer steckt dahinter
AssemblyAI wird von AssemblyAI, Inc. entwickelt, gegründet 2017 von CEO Dylan Fox. Das Unternehmen erhielt im Dezember 2023 eine Series-C-Finanzierung über 50 Mio. $ unter Führung von Accel, mit Beteiligung unter anderem von Y-Combinator-nahen Investoren und Insight Partners. Der Kern-Workflow: Man schickt eine Audiodatei oder einen WebSocket-Stream mit gewähltem Modell an die API, und AssemblyAI liefert ein Transkript zurück, optional ergänzt um Zusatzfunktionen wie Sprechererkennung, Sentiment-Analyse, Zusammenfassung oder PII-Redaction — Entwickler binden das über die REST-API oder die offiziellen Python- und JavaScript-/Node.js-SDKs in ihr eigenes Produkt ein.
Kernfunktionen
- Transkription vorab aufgezeichneter Audiodateien über die Modelle Universal-3.5 Pro (0,21 $/Std.) und Universal-2 (0,15 $/Std.), Letzteres mit Unterstützung für 99 Sprachen
- Echtzeit-Streaming-Transkription (Universal-3.5 Pro Realtime, Universal-Streaming Englisch/Mehrsprachig), abgerechnet nach Verbindungsdauer, von 0,15 bis 0,45 $/Stunde
- Voice-Agent-API, die Speech-to-Text, LLM-Reasoning, Text-to-Speech, Sprecherwechsel-Erkennung und Unterbrechungs-Handling in einer Verbindung bündelt, für 0,075 $/Minute
- Speech-Understanding-Zusatzfunktionen: Sprechererkennung, Sentiment-Analyse, automatische Kapitel, Themenerkennung, Zusammenfassung und Entitätserkennung, jeweils pro Stunde zusätzlich zum Grundpreis berechnet
- Guardrails für PII-Redaction in Audio und Text, Profanity-Filter und Content-Moderation
- LLM-Gateway mit direktem, pro Token abgerechnetem Zugang zu OpenAI, Anthropic, Google und weiteren Modellanbietern neben den Transkripten
Preise
- Kostenlos: 50 $ Startguthaben bei Anmeldung, keine Kreditkarte nötig, begrenzt auf 5 neue Streams/Minute
- Transkription vorab aufgezeichneter Dateien: ab 0,15 $/Stunde (Universal-2) bis 0,21 $/Stunde (Universal-3.5 Pro)
- Streaming-Transkription: ab 0,15 $/Stunde (Universal-Streaming) bis 0,45 $/Stunde Basispreis (Universal-3.5 Pro Realtime)
- Voice-Agent-API: 0,075 $/Minute (4,50 $/Stunde), alles inklusive
- Zusatzfunktionen wie Sprechererkennung, Redaction, Übersetzung und Sentiment-Analyse kommen zum Grundpreis hinzu, typischerweise 0,01-0,15 $/Stunde
- Es gibt keinen festen Monatstarif; die Abrechnung ist durchgehend Pay-as-you-go und skaliert mit dem Volumen — für aktuelle Stundenpreise lohnt ein Blick auf die Preisseite von AssemblyAI
Für wen
Das Startguthaben von 50 $ reicht aus, damit Entwickler eine Transkriptions- oder Voice-Agent-Funktion prototypisch testen können, bevor eine Kreditkarte hinterlegt werden muss. Die Pay-as-you-go-Preisgestaltung passt zu Start-ups und wachsenden Unternehmen, die Voice-Produkte bauen — etwa Call-Center, Meeting-Tools oder Media-Untertitelung — und nur für tatsächlich verarbeitetes Audio zahlen wollen, statt sich an ein Sitzplatz-Abo zu binden. Teams, die Compliance-Funktionen wie PII-Redaction oder Content-Moderation brauchen oder verschiedene LLMs mit derselben Voice-Pipeline kombinieren wollen, sind die Zielgruppe für die Zusatzfunktionen und das LLM-Gateway.