Gladia ist eine Speech-to-Text- und Audio-Intelligence-API für Entwickler, die Transkription, Sprechererkennung (Diarization), Übersetzung und Audio-Verständnis in die eigene Software einbauen wollen — kein fertiges Notiz-Tool für Endnutzer wie ein Meeting-Assistent. Transkribiert wird in über 100 Sprachen mit den hauseigenen Solaria-Modellen, über eine einzige API, die sowohl Echtzeit- als auch asynchrone Audiodaten verarbeitet. Abgerechnet wird nutzungsbasiert pro Audiostunde statt pro Sitzplatz, mit 10 kostenlosen Stunden pro Monat im Einstiegsplan Starter und Mengenrabatten im Growth-Plan.
Wer steckt dahinter
Gladia entwickelt seine Speech-to-Text-Modelle selbst, statt eine fertige Engine weiterzuverkaufen. Im Angebot sind Solaria-1, ausgelegt auf möglichst breite Sprachabdeckung (laut Gladia sind 42 der über 100 unterstützten Sprachen exklusiv auf der eigenen Plattform verfügbar), sowie das neuere Solaria-3, optimiert für lautes, reales Business- und Callcenter-Audio, das laut Gladia bei echten englischen Kundengesprächen 26 % genauer ist als Solaria-1. Das Unternehmen positioniert sich als Audio-Infrastruktur für Teams, die Voice Agents, Meeting-Tools und Gesprächsanalysen bauen — nicht als Endnutzer-App. Für die Sprechererkennung setzt Gladia auf eine Integration mit pyannoteAI, statt eine eigene Diarization-Lösung von Grund auf zu entwickeln.
Kernfunktionen
- Eine einzige API für Echtzeit-Transkription (Streaming) und asynchrone Transkription (hochgeladene Dateien)
- Über 100 unterstützte Sprachen (101 in der Dokumentation gelistet), mit automatischer Spracherkennung und Sprachwechsel mitten im Satz (Code-Switching) für nahezu alle davon
- Sprechererkennung (Diarization) auf Basis von pyannoteAI, das Gladia als marktführend bei der Genauigkeit bewirbt
- Eine Audio-Intelligence-Ebene, um Zusammenfassungen und Extraktions-Analysen direkt auf transkribiertem Audio laufen zu lassen
- Zwei wählbare STT-Modelle: Solaria-1 für breite Mehrsprachigkeit, Solaria-3 für höhere Genauigkeit bei echtem Business-/Kundengespräch-Audio in Englisch, Französisch, Deutsch, Spanisch und Italienisch
- Wortgenaue Zeitstempel als Teil der Standard-Ausgabe, nützlich für Untertitel, Suche und Auswertungen
- Compliance-Abdeckung für DSGVO, HIPAA, SOC 2 Type II und ISO 27001, plus EU-Datenresidenz
Preise
- Starter — nutzungsbasiert (Pay-as-you-go): 0,61 $/Stunde asynchron, 0,75 $/Stunde Echtzeit, mit 10 kostenlosen Stunden jeden Monat und ohne Kreditkarte zum Start; bis zu 25 gleichzeitige asynchrone bzw. 30 gleichzeitige Echtzeit-Anfragen
- Growth — Rabatte bei Mindestabnahme, ab etwa 0,20 $/Stunde asynchron und 0,25 $/Stunde Echtzeit (laut Gladia bis zu 67 % günstiger als Starter), flexible Parallelität, individuelle Mengenrabatte
- Enterprise — individuelle Jahrespreise mit unbegrenzter Parallelität, SLAs, dediziertem Account Manager und eigenen/feinabgestimmten Modellen
- Verifiziert auf gladia.io/pricing; da sich nutzungsbasierte Tarife und Rabattschwellen ändern können, lohnt ein Blick auf die aktuelle Preisseite.
Für wen
Die 10 kostenlosen Stunden pro Monat im Starter-Plan reichen für Entwickler, die eine Transkriptionsfunktion prototypisch testen oder die Genauigkeit prüfen wollen, bevor Budget investiert wird. Growth passt zu Produkten mit konstant hohem Transkriptionsvolumen, die niedrigere Stundenpreise und mehr Parallelität wollen. Enterprise eignet sich für Unternehmen, die eigene oder feinabgestimmte Modelle, garantierte SLAs oder vollständig unbegrenzte Parallelität benötigen. Da Gladia als API und nicht als fertige Anwendung ausgeliefert wird, richtet es sich an Entwicklungsteams, die Speech-to-Text in ihr eigenes Produkt integrieren — nicht an Nutzer, die einen fertigen Meeting-Assistenten suchen.