Wenn Sie die Kosten für Transkription kalkulieren, lautet die ehrliche Antwort, dass es keinen einheitlichen Listenpreis für Google Speech-to-Text gibt. Stand 6. Oktober 2026 (USD) beginnt die zentrale Cloud-API mit 60 kostenlosen Minuten pro Monat und berechnet danach etwa 0,016 $ pro Audiominute bei Standardmodellen mit aktiviertem Daten-Logging, was ungefähr 0,96 $ pro Stunde ergibt, bevor andere Google-Cloud-Kosten hinzukommen. Diese Zahl ist nur der Ausgangspunkt, denn Ihre tatsächliche Rechnung verschiebt sich je nach API-Version, Logging-Wahl, Speicher, Netzwerk und der Art, wie Ihr Audio in Anfragen zerlegt wird. Diese Aufschlüsselung erläutert die Faktoren hinter dem google speech to text pricing, was der Minutenpreis abdeckt und was nicht, und wie diese minutenbasierte Rechnung im Vergleich zu unserem eigenen guthabenbasierten Speech-to-Text-Workflow abschneidet.
Inhaltsverzeichnis
Die ehrliche Spanne und warum es keinen einheitlichen Pauschalpreis gibt
Für einen typischen Creator, der logged Standardaudio an die Cloud-API sendet, liegt die effektive Spanne zwischen 0 $ und etwa 0,96 $ pro Stunde transkribiertem Audio, bevor weitere Google-Cloud-Dienste ins Spiel kommen. Das kostenlose Kontingent deckt die ersten 60 Audiominuten pro Monat und Abrechnungskonto ab, und darüber hinaus wird jede Minute mit 0,016 $ USD berechnet (Stand 6. Oktober 2026). Multiplizieren Sie 60 Minuten mit diesem Tarif, erhalten Sie den Wert von rund 0,96 $ pro Stunde.
Der Grund, warum es keinen universellen Pauschalpreis gibt, liegt darin, dass sechs Variablen die endgültige Zahl beeinflussen: wie viele abrechenbare Minuten Sie über das kostenlose Kontingent hinaus senden, ob Sie Daten-Logging aktivieren, welche API-Version und welches Modell Sie wählen, ob Sie in der Cloud oder mit der On-Prem-Option arbeiten, wie viele weitere Google-Cloud-Dienste Sie anbinden, und die Rundungsregel, die jede Anfrage in abrechenbare Sekunden umwandelt. Da sich all dies pro Konto unterscheidet und sich im Laufe der Zeit ändern kann, sollte jedes Budget an die aktuelle Google-Cloud-Preisseite und Ihr tatsächliches Monatsvolumen gebunden sein und nicht an eine aus dem Gedächtnis abgerufene Zahl.
Wie Google Cloud Speech-to-Text abrechnet
Google berechnet Cloud Speech-to-Text nach der Menge des erfolgreich verarbeiteten Audios, gemessen in Zeit statt in Zeichen. Die Abrechnungseinheit ist wichtiger, als die meisten Planungstabellen annehmen. Laut den Speech-to-Text-Versionshinweisen werden seit 2026 alle Modelle nach derselben Regel abgerechnet: Jede Anfrage wird auf die nächste volle Sekunde aufgerundet, ohne Mindestaudiolänge. Dies ersetzte einen früheren Ansatz, bei dem jede Anfrage auf die nächsten 15 Sekunden aufgerundet wurde, was in einigen On-Prem-Referenzen und älteren Beispielen noch auftaucht.
Die Rundung auf eine Sekunde verändert die Ökonomie von Kurzinhalten. Ein dreisekündiger Social-Media-Hook oder Micro-Learning-Clip wird mit drei Sekunden berechnet, nicht mit fünfzehn, sodass Creator, die viele kurze Dateien veröffentlichen, bei jeder Anfrage keinen Aufschlag mehr zahlen.
Bei der Aufteilung zwischen kostenlos und kostenpflichtig führt Google eine Standard-SKU „mit Daten-Logging" auf, bei der die ersten 60 Audiominuten pro Monat und Abrechnungskonto kostenlos sind. Darüber hinaus wird jede weitere Minute mit 0,016 $ USD berechnet (Stand 6. Oktober 2026).
Daten-Logging ist ein eigener Kostenfaktor. Google bietet historisch unterschiedliche Tarife an, je nachdem, ob Sie dem Logging zur Modellverbesserung zustimmen. Zusammenfassungen von Drittanbietern auf Basis der Google-Cloud-Dokumentation nennen für Standardmodelle etwa 0,004 $ pro 15 Sekunden (rund 0,016 $ pro Minute) mit aktiviertem Logging und etwa 0,006 $ pro 15 Sekunden (rund 0,024 $ pro Minute) ohne. Da der Tarif ohne Logging im öffentlichen Preis-Snippet nicht vollständig ausgewiesen ist, behandeln Sie ihn als „etwas höher als mit Logging" und bestätigen Sie die genaue Zahl auf der aktuellen Preisseite, bevor Sie ein Budget festlegen.
API-Version und Funktionsumfang spielen ebenfalls eine Rolle. Die Haupt-Speech-to-Text-Seite von Google weist darauf hin, dass der Preis von API-Version, Kanälen und Batch-Methoden abhängt, und beschreibt eine V2-API mit Chirp-Modellen sowie Optionen zur Datenresidenz, mit einem Preis von rund 0,016 $ pro Minute für bestimmte Anwendungsfälle, was dem Standard-Logging-Tarif entspricht. Funktionen wie Audit-Logging oder kundenverwaltete Verschlüsselungsschlüssel unterscheiden sich je nach Version, aber der zentrale Preisfaktor bleibt konstant: verarbeitete Audiominuten, nicht der Inhaltstyp oder die Sprache.
Es gibt außerdem eine On-Prem-Option, die nach verarbeitetem Audio pro Monat abgerechnet wird, wobei Anfragen auf 15-Sekunden-Schritte aufgerundet werden. Die On-Prem-Seite von Google zeigt ein Beispiel, in dem drei 7-Sekunden-Anfragen als 45 Sekunden (3 × 15 Sekunden) für insgesamt 0,018 $ USD abgerechnet werden, was einen effektiven Tarif von etwa 0,006 $ pro 15 Sekunden bzw. rund 0,024 $ pro Minute als berechnete Schätzung aus dieser aufgeführten Gebühr impliziert. On-Prem ist für abgeschottete, selbstverwaltete Umgebungen konzipiert und ist in der Regel nur für regulierte Unternehmen mit strengen Anforderungen an Datenresidenz oder Offline-Betrieb relevant.
Was der Minutenpreis enthält und was nicht
Der Minutenpreis kauft einen bestimmten Teil des Stacks. Er deckt die Transkription von Audio in Text mit den ausgewählten Modellen (Standard, Chirp usw.), den Zugang zu Batch- oder Streaming-Erkennung je nach gewählter Version und Konfiguration sowie das monatliche kostenlose Kontingent von 60 Minuten für die logged Standard-Cloud-Nutzung ab. Neue Google-Cloud-Konten erhalten außerdem häufig ein allgemeines Guthaben von 300 $ USD für Machbarkeitsnachweise über verschiedene Dienste hinweg, das während der ersten Tests auf Speech-to-Text angewendet werden kann.
Was der Minutenpreis nicht enthält, ist dort, wo sich Überraschungskosten normalerweise verstecken:
- Cloud Storage zum Speichern Ihrer Audiodateien.
- Netzwerk-Egress für das Bereitstellen oder Exportieren von Audio und Transkripten.
- Andere Google-Cloud-Dienste in Ihrer Pipeline, wie Cloud Functions, Pub/Sub oder Datenbanken.
- Steuern und regionale Abrechnungsanpassungen.
Google verlangt außerdem, dass Sie die Abrechnung aktivieren, um die Speech- und Text-APIs zu nutzen, obwohl Ihnen nichts berechnet wird, solange Sie das kostenlose Kontingent oder das allgemeine Guthaben auf Ihrem Konto nicht überschreiten. Für einen Creator, dessen eigentliches Ziel „ein Video hochladen, ein Transkript erhalten und dann synchronisieren" ist, machen diese ausgeschlossenen Infrastrukturkosten den Unterschied zwischen einem sauberen Minutenposten und einer Rechnung über mehrere Dienste aus, die laufend überwacht werden muss.
Minutenabrechnung vs. unser guthabenbasiertes Speech to Text
Unser Speech to Text befindet sich innerhalb einer einzigen Plattform für Medienerstellung und Lokalisierung, die auch KI-Synchronisation, Voice Cloning, Text to Speech, Speech Separator, Text to Image und Image to Video abdeckt. Statt einer minutenbasierten Infrastrukturabrechnung verwenden wir Plattform-Guthaben mit Übertragbarkeit, ein kostenloses Kontingent und Enterprise-Pläne. Dieser strukturelle Unterschied ist der eigentliche Vergleich, nicht ein direkter Vergleich einer einzelnen Zahl.
| Dimension | Google Cloud Speech-to-Text | Unser Speech to Text |
|---|---|---|
| Abrechnungseinheit | Audiominuten/-sekunden pro Konto, in USD | Plattform-Guthaben, einsetzbar über alle Tools hinweg |
| Umfang | Transkriptionsinfrastruktur, die Sie selbst zusammenstellen | Transkription als ein Schritt in einer Lokalisierungs-Pipeline |
| Zusatzkosten | Speicher, Netzwerk, andere Cloud-Dienste separat berechnet | Innerhalb eines einzigen Guthabens abgedeckt |
| Budgetform | Skaliert linear mit Minuten plus Cloud-Nutzung | Vorab gekaufte Guthaben, die übertragbar sind |
| Beste Eignung | Entwickler, die tiefe API-/Infrastruktur-Kontrolle wünschen | Creator und Entwickler, die einen einzigen Workflow wünschen |
Das praktische Fazit ist Vorhersehbarkeit. Bei der Minutenabrechnung skalieren die Kosten linear mit dem verarbeiteten Audio und mit jedem weiteren Cloud-Produkt, das Sie nutzen, sodass Sie Nutzungsmetriken und Logs kontinuierlich überwachen. Bei Guthaben kaufen Sie vorab ein Budget, verfolgen den Verbrauch über alle Tools hinweg und übertragen, was Sie nicht nutzen, was die Prognose vereinfacht, wenn Ihr Monat Videos, Podcasts und Kurse mischt. Wir bedienen beide Zielgruppen: Creator erhalten eine einzige Oberfläche, während Entwickler Transkription über unsere APIs neben Text to Speech und KI-Synchronisation integrieren können.
Anstatt erneut zu erklären, wie Transkription mechanisch funktioniert, decken unsere Leitfäden zu wie man Audio in Text transkribiert und der Auswahl einer Speech-to-Text-API den Workflow ab; nutzen Sie diese Seite für die Kostenrechnung.
Genaue Angaben, die Sie für ein verlässliches Angebot benötigen
Um google speech to text pricing in ein reales monatliches Budget auf der Cloud-Seite zu überführen, sammeln Sie acht Angaben: geschätzte abrechenbare Minuten pro Monat und Projekt und Konto (nach den ersten 60 kostenlosen), Ihre Entscheidung zum Daten-Logging, die API-Version und das Modell, ob Sie Batch-Erkennung, Streaming oder beides nutzen, Ihre Audiokanal-Konfiguration (Mono vs. Stereo und Kanalanzahl), Ihre Speicherstrategie für Roh-Audio und Transkripte, Ihre Netzwerk-Egress-Pläne für den Export dieser Dateien und die Rundungswirkung Ihres Anfragenmixes (viele kurze Clips vs. wenige lange Dateien). Damit multiplizieren Sie die abrechenbaren Minuten mit dem korrekten USD-Tarif und addieren die separaten Infrastrukturposten.
Für eine vergleichbare Schätzung auf unserer Seite teilen Sie uns die Gesamtminuten mit, die Sie monatlich nach Inhaltstyp transkribieren möchten, die Ausgangs- und Zielsprachen, falls Sie Transkription mit Synchronisation kombinieren, ob Sie außerdem Voice Cloning, Text to Speech, Speech Separation oder Image to Video im selben Workflow einsetzen möchten, Ihre Teamgröße und Parallelität, Ihre Aufteilung zwischen API- und Dashboard-Nutzung sowie Ihren Qualitätsanspruch (bearbeitungstaugliche Transkripte vs. produktionsreife Untertitel). Mit diesen Antworten können wir ein Guthaben-Bundle empfehlen, das Transkription und die zugehörigen Tools unter einem Guthaben abdeckt, statt separater Minutenbudgets pro Produkt. Falls einiges davon noch unbekannt ist, senden Sie uns, was Sie haben, und wir dimensionieren ein Bundle darauf.
Durchgerechnete Preisbeispiele
Alle folgenden Zahlen sind vereinfachte Schätzungen, die den von Google veröffentlichten Minutentarif verwenden und Standardmodelle mit aktiviertem Daten-Logging voraussetzen; tatsächliche Rechnungen variieren je nach Modellwahl, Logging und anderen Diensten und schließen Cloud-Storage- und Netzwerkkosten aus.
YouTube-Creator, ein wöchentliches 20-minütiges Video. Das monatliche Audio beträgt 4 × 20 = 80 Minuten. Die ersten 60 sind kostenlos, sodass 20 abrechenbare Minuten zu 0,016 $ verbleiben, was geschätzte 0,32 $ pro Monat für die Transkription ergibt.
Podcast-Produzent, 10 Stunden pro Monat. Das sind 600 Minuten; 60 kostenlose lassen 540 abrechenbare Minuten übrig. Die Schätzung beträgt 540 × 0,016 $ = 8,64 $ pro Monat.
Schulungsteam, 50 Stunden Webinare pro Monat. Das sind 3.000 Minuten; 60 kostenlose lassen 2.940 abrechenbare Minuten übrig, was geschätzte 2.940 × 0,016 $ ≈ 47,04 $ pro Monat ergibt.
Jedes dieser Beispiele zeigt nur die Transkriptionsgebühr. Addieren Sie auf der Cloud-Seite Speicher und Egress und denken Sie daran, dass ein gemischter Lokalisierungsmonat, in dem Transkripte in Synchronisation und Voiceover einfließen, genau das Szenario ist, für dessen Glättung ein einziges übertragbares Guthaben gebaut ist.
Häufig gestellte Fragen
Ist Google Speech-to-Text kostenlos?
Google bietet 60 Minuten Transkription pro Monat kostenlos bei Standardmodellen mit aktiviertem Daten-Logging, pro Abrechnungskonto. Neue Cloud-Nutzer erhalten möglicherweise außerdem ein separates Guthaben von 300 $ USD für umfassendere Experimente über Google-Dienste hinweg.
Sind erweiterte Modelle teurer als Standardmodelle?
Nein. Die Versionshinweise von Google besagen, dass erweiterte Modelle nicht mehr anders als Standardmodelle bepreist werden; die Nutzung aller Modelle wird wie bei Standardmodellen erfasst und bepreist.
Wie werden kurze Clips jetzt abgerechnet?
Alle Cloud-Speech-to-Text-Anfragen werden auf die nächste volle Sekunde ohne Mindestaudiolänge aufgerundet und ersetzen damit die ältere 15-Sekunden-Rundung für die Cloud-Nutzung. On-Prem-Referenzen verwenden möglicherweise noch 15-Sekunden-Schritte.
Enthält der Minutenpreis Speicher und Netzwerk?
Nein. Der Minutenpreis deckt nur die Transkription ab. Cloud Storage, Netzwerk-Egress und andere Google-Cloud-Dienste werden separat nach ihren eigenen Preisen berechnet.
Wie vergleicht sich das mit Ihrem Speech to Text?
Google berechnet pro Audiominute (oder -sekunde) mit separaten Infrastrukturkosten, während wir ein guthabenbasiertes Modell verwenden, das Speech to Text plus Synchronisation, Text to Speech, Voice Cloning und zugehörige Tools innerhalb eines Workflows abdeckt, mit übertragbaren Guthaben und Enterprise-Optionen für größere Teams.