Monatliches Ranking · Stand: September 2026

Top 5: KI-Transkription (Speech-to-Text)

Unsere Marktbeobachtungen im September 2026

Im September 2026 haben mehrere große Anbieter dedizierte Transkriptionsmodelle vorgestellt. Meta startete am 1. September Muse Voice Transcribe über die als Public Preview betriebene Meta Model API, Microsoft kündigte am 3. September MAI-Transcribe-2 als Public Preview mit 60 Sprachen an, und Googles Ende August in der Gemini-API allgemein verfügbar gemachtes Gemini 3.5 Transcribe wurde laut Artificial Analysis mit einer Wortfehlerrate von 2,6 Prozent unter die Modelle mit den niedrigsten Fehlerraten eingeordnet. Die Kategorie verdichtet sich im oberen Genauigkeitsbereich.

AssemblyAI hat am 29. September 2026 Universal-3.6 Pro Realtime als direkten Nachfolger von Universal-3.5 Pro veröffentlicht. Die automatische Spracherkennung wächst von 18 auf 32 Sprachen mit Code-Switching, die Fehlerrate bei kurzen Antworten sinkt deutlich, und die Erkennung in lauten Räumen, bei Akzenten und über Telefonleitungen verbessert sich.

ElevenLabs hat am 11. September 2026 Scribe v2 Medical als Batch-Modell für medizinisches und klinisches Audio allgemein verfügbar gemacht; Diarisierung, Keyterm-Prompting und Entity-Erkennung arbeiten wie bei Scribe v2. Solche vorkonfigurierten Fachmodelle gehen über die klassische Custom-Vocabulary-Anpassung hinaus und adressieren das Kriterium Anpassbarkeit über vortrainierte Domänenmodelle. Darin zeigt sich im September ein Muster hin zu branchenspezifischer Transkription.

Rangverlauf

April–September 2026

Rangverlauf der aktuellen Top-Tools über die letzten Monate Scribe v2 aktuell Rang 1; Universal aktuell Rang 2; Nova Nova-3 aktuell Rang 3; Gemini Transcribe 3.5 aktuell Rang 4; Chirp aktuell Rang 5. Scribe v2 · April 2026 · Rang 1 – Rang 1 unverändert gegenüber der Vorausgabe; der April-Ausbau von Scribe v2 festigt die Spitzenposition, verschob aber nichts an der relativen Ordnung der Kategorie. Scribe v2 · Mai 2026 · Rang 1 – Rang 1 unverändert gegenüber der Vorausgabe; die Mai-Erweiterung der Echtzeit-Schnittstelle festigt die Position, verschob aber nichts an der relativen Ordnung der Kategorie. Scribe v2 · Juni 2026 · Rang 1 – Rang 1 unverändert gegenüber der Vorausgabe; im Berichtsmonat wurde lediglich das Vorgängermodell scribe_v1 abgekündigt, was die Spitzenposition von Scribe v2 nicht berührt. Scribe v2 · Juli 2026 · Rang 1 – Rang 1 unverändert gegenüber der Vorausgabe; die Recherche im Berichtsmonat ergab keine datierte Verschiebung an der Spitze der Kategorie. Scribe v2 · August 2026 · Rang 1 – Rang 1 unverändert gegenüber der Vorausgabe; die Recherche im Berichtsmonat ergab eine Produktpflege, aber keine datierte Verschiebung an der Spitze der Kategorie. Scribe v2 · September 2026 · Rang 1 – Rang 1 unverändert gegenüber der Vorausgabe; im September ergänzte ElevenLabs mit Scribe v2 Medical ein Fachmodell für medizinisches und klinisches Audio. S 1Scribev2 Universal · April 2026 · Rang 2 – Rang 2 unverändert gegenüber der Vorausgabe; im April kam mit dem Medical Mode eine Vertikal-Erweiterung hinzu, die die Position stützt, ohne die Ordnung zu verschieben. Universal · Mai 2026 · Rang 2 – Rang 2 unverändert gegenüber der Vorausgabe; im Berichtsmonat gab es keine datierte Verschiebung an den Bewertungskriterien gegenüber den benachbarten Plätzen. Universal · Juni 2026 · Rang 2 – Rang 2 unverändert gegenüber der Vorausgabe; im Berichtsmonat ist Universal-3.5 Pro Realtime als aktuelles Echtzeit-Modell belegt, was die Position festigt, ohne die relative Ordnung der Kategorie zu verschieben. Universal · Juli 2026 · Rang 2 – Rang 2 unverändert gegenüber der Vorausgabe; im Berichtsmonat gab es keine datierte Verschiebung an den Bewertungskriterien gegenüber den benachbarten Plätzen. Universal · August 2026 · Rang 2 – Rang 2 unverändert gegenüber der Vorausgabe; im Berichtsmonat gab es keine datierte Verschiebung an den Bewertungskriterien gegenüber den benachbarten Plätzen. Universal · September 2026 · Rang 2 – Rang 2 unverändert gegenüber der Vorausgabe; am 29. September 2026 erschien der Echtzeit-Strang Universal-3.6 Pro Realtime. U 2UniversalUniversal-3.6 Pro Realtime Nova Nova-3 · April 2026 · Rang 3 – Rang 3 unverändert gegenüber der Vorausgabe; am Modell Nova-3 selbst gab es im April keine datierte Neuerung, das separat eingeführte Flux bildet eine eigene Produktlinie. Nova Nova-3 · Mai 2026 · Rang 3 – Rang 3 unverändert gegenüber der Vorausgabe; die Mai-Aktualisierungen an Nova-3 stärken das Angebot, ohne die relative Ordnung der Kategorie zu verschieben. Nova Nova-3 · Juni 2026 · Rang 3 – Rang 3 unverändert gegenüber der Vorausgabe; im Berichtsmonat gab es keine datierte Verschiebung an den Bewertungskriterien gegenüber den benachbarten Plätzen. Nova Nova-3 · Juli 2026 · Rang 3 – Rang 3 unverändert gegenüber der Vorausgabe; im Berichtsmonat verbesserte Deepgram die Nova-3 Monolingual-Modelle, was die Qualität festigt, ohne die relative Ordnung der Kategorie zu verschieben. Nova Nova-3 · August 2026 · Rang 3 – Rang 3 unverändert gegenüber der Vorausgabe; im Berichtsmonat erweiterte Deepgram Nova-3 um weitere Sprachen, was die Qualität festigt, ohne die relative Ordnung der Kategorie zu verschieben. Nova Nova-3 · September 2026 · Rang 3 – Rang 3 unverändert gegenüber der Vorausgabe; die Spracherweiterungen im September festigen den Sprachenumfang. N 3NovaNova-3 Gemini Transcribe 3.5 · September 2026 · Rang 4 – Neueinstieg auf Rang 4: Gemini 3.5 Transcribe ist seit dem 26. August 2026 über die Gemini-API allgemein verfügbar und übertrifft das bisher auf Rang 5 geführte Voxtral an den Kriterien Sprachenumfang und Genauigkeit. G 4Gemini Transcribe3.5 Chirp · Juni 2026 · Rang 4 – Neueinstieg in das Ranking: Google gab Chirp 3: Transcription im Berichtsmonat allgemein frei; das Modell erfüllt Sprachenumfang und Sprechertrennung mindestens so gut wie das verdrängte Angebot auf Platz 5. Chirp · Juli 2026 · Rang 4 – Rang 4 unverändert gegenüber der Vorausgabe; nach der allgemeinen Verfügbarkeit im Vormonat gab es im Berichtsmonat keine datierte Verschiebung an den Bewertungskriterien. Chirp · August 2026 · Rang 4 – Rang 4 unverändert gegenüber der Vorausgabe; am Cloud-Produkt Chirp 3 gab es im Berichtsmonat keine datierte Verschiebung an den Bewertungskriterien. Chirp · September 2026 · Rang 5 – Von Rang 4 auf Rang 5: Gemini 3.5 Transcribe tritt oberhalb ein und liegt bei der Wortfehlerrate auf Aufnahmen vor Chirp 3. C 5Chirp3 Transcription
Watchlist
  • Mistral AIVoxtral Transcribe ↓ zuletzt Rang 5 · Aug
  • MetaMuse Voice Transcribe
  • MicrosoftMAI-Transcribe-2
  • OpenAIGPT-Transcribe ↓ zuletzt Rang 5 · Mai
Rangverlauf je Tool über die letzten Monate
ToolApril 2026Mai 2026Juni 2026Juli 2026August 2026September 2026
Scribe v2111111
Universal222222
Nova Nova-3333333
Gemini Transcribe 3.5–––––4
Chirp––4445

Aktuelles Ranking

  1. Scribe v2

    ElevenLabs Tendenz: unverändert

    • Deckt nach Anbieterangaben über 90 Sprachen einschließlich Deutsch ab; die Echtzeit-Variante liefert Transkripte mit rund 150 Millisekunden Latenz.
    • Mit Scribe v2 Medical erhielt das Angebot am 11. September 2026 ein spezialisiertes Batch-Modell für klinisches Audio, das Diarisierung und Keyterm-Prompting wie Scribe v2 übernimmt.
    • Trennt mehrere Sprecher in langen Aufnahmen und kennzeichnet nicht-sprachliche Audio-Ereignisse; eine Entity-Erkennung stärkt die Textaufbereitung.
    • Bietet in der Batch-Verarbeitung eine Entity-Redaction zur Entfernung personenbezogener Daten während der Transkription.
    Zum Anbieter

  2. Universal Neu

    AssemblyAI Tendenz: unverändert

    • Der Echtzeit-Strang Universal-3.6 Pro Realtime wurde am 29. September 2026 veröffentlicht und erweitert die automatische Spracherkennung von 18 auf 32 Sprachen mit Code-Switching innerhalb eines Satzes.
    • Verbessert nach Anbieterangaben die Erkennung in lauten Räumen, bei Akzenten und über Telefonleitungen und senkt die Fehlerrate bei kurzen Antworten deutlich, was das Kriterium Robustheit stärkt.
    • Bietet mit SpeakerRevision eine überarbeitete Sprechertrennung sowie Keyterm-Prompting für eigenes Vokabular in Echtzeit- und Batch-Verarbeitung.
    • Ist als Enterprise-API für Batch- und Streaming-Transkription in eigene Systeme integrierbar und ergänzt eine PII-Redaction für Text und Audio.

    Preis: 0,45 $/Stunde (Universal-3.6 Pro Realtime, Pay-as-you-go, Grundpreis)

    Zum Anbieter

  3. Nova Nova-3

    Deepgram Tendenz: unverändert

    • Bietet Echtzeit- und Batch-Transkription mit niedriger Latenz und ist auf Kundenservice- und Telefonie-Szenarien ausgelegt.
    • Erweiterte das Nova-3-Angebot im September 2026 mehrfach, am 22. September um verbesserte Modelle für neun bestehende Sprachen, darunter Italienisch, Polnisch und Vietnamesisch, und zuletzt am 24. September um verbesserte Modelle unter anderem für Deutsch (Schweiz).
    • Trennt mehrere Sprecher über ein optionales Diarisierungsmodell und unterstützt Code-Switching innerhalb einer Aufnahme.
    • Ist als Enterprise-API mit umfangreicher Entwickler-Dokumentation und Self-Hosting-Option in eigene Abläufe integrierbar.
    Zum Anbieter

  4. Gemini Transcribe 3.5 Neu

    Google Tendenz: Neueinstieg

    • Das dedizierte Speech-to-Text-Modell erreicht laut der unabhängigen Messstelle Artificial Analysis eine Wortfehlerrate von 2,6 Prozent bei Aufnahmen und 4,0 Prozent im Streaming und zählt damit bei der Genauigkeit zu den stärksten Werten der Kategorie.
    • Erkennt und transkribiert nach Anbieterangaben über 85 Sprachen mit automatischer Spracherkennung und Code-Switching innerhalb einer Aufnahme.
    • Bietet bei Dateien eine Sprechertrennung für bis zu acht Sprecher, die ab drei Sprechern laut Google als experimentell gilt und die Dateilänge auf 30 Minuten begrenzt; im Live-Streaming steht sie nicht bereit. Eigenes Vokabular lässt sich mit bis zu 1.000 Begriffen einbinden, aber nicht zusammen mit Sprechertrennung oder Wort-Zeitstempeln; Zeitstempel mindern laut Google die Genauigkeit.
    • Steht in der Gemini-API allgemein verfügbar als Modell für Audiodateien und als Streaming-Variante (Live API) bereit; auf der Unternehmensplattform Gemini Enterprise Agent Platform lief das Modell im September 2026 noch als Vorschau.

    Preis: 2 $ je 1 Mio. Audio-Input-Token, 12 $ je 1 Mio. Output-Token (Gemini API, Datei-Transkription; nach Googles Schätzung rund 0,005 $/Minute, Live-Variante rund 0,009 $/Minute)

    Zum Anbieter

  5. Chirp

    Google Tendenz: verschlechtert

    • Die Modell-Dokumentation führt rund 100 Sprachen und Lokalisierungen, davon etwa ein Viertel allgemein verfügbar und den Rest als Vorschau; die gesprochene Sprache wird auf Wunsch automatisch erkannt, was mehrsprachiges Audio innerhalb einer Aufnahme erleichtert.
    • Trennt mehrere Sprecher in einkanaligem Audio über eine Diarisierung und eignet sich damit für Besprechungen, Interviews und Podcasts.
    • Unterstützt Streaming- sowie Batch-Verarbeitung über die Speech-to-Text-API und deckt damit Echtzeit- und Datei-Szenarien ab.
    • Enthält einen integrierten Entstörer und eine Sprachanpassung für eigenes Vokabular, was die Kriterien Robustheit und Anpassbarkeit adressiert.
    Zum Anbieter

Methodik & Transparenz

Diese Rankings dienen der Marktorientierung. Sie sind ein redaktioneller, kostenloser Überblick auf Basis öffentlich verfügbarer Quellen, keine abschließende oder absolute Bewertung. Jede Ausgabe ist eine Momentaufnahme; der Markt verändert sich schnell, und die Auswahl erhebt keinen Anspruch auf Vollständigkeit. Bewertet wird ausschließlich anhand der je Kategorie veröffentlichten Kriterien; ein eigener Labortest findet nicht statt. Die vergleichende Einordnung ist unsere redaktionelle Meinung, keine Tatsachenbehauptung über die Eignung einzelner Produkte, und sie wertet keinen Anbieter pauschal ab. Sie ersetzt keine eigene Prüfung. Stand: 01.10.2026.

Bei Recherche und Zusammenfassung kommen KI-Technologien zum Einsatz. Auswahl, Einordnung und Veröffentlichung werden von einer Person geprüft, freigegeben und redaktionell verantwortet. Genannte Produkt-, Marken- und Unternehmensnamen sind Eigentum der jeweiligen Inhaber; ihre Nennung dient allein der Information und Identifikation und bedeutet weder eine Empfehlung noch eine geschäftliche Verbindung zu diesen Anbietern. FORGEINITY hostet oder vervielfältigt keine fremden Inhalte, sondern verweist auf die Originalquellen.

Soweit wir auf externe Seiten verlinken, sind für deren Inhalte ausschließlich die jeweiligen Betreiber verantwortlich. Wir machen uns verlinkte Inhalte nicht zu eigen und übernehmen für sie keine Haftung; zum Zeitpunkt der Verlinkung waren keine Rechtsverstöße erkennbar, und bei Kenntnis einer Rechtsverletzung entfernen wir den betreffenden Link unverzüglich. Unabhängigkeit: Kein Anbieter hat für Platzierung oder Bewertung bezahlt; es bestehen keine Provisions-, Affiliate- oder Werbevereinbarungen. FORGEINITY arbeitet technologie-offen und bewertet ausschließlich anhand der veröffentlichten Kriterien. Alle Angaben erfolgen ohne Gewähr; eine Haftung für Richtigkeit, Vollständigkeit oder für Entscheidungen, die auf Grundlage dieser Rankings getroffen werden, ist ausgeschlossen.

Rechteinhaber, Betroffene und Dritte können eine Korrektur oder Entfernung einzelner Angaben unter legal@forgeinity.com anfragen oder einen rechtswidrigen verlinkten Inhalt melden. Wir prüfen berechtigte Hinweise und reagieren zeitnah.

Bewertet wird anhand dieser Kriterien:

  1. Transkriptionsgenauigkeit (bewertet, wie verlässlich gesprochene Sprache in korrekten Text überführt wird, üblicherweise gemessen als Wortfehlerrate, WER)
  2. Latenz (bewertet, wie schnell das Transkript vorliegt, von der Verzögerung im Echtzeit-Streaming bis zur Durchlaufzeit bei der Datei-Verarbeitung)
  3. Robustheit (bewertet die Erkennungsqualität bei Akzenten, Dialekten, Umgebungsgeräuschen und schwieriger Audioqualität)
  4. Sprachenumfang (bewertet Anzahl und Qualität der unterstützten Sprachen, einschließlich Deutsch, sowie den Umgang mit Sprachwechseln innerhalb einer Aufnahme)
  5. Sprechertrennung (bewertet die Diarisierung, also wie zuverlässig mehrere Sprecher erkannt und ihren Redebeiträgen zugeordnet werden)
  6. Kontextverständnis und Textaufbereitung (bewertet sinnvolle Zeichensetzung, die korrekte Wiedergabe von Zahlen, Eigennamen und Fachbegriffen sowie das Verständnis des inhaltlichen Zusammenhangs)
  7. Anpassbarkeit (bewertet die Domain-Adaption an Branchen- und Unternehmensvokabular, etwa über Custom Vocabulary oder Fine-Tuning)