[STT-Vergleich 2026] ElevenLabs Scribe vs. Whisper vs. Deepgram im Test

🎯 Was Du in diesem Artikel lernst

• Die echten STT-Genauigkeitsrankings der Top-3-Anbieter laut unabhängigen Benchmarks (Artificial Analysis, Stand: Juni 2026)
• Kostenvergleich pro Stunde — Welche API ist bei welchem Datenvolumen am effizientesten?
• Die Realität der deutschen Spracherkennung (Umlaute, Komposita und Dialekte)
• Sprechererkennung (Diarization) & Wort-Zeitstempel — Die entscheidenden Unterschiede für Untertitel und Meeting-Protokolle
• Konkrete Empfehlungen nach Anwendungsfall: Untertitel-Erstellung vs. Echtzeit-Streaming vs. Self-Hosting

📌 Einleitung

Hallo und herzlich willkommen im Sonetho!

Viele verbinden ElevenLabs sofort mit TTS (Text-to-Speech) auf absolutem Highend-Niveau. Doch seit dem offiziellen Release von Scribe v2 (für die Batch-Transkription) im Januar 2026 mischt ElevenLabs auch den STT-Markt (Speech-to-Text) auf und tritt in direkten Wettbewerb mit Branchengrößen wie OpenAI Whisper und Deepgram. (Die Echtzeit-Version Scribe v2 Realtime wurde bereits im November 2025 veröffentlicht.)

Nachdem wir in unserem Einführungsartikel zu Scribe die theoretischen Grundlagen geklärt haben, beantworten wir heute die entscheidende Praxisfrage: „Welches Tool eignet sich am besten für mein Projekt?“ Wir stützen uns dabei auf unabhängige Benchmarks und die offiziellen Preispläne. (Interne Herstellerangaben sind im Text explizit als solche gekennzeichnet.)

⚡ Für Eilige: Die Zusammenfassung in Kürze

1️⃣ Batch-Transkription (Untertitel, Protokolle, Podcasts) → Scribe v2 (Höchste Genauigkeit laut unabhängigen Benchmarks + mit 0,22 $/Std. günstiger als OpenAI)
2️⃣ Echtzeit-Streaming (Große Volumina, Callcenter, Live-Untertitel) → Deepgram Nova-3 (Führend bei Verarbeitungsgeschwindigkeit, Streaming-Preisen und parallelen Verbindungen)
3️⃣ Volle Datenkontrolle & 0 € Kosten → Whisper Self-Hosting (Kostenfreie MIT-Lizenz, erfordert jedoch eine eigene Implementierung der Sprechererkennung)

📖 Vorab — Die 4 wichtigsten Begriffe kurz erklärt ⚡

• STT = Speech-to-Text: Die automatische Spracherkennung, die Audio in geschriebenen Text umwandelt (z. B. für Untertitel).
• WER = Word Error Rate (Wortfehlerrate): Gibt an, wie viele Fehler auf 100 Wörter entfallen. Je niedriger, desto präziser!
• Sprechererkennung (Diarization) = Identifiziert automatisch, wer was gesagt hat („Sprecher A“, „Sprecher B“). Entscheidend für Meeting-Protokolle.
• Wort-Zeitstempel (Word-level Timestamps) = Ordnet jedem einzelnen Wort den genauen Zeitpunkt im Audio zu – unverzichtbar für synchrone Untertitel.

📊 1. Genauigkeit — Was unabhängige Benchmarks zeigen

Die größte Falle beim STT-Vergleich besteht darin, sich blind auf Werbeversprechen zu verlassen. Deshalb werfen wir einen Blick auf den unabhängigen AA-WER-Index von Artificial Analysis (Stand: Juni 2026; je niedriger der Wert, desto präziser das Ergebnis).

▲ Quelle: Artificial Analysis Speech-to-Text Leaderboard (Stand: Juni 2026)

Das Fazit ist eindeutig: In puncto Genauigkeit schlägt Scribe v2 sowohl OpenAI als auch Deepgram. Bei der Verarbeitungsgeschwindigkeit hingegen spielt Deepgram mit einem Faktor von 504x in einer eigenen Liga.
In der Praxis bedeutet das: Während Deepgram eine Stunde Audiomaterial in Sekunden transkribiert, benötigt Scribe v2 dafür etwa 2 Minuten.

Hinweis: ElevenLabs gibt für Scribe v2 Realtime eine durchschnittliche Genauigkeit von 93,5 % für 30 Sprachen an. Da es sich hierbei um einen herstellereigenen Benchmark handelt, sollte dieser mit der entsprechenden Vorsicht betrachtet werden.

💰 2. Kostenvergleich — Auf die Stunde heruntergebrochen

▲ Quelle: elevenlabs.io · OpenAI Developer Docs · deepgram.com (Stand: Juni 2026)

Drei Erkenntnisse aus der Preistabelle:

• Unschlagbares Preis-Leistungs-Verhältnis: Scribe v2 bietet für Batch-Verfahren mit 0,22 $/Std. eine kosteneffiziente Lösung, die bei höherer Genauigkeit etwa 40 % günstiger ist als gpt-4o.

• Deepgram dominiert Echtzeit-Streaming: Mit 0,29 $/Std. (für eine Einzelsprache), sekundengenauer Abrechnung und bis zu 150 parallelen WebSocket-Verbindungen ist es der Favorit für Live-Anwendungen.

• Großzügiges Startguthaben: Deepgram gewährt 200 $ Startguthaben, was etwa 433 Stunden Transkriptionszeit mit dem Nova-3-Modell entspricht – ideal zum risikofreien Testen.

🇩🇪 3. Deutsche Spracherkennung & Dialekte — Die Realität

Deutsch gehört für moderne KI-Modelle zu den am besten unterstützten Sprachen — und das ist diesmal kein Marketing, sondern offiziell dokumentiert.

ElevenLabs führt Deutsch auf seiner offiziellen Speech-to-Text-Sprachliste in der höchsten Kategorie 'Excellent Accuracy' (WER ≤ 5 %) — Seite an Seite mit Englisch, Französisch, Italienisch, Spanisch und Polnisch. Zur Einordnung: Sprachen wie Hindi oder Mandarin liegen eine Stufe darunter in 'High Accuracy' (WER 5–10 %), Koreanisch derzeit in 'Good' (WER 10–20 %).

⚡ Ein Wort zu kursierenden Benchmark-Zahlen: Der oft zitierte Wert von 10,7 % WER (Scribe v1, FLEURS-Benchmark) stammt aus ElevenLabs' eigener Veröffentlichung und bezieht sich auf Koreanisch — auf Deutsch lässt er sich also nicht übertragen.

Dennoch gibt es sprachliche Stolpersteine:

• Umlaute und Eszett (ä/ö/ü/ß): Führen bei minderwertigen Modellen gelegentlich zu Fehlern.

• Zahleninversion: Die deutsche Zählweise („einundzwanzig“) stellt für einige Engines eine Herausforderung dar, wenn sie in Ziffern transkribiert werden soll.

• Komposita: Deutsche Wortungetüme wie Krankenversicherungsgesellschaft werden von globalen Modellen manchmal fälschlicherweise in Einzelwörter zerlegt.

• Regionale Dialekte: Wer ausgeprägtes Bairisch, Plattdeutsch oder Schwyzerdütsch verarbeiten muss, stößt bei globalen APIs oft an Grenzen und benötigt gegebenenfalls hochspezialisierte Engines.

Unser Rat: Für Standard-Hochdeutsch liefern ElevenLabs Scribe v2 und Whisper large-v3 hervorragende, produktionsreife Ergebnisse. Bei stark dialektlastigem Content (z. B. lokaler Rundfunk) empfehlen wir, die Leistung vorab gründlich zu evaluieren.

🧰 4. Feature-Vergleich — Stolperfallen

• Sprechererkennung: Bei Scribe v2 und Deepgram nativ integriert. Bei Whisper ist ein manuelles Einbinden von Bibliotheken (z. B. pyannote) nötig. OpenAI unterstützt Diarization im gpt-4o-transcribe-Modell ohne Aufpreis.

• Wort-Zeitstempel: Werden von Scribe v2 nativ unterstützt. Bei OpenAI fehlen diese in den aktuellen gpt-4o-transcribe-Modellen, was für die Untertitel-Generierung (SRT/VTT) kritisch sein kann.

• Vokabular-Anpassung: Deepgram bietet exzellente Möglichkeiten für Keyterm-Prompting, um Fachbegriffe oder Markennamen präziser zu erfassen.

Scribe v2 im kostenlosen Tarif testen →

🎯 5. Empfehlungen nach Anwendungsfall

⚠️ 6. Schwachstellen der Systeme

• Scribe v2: Die Verarbeitungsgeschwindigkeit (34x) liegt unter der von Deepgram. Die Credit-Berechnung im kostenlosen Tarif sollte vorab mit Testdateien geprüft werden.

• OpenAI API: Keine echte kostenlose Testphase. Fehlende Wort-Zeitstempel bei aktuellen Modellen erschweren die Untertitel-Erstellung.

• Deepgram: Die Genauigkeit im Benchmark (5,2 %) liegt leicht hinter der Konkurrenz. Nova-3 ist noch relativ neu im deutschen Markt.

• Whisper (Open Source): Seit large-v3-turbo (Okt. 2024) gab es keine großen Updates. Wartung und Infrastruktur liegen komplett in deiner Hand.

🚀 Fazit — Die Wahl liegt bei Deinem Anwendungsfall

Benchmarks sind Orientierungspunkte, aber die ultimative Wahrheit liegt in Deinen eigenen Daten. Dank des kostenlosen Tarifs von ElevenLabs und des Deepgram-Guthabens kannst Du beide Dienste unkompliziert vergleichen.

Für die Implementierung schau in unseren Guide zur Voice-AI-Integration. Für TTS-Vergleiche empfehlen wir zudem unseren Artikel ElevenLabs vs. Google TTS vs. Amazon Polly.

Jetzt kostenlos mit ElevenLabs Scribe starten →

❓ Häufig gestellte Fragen (FAQ)

Q1. Welcher Dienst bietet die höchste Genauigkeit?
A. Gemäß dem unabhängigen Benchmark von Artificial Analysis (AA-WER) lag ElevenLabs Scribe v2 mit 2,2 % am niedrigsten (Stand: Juni 2026).
OpenAI gpt-4o-transcribe lag bei 4,0 %, das mini-Modell bei 4,5 % und Deepgram Nova-3 bei 5,2 %.
Da alle drei Unternehmen in ihren eigenen Veröffentlichungen jeweils die Spitzenposition für sich beanspruchen, haben wir uns auf den unabhängigen Benchmark gestützt.

Q2. Welcher Anbieter ist am günstigsten?
A. Das hängt von der Art der Verarbeitung ab.
Bei der Batch-Transkription ist Scribe v2 mit $0,22 pro Stunde etwa 60 % günstiger als gpt-4o-transcribe ($0,36).
Beim Echtzeit-Streaming ist Deepgram Nova-3 mit $0,29 pro Stunde günstiger als Scribe v2 ($0,39).
Der Creator-Plan ($22/Monat) beinhaltet ein Kontingent von 100 Batch-Stunden.

Q3. Wie ist die Leistung bei der koreanischen Sprache?
A. Ehrlich gesagt nicht ganz auf dem Niveau der englischen Sprache.
ElevenLabs klassifiziert Koreanisch in seiner offiziellen Sprachrangliste als „Good“ mit einer WER zwischen 10 % und 20 %.
In unabhängigen Benchmarks, die vom koreanischen Unternehmen Vrew veröffentlicht wurden (basierend auf 6 AI-Hub-Datensätzen und CER), lagen spezialisierte lokale Engines wie Vrew (5,91 %) und Naver CLOVA (7,52 %) deutlich vor Whisper (11,39 % M).
Wenn Sie umfangreiche Transkriptionen speziell auf Koreanisch planen, empfehlen wir Ihnen, auch lokale APIs in Ihren Vergleich einzubeziehen.

Q4. Welchen Dienst sollte ich für die Untertitel-Erstellung wählen?
A. Achten Sie zuerst darauf, ob Zeitstempel auf Wortebene unterstützt werden.
Scribe v2 bietet dies standardmäßig an.
OpenAI unterstützt dies nur beim älteren whisper-1, jedoch nicht bei der aktuellen gpt-4o-transcribe-Reihe, was beim Workflow für Untertitel zu unerwarteten Schwierigkeiten führen kann.

Q5. Kann ich den Dienst kostenlos testen?
A. Bei beiden Anbietern ist das möglich.
ElevenLabs bietet im Free-Plan ein monatliches Kontingent von 10.000 Credits.
Deepgram gewährt ohne Kreditkartenhinterlegung ein Startguthaben von $200, das nicht abläuft; dies entspricht bei Nova-3 etwa 433 Stunden Laufzeit.
Es entstehen Ihnen also keine Kosten, wenn Sie dieselbe Datei bei beiden Diensten zum Vergleich hochladen.

Q6. Warum ist Deepgram nicht die erste Empfehlung, obwohl es bei der Geschwindigkeit führt?
A. Die Geschwindigkeit ist mit 504,4x zwar überragend.
Die Genauigkeit laut unabhängigen Benchmarks liegt jedoch mit 5,2 % am niedrigsten unter den drei Anbietern.
Daher eignet sich der Dienst hervorragend für Aufgaben, bei denen Geschwindigkeit und Parallelität entscheidend sind, wie etwa bei Callcentern oder Massenverarbeitungen, während wir für Aufgaben, bei denen die Genauigkeit im Vordergrund steht (z. B. Untertitel oder Besprechungsprotokolle), Scribe v2 empfehlen.

Dein Team vom Sonetho ⚡