Zusammenfassung / Kernpunkte
- Scribe v2 ist das Batch-Transkriptionsmodell von ElevenLabs; Scribe v2 Realtime verarbeitet Live-Audio in etwa 150 ms.
- API-Preis: 0,22 $ pro Audiostunde für Scribe v2, 0,39 $ für Realtime, in jedem Plan.
- Funktionen: 90+ Sprachen, Sprecherkennzeichnung für bis zu 32 Sprecher, Zeitstempel auf Wortebene, Keyterm-Prompting, Audio-Event-Tags.
- Dateien bis zu 3 GB und 10 Stunden; MP3, WAV, M4A, MP4, MOV und viele andere Formate werden akzeptiert.
- In der Web-App verbraucht die Transkription 330 Credits pro Minute aus Ihrem Plan.
Kurze Antwort: ElevenLabs wandelt Audio und Video mit seinen Scribe-Modellen in Text um. Scribe v2 verarbeitet hochgeladene Dateien, einschließlich MP3, in über 90 Sprachen, identifiziert bis zu 32 Sprecher und fügt wortgenaue Zeitstempel hinzu. Über die API kostet es $0,22 pro Audiostunde ($0,39 für Scribe v2 Realtime), und in der Web-App werden 330 Credits pro Minute von Ihrem Plan abgezogen. Dateien können bis zu 3GB groß und 10 Stunden lang sein.
Wie wir geprüft haben: Funktionen, Limits und Preise stammen von der ElevenLabs Speech to Text-Seite, der API-Preisseite und der Speech to Text-Dokumentation, alle geprüft auf elevenlabs.io am 1. November 2026. Wir haben keinen eigenen Genauigkeitstest durchgeführt. Einige Links sind Affiliate-Links: Wenn Sie sich anmelden, erhält ElevenLabs möglicherweise eine Provision, ohne dass Ihnen zusätzliche Kosten entstehen.
Die Scribe-Modelle
| Model | Use | API price per audio hour | Notes |
|---|---|---|---|
| Scribe v2 | Batch transcription of files | $0.22 | 90+ languages, diarization, timestamps, keyterms, entity detection |
| Scribe v2 Realtime | Live audio, agents, meetings | $0.39 | About 150ms latency, word-level timestamps, voice activity detection |
| Scribe v2 Medical | Clinical audio | $0.22 | HIPAA-eligible with BAAs and Zero Retention Mode |
Add-ons werden ebenfalls pro Stunde abgerechnet: Keyterm-Prompting kostet $0,05 pro Stunde bei Scribe v2 und $0,08 bei Realtime, und die Transkriptbearbeitung mit Anweisungen in natürlicher Sprache kostet $0,07 bzw. $0,12. Stille zählt zur abgerechneten Zeit, daher spart das Kürzen langer Pausen vor dem Hochladen Geld.
Eine Unstimmigkeit, auf die wir hinweisen möchten: Die FAQ auf der Speech-to-Text-Seite von ElevenLabs besagt immer noch, dass Scribe "ab $0,40 pro Stunde" beginnt, während die API-Preistabelle und deren FAQ beide $0,22 angeben. Wir verwenden den Wert aus der Preistabelle; prüfen Sie die aktuelle Seite, bevor Sie ein großes Projekt budgetieren.
Was Scribe v2 leisten kann
- 90+ Sprachen, mit intelligenter Spracherkennung.
- Sprecher-Diarisierung für bis zu 32 Sprecher, sodass Interviews und Meetings mit Sprecherzuordnung ausgegeben werden.
- Wortgenaue Zeitstempel für Captions und Untertitel.
- Keyterm-Prompting mit bis zu 1.000 Wörtern oder Phrasen, nützlich für Namen, Produkte und Fachbegriffe.
- Dynamisches Audio-Tagging von Nicht-Sprachereignissen wie Lachen oder Schritten.
- Entitätserkennung und Schwärzung sensibler Informationen über die API.
- Mehrkanal-Modus für bis zu 5 Kanäle, wobei jedem ein eigener Sprecher zugewiesen wird.
- Webhooks, damit lange Dateien asynchron verarbeitet werden können.
So verwandeln Sie ein MP3 oder Video in Text
- In der App: Melden Sie sich bei ElevenLabs an, öffnen Sie Transcription (Speech to Text), laden Sie Ihre MP3-, WAV-, MP4- oder andere Datei hoch, wählen Sie die Sprache oder lassen Sie sie automatisch erkennen, und laden Sie das Transkript herunter oder exportieren Sie Untertitel.
- Über die API: Erstellen Sie einen API-Key und senden Sie die Datei an den Speech to Text-Endpunkt, wobei
model_idaufscribe_v2gesetzt ist. Die Antwort enthält den Text, die erkannte Sprache, Wörter mit Zeitstempeln und eine Sprecher-ID für jedes Wort.
Akzeptierte Audioformate sind AAC, AIFF, OGG, MP3, OPUS, WAV, FLAC, M4A und WebM. Videoformate sind MP4, AVI, MKV, MOV, WMV, FLV, WebM, MPEG und 3GPP.
Limits
| Limit | Value |
|---|---|
| Max file size | 3GB |
| Max duration (standard mode) | 10 hours |
| Speakers labelled | Up to 32 |
| Multichannel | Up to 5 channels |
| Keyterms | Up to 1,000 |
| Concurrent transcriptions | 8 Free, 12 Starter, 20 Creator, 40 Pro, 60 Scale and Business |
Wie viel Transkription in jedem Plan enthalten ist
| Plan | Price | In the app (330 credits a minute) | Through the API (Scribe v2) |
|---|---|---|---|
| Free | $0 | 12 minutes (as listed) | about 4.5 hours |
| Starter | $6 | about 1 hour 31 minutes | 27 hours |
| Creator | $22 | about 6 hours 7 minutes | 100 hours |
| Pro | $99 | about 30 hours 18 minutes | 450 hours |
| Scale | $299 | about 90 hours | 1,359 hours |
| Business | $990 | about 303 hours | 4,500 hours |
Der Unterschied zwischen den beiden Spalten ist real: Die API berechnet die Transkription mit $0,22 pro Stunde, während die App dieselben Credits verbraucht, die Sie auch für Speech verwenden. Wenn Sie viel transkribieren, erhalten Sie durch den Aufruf der API (oder eines darauf basierenden Tools) deutlich mehr Stunden pro Dollar. In der App decken die Credits auch Text to Speech ab, sodass eine intensive Transkription weniger Spielraum für Voiceovers lässt.
Genauigkeit: Was ElevenLabs und andere sagen
ElevenLabs beansprucht eine Transkriptionsgenauigkeit von über 98 % für Scribe v2 und veröffentlicht Diagramme, die es vorteilhaft mit Modellen von OpenAI, Google und Deepgram vergleichen. Zudem werden die erwarteten Wortfehlerraten nach Sprache veröffentlicht, die von 5 % oder weniger für die Top-Kategorie bis hin zu 20 % bis 50 % für die schwächsten Sprachen reichen. Unabhängige Tester sind vorsichtiger: DiscoverAI argumentiert, dass die Genauigkeit von den Sprechern, Hintergrundgeräuschen und der Terminologie abhängt, und empfiehlt, das eigene Audiomaterial als Benchmark zu nutzen. Telenow merkt an, dass Scribe eine reine Cloud-Lösung ist, ohne Option für Self-Hosting oder Air-Gapped-Umgebungen.
Gefällt Ihnen der Artikel? Erhalten Sie jeden Morgen einen wie diesen per E-Mail.
eine E-Mail pro Tag · Abmeldung mit zwei Klicks · kein Tracking durch Dritte
Für wen es geeignet ist
- Podcaster und Video-Creator, die Untertitel und Transkripte im selben Tool wie ihre Voiceovers wünschen.
- Entwickler, die Voice-Agenten oder Meeting-Tools bauen, die Echtzeit-Transkription benötigen.
- Teams, die viele Sprachen transkribieren oder klinische Audiodaten mit dem Medical-Modell und einem BAA verarbeiten.
Wenn Sie eine Aufnahme hauptsächlich durch Bearbeitung des Transkripts editieren möchten, ist Descript genau auf diesen Workflow ausgelegt. Für alles andere ist Scribe einen Versuch im Free-Plan wert, bevor Sie sich festlegen.
Häufig gestellte Fragen
Kann ElevenLabs MP3 in Text umwandeln?
Ja. Scribe akzeptiert MP3 sowie AAC, AIFF, OGG, OPUS, WAV, FLAC, M4A und WebM-Audiodateien sowie MP4, MOV, MKV, AVI und andere Videodateien. Laden Sie diese in der Web-App hoch oder senden Sie die Datei an die Speech to Text API.
Wie viel kostet ElevenLabs Speech to Text?
Über die API kostet Scribe v2 0,22 $ pro Audiostunde und Scribe v2 Realtime 0,39 $. Keyterm-Prompting kostet zusätzlich 0,05 $ pro Stunde (0,08 $ bei Realtime). In der App verbraucht die Transkription 330 Credits pro Minute aus Ihrem Plan.
Ist ElevenLabs Speech to Text kostenlos?
Der Free-Plan beinhaltet etwas Transkription: Die Speech-to-Text-Seite listet 12 Minuten pro Monat in der App auf, und die API-Preisseite listet etwa 4,5 Stunden Scribe v2 für die kostenlose API-Nutzung. Die Ausgabe des Free-Plans darf nicht kommerziell genutzt werden.
Erkennt ElevenLabs Scribe verschiedene Sprecher?
Ja. Scribe v2 kennzeichnet bis zu 32 Sprecher (Sprecher-Diarisierung) und liefert Zeitstempel auf Wortebene. Der Multichannel-Modus kann Sprecher auch nach Audiokanal zuordnen, bis zu 5 Kanäle.
Wie viele Sprachen unterstützt ElevenLabs Scribe?
ElevenLabs gibt 90+ Sprachen an, gruppiert nach erwarteter Fehlerrate. Englisch, Spanisch, Französisch, Deutsch, Japanisch, Italienisch und Portugiesisch gehören zu den Sprachen in der besten Kategorie (5 % Wortfehlerrate oder weniger).
Was ist die maximale Dateigröße für die ElevenLabs-Transkription?
3 GB pro Datei und bis zu 10 Stunden Audio im Standardmodus, gemäß der Dokumentation von ElevenLabs.