--- title: "Speech-to-Text-API aus der EU · Whisper-Transkription" description: "Transkribieren Sie Audio mit Whisper über eine OpenAI-kompatible Speech-to-Text-API. Meetings, Telefonate und Sprachnotizen, verarbeitet in der EU." canonical: "https://inference.eu/de/api/audio-transcriptions/" language: "de" --- POST /v1/audio/transcriptions # Speech-to-Text-API: Whisper-Transkription, verarbeitet in der EU Der Transkriptions-Endpunkt wandelt aufgezeichnete Sprache mit offenen Spracherkennungsmodellen wie Whisper in Text um. Er nimmt denselben Multipart-Upload an wie die Audio-API von OpenAI, bestehender Code funktioniert also nach Änderung der Basis-URL. Kundengespräche, Meetings und Diktate enthalten oft personenbezogene Daten und werden hier in europäischen Rechenzentren verarbeitet. [Vertrieb kontaktieren](https://inference.eu/de/kontakt/)[Beispielanfrage](#example) 1. 01API-Format: OpenAI 2. 02Rechenzentren in der EU 3. 03Durch einen AV-Vertrag abgedeckt POST /v1/audio/transcriptions ``` curl https://api.inference.eu/v1/audio/transcriptions \ -H "Authorization: Bearer $INFERENCE_EU_API_KEY" \ -F file="@kundengespraech.mp3" \ -F model="whisper-large-v3-turbo" \ -F language="de" \ -F response_format="verbose_json" \ -F "timestamp_granularities[]=segment" ``` ## Was der Endpunkt leistet `POST /v1/audio/transcriptions` erwartet eine Audiodatei als `multipart/form-data` und liefert das Gesprochene als Text. Die Datei kommt in das Feld `file`, die Modell-ID in `model`, etwa `whisper-large-v3-turbo`. Gängige Formate wie mp3, mp4, m4a, wav, webm, ogg und flac werden akzeptiert. Whisper-Modelle erkennen Sprache in knapp hundert Sprachen, darunter alle großen EU-Sprachen, und bestimmen die Sprache automatisch, wenn Sie keine angeben. Die Standardantwort lautet `{"text": "..."}`. Das reicht oft schon, um das Transkript an eine Zusammenfassung, einen Suchindex oder ein Ticket weiterzugeben. ## Die wichtigsten Felder der Anfrage `language` erwartet einen ISO-639-1-Code wie `de`, `fr` oder `nl`. Damit steigen Genauigkeit und Tempo bei kurzen oder verrauschten Aufnahmen, bei denen die automatische Erkennung danebenliegen kann. `prompt` gibt dem Modell Kontext: Namen, Fachbegriffe oder den Text des vorigen Abschnitts, damit „Kubernetes“ oder der Nachname einer Kollegin richtig geschrieben werden. `response_format` kann `json`, `text`, `srt`, `vtt` oder `verbose_json` sein. Für Untertitel nehmen Sie `srt` oder `vtt`. `verbose_json` liefert erkannte Sprache, Dauer und ein Array `segments` mit Start- und Endzeiten; mit `timestamp_granularities[]` auf `word` erhalten Sie zusätzlich Zeitmarken pro Wort. `temperature` lassen Sie bei Transkription am besten auf 0. ## Ein bewährtes Muster für Telefonate und Meetings Ein typischer Ablauf zeichnet ein Support-Telefonat oder Meeting auf, transkribiert es mit `verbose_json`, um die Zeitmarken zu behalten, und schickt das Transkript an ein Chat-Modell mit der Bitte um Zusammenfassung, Aufgaben und getroffene Zusagen. Speichern Sie die Segmente mit ihren Zeiten, damit man direkt zur passenden Stelle der Aufnahme springen kann. Große Archive verarbeiten Sie im Hintergrund, statt für jede Datei eine Verbindung offen zu halten. Hinterlegen Sie die Spracheinstellung pro Kunde oder Team und pflegen Sie ein kurzes Glossar mit Namen und Begriffen, das Sie bei jeder Datei in `prompt` mitgeben. ## Fehler und Sonderfälle Dateien über der maximalen Uploadgröße führen zu HTTP 413 oder einem 400-Fehler. Teilen Sie lange Aufnahmen auf, idealerweise an Pausen, und geben Sie den letzten Satz eines Teils als `prompt` für den nächsten mit, damit der Kontext erhalten bleibt. Die Größengrenze hängt von Ihrem Tarif ab und wird mit Ihnen abgestimmt. Nicht unterstützte oder beschädigte Dateien ergeben einen 400-Fehler mit Beschreibung des Problems. Lange Stille oder Musik kann Whisper-Modelle dazu bringen, Sätze zu wiederholen oder Text zu erfinden; entfernen Sie Stille vorher oder nutzen Sie Sprachaktivitätserkennung. Sprecherzuordnung ist nicht Teil der Antwort, dafür brauchen Sie einen zusätzlichen Diarisierungsschritt. ## Speech to text Endpunkt POST /v1/audio/transcriptions Kategorie Endpunkte API-Format OpenAI Base URL api.inference.eu/v1 Verarbeitung Rechenzentren in der EU Training mit Ihren Daten Nie ## Speech to text: häufige Fragen Die Fragen, die uns Einkauf, Entwicklung und Rechtsabteilungen am häufigsten stellen. Etwas fehlt? Fragen Sie uns direkt. Ja. Der Endpunkt nutzt denselben Pfad, dieselben Multipart-Felder und Antwortformate wie \`/v1/audio/transcriptions\` bei OpenAI. \`client.audio.transcriptions.create\` in den OpenAI-SDKs funktioniert, sobald Sie Basis-URL und Schlüssel ändern und ein offenes Modell wie \`whisper-large-v3-turbo\` wählen. Whisper-Modelle decken knapp hundert Sprachen ab, darunter Deutsch, Französisch, Spanisch, Italienisch, Niederländisch, Polnisch und die übrigen großen EU-Sprachen. Die Genauigkeit hängt von Sprache und Aufnahmequalität ab. Setzen Sie \`language\` ausdrücklich, wenn Sie die Sprache kennen, besonders bei kurzen Clips. Ja. Mit \`response\_format\` auf \`srt\` oder \`vtt\` erhalten Sie Untertiteldateien, mit \`verbose\_json\` eine JSON-Antwort mit \`segments\` samt Start- und Endzeiten. Ergänzen Sie \`timestamp\_granularities\[\]=word\` für Zeitmarken pro Wort, nützlich für Schnittwerkzeuge und mitlaufende Texthervorhebung. Die maximale Uploadgröße hängt von Ihrem Tarif ab und wird mit Ihnen abgestimmt. Ist eine Aufnahme länger, teilen Sie sie an natürlichen Pausen, transkribieren die Teile und fügen den Text zusammen. Eine Mono-Datei mit niedrigerer Bitrate bringt ein langes Telefonat oft unter die Grenze, ohne die Genauigkeit zu beeinträchtigen. Die Antwort enthält keine Sprecherkennzeichnung. Wenn Sie wissen müssen, wer was gesagt hat, führen Sie eine Diarisierung auf dem Audio durch und gleichen deren Sprecherwechsel mit den Zeitmarken aus \`verbose\_json\` ab. Für viele Zusammenfassungen erkennt ein Chat-Modell Rollen wie Agent und Kunde schon aus dem Inhalt. Übergeben Sie einen kurzen \`prompt\` mit den erwarteten Namen, Produktbegriffen und Abkürzungen in der gewünschten Schreibweise. Das Modell nutzt ihn als Kontext. Bei aufgeteilten Aufnahmen verwenden Sie das Ende des vorherigen Transkripts als Prompt für den nächsten Teil. Nein. Audiodateien werden in Rechenzentren in der EU verarbeitet, um das Transkript zu erstellen, und nicht zum Training von Modellen verwendet. Aufnahmen von Telefonaten und Meetings enthalten oft personenbezogene Daten, deshalb zählt die Verarbeitung in Europa. Aufbewahrungsregeln für Ihren Vertrag bestätigen wir schriftlich. Dieser Endpunkt transkribiert vollständige Dateien. Für nahezu Echtzeit senden Sie kurze Stücke von wenigen Sekunden, sobald sie aufgenommen sind, und verbinden die Ergebnisse, wobei Sie den vorherigen Text als \`prompt\` mitgeben. Brauchen Sie ein eigenes Streaming-Setup, besprechen wir die Möglichkeiten gern mit Ihnen. [Frage stellen](https://inference.eu/de/kontakt/) ## Verwandte Seiten [API-Überblick](https://inference.eu/de/api/) - [Text to speechErzeugen Sie natürliche Sprache aus Text mit einer OpenAI-kompatiblen Text-to-Speech-API. Offene Stimmmodelle für Apps und Hotlines, Verarbeitung in der EU.Endpunkte](https://inference.eu/de/api/audio-speech/) - [Chat completionsSenden Sie Chat-Nachrichten im OpenAI-Format an Open-Weight-Modelle. Verarbeitung in Rechenzentren in der EU, keine Nutzung Ihrer Daten für Training.Endpunkte](https://inference.eu/de/api/chat-completions/) - [BatchesFühren Sie Tausende Chat- oder Embedding-Anfragen als asynchronen Job aus. OpenAI-kompatible Batch-API mit JSONL-Upload, verarbeitet in der EU.Endpunkte](https://inference.eu/de/api/batches/) - [FilesLaden Sie Dateien mit einer OpenAI-kompatiblen Files-API hoch, listen, laden und löschen Sie sie. Für Batch-Jobs und Werkzeuge, gespeichert in der EU.Endpunkte](https://inference.eu/de/api/files/) ## Verlagern Sie Ihre KI-Workloads auf europäische Infrastruktur Sagen Sie uns, welche Modelle Sie nutzen und wie viel Verkehr Sie ungefähr haben. Wir antworten innerhalb eines Werktags mit Preisen und nächsten Schritten. - Antwort innerhalb eines Werktags - Preise für Ihr Volumen - AV-Vertrag unterschriftsreif