Whisper-API-Preise: Was der Textschritt hinzufügt

Kosten pro Aufgabe auf der Textseite

Spracherkennung und Textgenerierung werden in unterschiedlichen Einheiten abgerechnet, daher ist es sinnvoll, sie getrennt zu betrachten. Diese Seite behandelt den Textteil, da dies der Teil ist, den dieser Dienst verkauft. Die folgenden Zahlen stammen direkt aus der Preisliste: $0,15 pro Million Input-Token und $0,50 pro Million Output-Token.

Aufgabe	Input-Token	Output-Token	Kosten
10-minütiges Standup, kurze Zusammenfassung	2.000	300	$0,00045
1-Stunden-Meeting, Zusammenfassung und Aufgaben	12.000	800	$0,0022
3-Stunden-Workshop, strukturierte Notizen	36.000	1.500	$0,00615
Nahezu volles Kontextfenster, langer Bericht	96.000	4.000	$0,0164

Die Token-Anzahl hier ist eine Schätzung. Eine grobe Faustregel für englische Sprache ist, dass eine Stunde Sprechen etwa 9.000 Wörter ergibt, was in der Größenordnung von 12.000 Token liegt, aber die tatsächlichen Zahlen hängen vom Sprecher und davon ab, wie das Transkript formatiert ist.

So funktioniert die Berechnung

Nimm das einstündige Meeting. Input sind 12.000 Token, also 12.000 / 1.000.000 x $0,15 = $0,0018. Output sind 800 Token, also 800 / 1.000.000 x $0,50 = $0,0004. Die Summe ist $0,0018 + $0,0004 = $0,0022, etwas mehr als zwei Zehntelcent.

Output-Token kosten mehr als dreimal so viel wie Input-Token, was die Strategie bestimmt: Das Lesen eines langen Transkripts ist günstig, das Schreiben einer langen Antwort ist der Kostenfaktor. Eine Zusammenfassung, die 5 Prozent der Transkriptlänge beträgt, kostet weit weniger als eine Neuformulierung des gesamten Transkripts.

Die gleiche Berechnung als Funktion, falls du sie gegen deine eigenen Volumina laufen lassen möchtest:

Copy# Base URL https://api.whisperapis.com/v1, model "uncensored"
def text_cost(input_tokens, output_tokens):
    # $0.15 per 1M input tokens, $0.50 per 1M output tokens
    return input_tokens * 0.15 / 1_000_000 + output_tokens * 0.50 / 1_000_000

print(round(text_cost(12_000, 800), 6))    # one-hour meeting -> 0.0022
print(round(text_cost(36_000, 1_500), 6))  # three-hour workshop -> 0.00615

Prüfe auch die Arithmetik in der größten Zeile: 96.000 x $0,15 / 1M = $0,0144, und 4.000 x $0,50 / 1M = $0,002, was zusammen $0,0164 ergibt.

Die Audio-Seite ist ein separater Posten

Dieser Dienst transkribiert kein Audio, hat also keinen Audio-Preis pro Minute. Dafür brauchst du einen Whisper-basierten Dienst deiner Wahl. Externe Transkriptionen verschiedener Anbieter berechnen in der Regel pro Minute oder Stunde Audio, während eine selbst gehostete Lösung diese Gebühr durch die Kosten für GPU- oder CPU-Zeit sowie deine eigene Wartung ersetzt. Die Preise ändern sich oft, also prüfe die aktuellen Preise statt dich auf eine Zahl aus einem Blog zu verlassen.

Für die Budgetplanung addiere die beiden Seiten: Audio-Stunden mal die Kostenrate plus Transkripte mal die Tokenrate oben. In den meisten Pipelines, die Meetings verarbeiten, ist die Transkriptionslinie die größere der beiden, weil der Textschritt bei einem einstündigen Anruf nur einen Bruchteil eines Cents kostet. Wenn du Whisper selbst auf Hardware betreibst, die du bereits besitzt, ist die Text-API möglicherweise die einzige direkte Abrechnung.

Wenn du die Setup-Details möchtest, zeigt der Schnellstart das Anfrageformat für den Textschritt.

Prepaid-Guthaben, keine kostenlose Stufe

Es gibt kein kostenloses Tarif-Modell und kein Abo. Du zahlst aus Prepaid-Guthaben, das verfällt nie. Neue Nutzer haben eine Möglichkeit, es kostenlos zu testen: Nach der Anmeldung findest du auf der API-Schlüssel-Seite einen Button für $0,50 kostenloses Testguthaben. Es gilt einmal pro Person, 7 Tage lang und ohne Kartenangabe.

Diese $0,50 gehen weiter, als es scheint. Bei $0,0022 pro einstündigem Meeting deckt es etwa 227 Zusammenfassungen (0,50 / 0,0022 = 227,3). Der Test-Schlüssel ist auf 2 parallele Anfragen und 60 Anfragen pro Minute begrenzt, was mehr als genug ist, um eine Pipeline auf einer Charge von Aufnahmen zu testen.

Nach der Testphase lädst du mit einem beliebigen Betrag zwischen $20 und $500 auf. Du zahlst mit Karte (Visa, Mastercard, Apple Pay, Google Pay) oder Krypto (USDT auf TRC20, USDC auf Base). Größere Aufladungen erhalten einen Bonus auf das erhaltene Guthaben:

Aufladung	Bonus	Erhaltenes Guthaben
$20	keine	$20,00
$50	+5%	$52,50
$100	+10%	$110,00
$200	+15%	$230,00

Die Preisseite hat die aktuelle Liste an einem Ort.

Was ein Monat Meetings kostet

Angenommen, ein Team zeichnet 40 einstündige Meetings pro Woche auf. Das sind etwa 173 im Monat (40 x 52 / 12 = 173,3). Jedes kostet $0,0022 auf der Textseite, also ist das monatliche Gesamtergebnis grob 173,3 x $0,0022 = $0,38. Eine Aufladung von $20 würde mehr als vier Jahre dieser Arbeitslast abdecken, und das Guthaben hat kein Verfallsdatum.

Nun ein schwererer Fall: Ein Dienst, der 5.000 einstündige Aufnahmen in einem Monat verarbeitet, mit einem Input von 12.000 Token und einer Zusammenfassung von 800 Token. Das sind 5.000 x $0,0022 = $11. Erhöhe den Output auf 3.000 Token pro Aufnahme, weil Kunden detaillierte Notizen wollen, und die Output-Kosten pro Aufnahme werden 3.000 x $0,50 / 1M = $0,0015, also ist das Gesamtergebnis pro Aufnahme $0,0018 + $0,0015 = $0,0033, und der Monat kommt auf $16,50.

Beachte, was die Kosten verändert hat. Die Transkriptlänge hat sich nicht geändert, nur die Antwortlänge. Wenn die Kosten schneller steigen als erwartet, schaue dir zuerst deine Ausgabe-Größe an.

Vergleich mit manueller Bearbeitung

Der ehrliche Vergleich ist mit deiner eigenen Zeit. Ein Assistent, der eine einstündige Aufnahme anhört und Notizen tippt, verbringt eine Stunde oder mehr. Das Modell liest die gleiche Stunde als Text in wenigen Sekunden und schreibt die Notizen in vielleicht einer halben Minute. Bei $0,0022 pro Stunde Meeting ist der Textschritt nicht der Kostenfaktor; die Audio-Transkription, die Ingenieurszeit zum Aufbau der Pipeline und die Überprüfung der Ausgabe kosten mehr.

Das Modell macht auch Fehler, also plane eine kurze menschliche Überprüfung für alles ein, was wichtig ist. Ein Prüfer, der generierte Notizen zwei Minuten lang überfliegt, ist immer noch schneller als das Schreiben von Grund auf, und die Überprüfung fängt gelegentlich erfundene Namen oder falsch gehörte Zahlen ab. Fehlgeschlagene oder abgelehnte Anfragen kosten nichts, also sind die einzigen Textkosten, die für Antworten anfallen, die du tatsächlich erhalten hast.

Möglichkeiten, die Textrechnung klein zu halten

• Begrenze die Antwort. Lege max_tokens fest, wenn du nur eine kurze Zusammenfassung benötigst. Es ist optional, verhindert aber eine unkontrollierte Antwort bei einem seltsamen Transkript.
• Sende das Transkript nicht erneut. Wenn du drei Outputs aus einem Meeting benötigst, bitte um sie in einer Anfrage als JSON-Objekt, anstatt drei Aufrufe zu tätigen, die jeweils für 12.000 Eingabe-Token bezahlen.
• Lese die Nutzung aus der Antwort. Der usage-Block meldet Prompt- und Completion-Token, und gestreamte Antworten enthalten die Nutzung am Ende. Der X-Balance-USD-Antwortheader zeigt dein verbleibendes Guthaben.
• Halte Wiederholungen günstig. Fehlgeschlagene oder abgelehnte Anfragen werden nicht berechnet, also fügt eine Wiederholungsschleife bei Fehlern nichts zur Rechnung hinzu.

Copyfrom openai import OpenAI

client = OpenAI(base_url="https://api.whisperapis.com/v1", api_key="YOUR_KEY")
messages = [{"role": "user", "content": "Summarize in five bullets: ..."}]

resp = client.chat.completions.create(
    model="uncensored",
    messages=messages,
    max_tokens=900,
)
u = resp.usage
print(u.prompt_tokens, u.completion_tokens)
print(text_cost(u.prompt_tokens, u.completion_tokens))

Kombiniere diese Gewohnheiten mit einer täglichen Prüfung des Guthaben-Headers, und du erkennst ein Kostenproblem innerhalb eines Tages, nicht erst am Monatsende. Die Dokumentation listet die Antwort-Header und Fehlercodes auf.

Weitere Anleitungen

• Whisper-API-Server: Setup-Optionen und der Textschritt
• LLM-API-Meeting-Notizen: Transkript zu Zusammenfassung in Python
• Midjourney-API: Fehlerbehebung & Alternativen