Speech-to-Text API

Eine API für Transkription, Übersetzung, Untertitel und Analyse

Die meisten Spracherkennungs-APIs liefern nur Rohtext. Die Sonix API gibt ein Transkript zurück, das bereits für alles strukturiert ist, was Sie als Nächstes bauen.

Jede der folgenden Funktionen ist ein dokumentierter Endpunkt. Das abgerufene Transkript wird so zu Untertiteln, einer Übersetzung, einem geschnittenen Audioclip oder einer Zusammenfassung, ohne dass Sie die API verlassen.

Batch-Transkription

Senden Sie eine Datei per POST an /v1/media oder übergeben Sie bei mehr als 100MB eine file_url, und Sonix transkribiert sie asynchron. Legen Sie die Sprache fest, geben Sie keywords mit, um die Erkennung auf Namen und Fachbegriffe auszurichten, hängen Sie custom_data für Ihre eigenen IDs an und setzen Sie eine callback_url, damit Sonix Ihrem Server sofort meldet, wenn der Job abgeschlossen oder fehlgeschlagen ist. Aufnahmen, bei denen jeder Sprecher auf einem eigenen Kanal liegt, können den Multitrack-Endpunkt für die kanalbasierte Sprechererkennung nutzen.

Übersetzung

Sobald ein Transkript fertig ist, senden Sie per POST einen Zielsprachcode an den translations-Endpunkt, und Sonix liefert ein übersetztes Transkript in einer von 54+ Sprachen. Die Transkript-Endpunkte akzeptieren einen language-Parameter: Eine spanische SRT-Datei eines englischen Interviews ist nach Abschluss der Übersetzung also ein einziger GET-Request.

Untertitel und Captions

Die SRT- und VTT-Endpunkte liefern Untertiteldateien mit echten Darstellungsoptionen: max_characters und max_duration begrenzen jeden Untertitel, subtitle_lines legt eine oder zwei Zeilen fest, und speaker_display bestimmt, wie Sprechernamen erscheinen. Der split-Endpunkt bricht ein ganzes Transkript unter einem max_cps-Limit für die Lesegeschwindigkeit in Untertitel um, und der burn-in-Endpunkt rendert die Untertitel direkt ins Video, mit frei wählbarer Schrift, Größe, Farbe und Seitenverhältnis, auch 9:16 und 1:1 für Social-Media-Formate.

Exporte und strukturierte Daten

Rufen Sie jedes Transkript als JSON mit Start- und Endzeit für jedes Wort und Sprecherkennzeichnung ab, als Klartext, als Word-Dokument oder PDF zum Weitergeben, als SRT oder VTT oder als Avid-DS-Datei für den Videoschnitt. Der Medienexport-Endpunkt geht noch einen Schritt weiter: Er schneidet das Audio oder Video selbst auf Ihre Highlights zusammen oder entfernt alles, was Sie durchgestrichen haben, als MP3, WAV oder MP4.

KI-Analyse

Der summarization-Endpunkt analysiert ein fertiges Transkript: eine Zusammenfassung mit der gewünschten Anzahl Sätze, Kapitel, Stimmung, Themen- und Topic-Analyse, Entitätsextraktion oder ein eigener Prompt wie „Schreibe 5 Werbe-Tweets für diesen Podcast“.

Callbacks und Webhooks

Polling-Schleifen sind überflüssig. Medien- und Zusammenfassungsjobs akzeptieren eine callback_url, und Sonix sendet den Jobstatus per POST dorthin, sobald die Arbeit abgeschlossen oder fehlgeschlagen ist. Für Teams, die in großem Umfang automatisieren, bieten die Tarife Pro und Enterprise zusätzlich Event-Webhooks: Abonnieren Sie abgeschlossene Transkriptionen und Übersetzungen, Änderungen an Labels und Ordnern sowie angewendete Schwärzungen. Jedes Event ist mit HMAC-SHA256 in einem X-Webhook-Signature-Header signiert, sodass Ihr Server prüfen kann, dass jeder Payload von Sonix stammt.

Echtzeit-Streaming

Für Live-Untertitel und Speech-to-Text mit geringer Latenz bietet Sonix eine Streaming-API über WebSocket, im Early Access für Enterprise-Teams. Den Zugang beantragen Sie auf der Seite zur Echtzeit-Transkription. Die Batch-Transkription ist heute vollständig dokumentiert und im Self-Service nutzbar.

In drei API-Aufrufen von der Audiodatei zum Transkript

Authentifizieren Sie sich mit einem Bearer-Token gegenüber https://api.sonix.ai/v1, übermitteln Sie die Datei und rufen Sie das Transkript im gewünschten Format ab.

Datei übermitteln

Senden Sie die Mediendatei als Multipart-Formulardaten mit Sprache, Namen und optional keywords und custom_data:

curl -XPOST https://api.sonix.ai/v1/media -H "Authorization: Bearer <API Key>"  \
    -F file=@my_audio.mp3 \
    -F language=en \
    -F name='Podcast Episode 45' \
    -F keywords='Sonix, Bergamasco, Kairos, Chewbacca' \
    -F custom_data='{"internal_id": "123412", "customer_email": "[email protected]"}'

Status abfragen oder auf den Callback warten

Fragen Sie das Media-Objekt ab, bis sein Status completed ist, oder überspringen Sie diesen Schritt und warten Sie auf Ihre callback_url:

curl -XGET https://api.sonix.ai/v1/media/qmnY1nD5 -H "Authorization: Bearer <API Key>"

Transkript mit Zeitstempeln abrufen

Fordern Sie das JSON-Transkript an oder tauschen Sie die Endung gegen .srt, .vtt oder Klartext:

curl -XGET https://api.sonix.ai/v1/media/qmnY1nD5/transcript.json -H "Authorization: Bearer <API Key>"

Mehrsprachige Aufnahme? Setzen Sie language=multi und listen Sie die erwarteten Sprachen in language_hints auf. Die vollständige Parameterreferenz, Response-Bodies und Fehlercodes finden Sie in der API-Dokumentation.

Build vs. Buy: Transkriptions-API oder selbst gehostetes Whisper

Open-Source-Sprachmodelle haben die eigene Transkription zu einer echten Option gemacht, und für manche Teams ist sie die richtige. Für die meisten ist das Modell aber der kleinste Teil der Arbeit.

Was Self-Hosting wirklich kostet

Der Download des Modells ist kostenlos, der Produktivbetrieb nicht. Self-Hosting bedeutet GPU-Kapazität, die zwischen den Jobs brachliegt oder bei Lastspitzen in die Knie geht, eine Queue mit Retries und Fehlerbehandlung, sicheren Speicher für das Audio und Monitoring für all das. Daraus wird ein dauerhaftes Infrastrukturprojekt mit Rufbereitschaft. Bei einer Transkriptions-API zahlen Sie einen Preis für das Audio, das Sie tatsächlich verarbeiten, und die Integration besteht aus den drei Aufrufen oben.

Was Sie rund um das Modell nachbauen

Ein reines Sprachmodell liefert Text, und Produkte brauchen mehr als Text. Sprecherkennzeichnung, Untertitel-Umbruch mit Limits für die Lesegeschwindigkeit, Übersetzung, eingebrannte Untertitel, Medienexporte und Zusammenfassungen sind jeweils ein eigenes System, das Sie rund um das Modell bauen und warten müssen. Die Sonix API liefert all das über eine einzige dokumentierte Schnittstelle.

Genauigkeit und Sprachpflege

Ein selbst gehostetes Modell bleibt auf dem Checkpoint, den Sie deployt haben, und jedes Upgrade ist eine Migration, für die Sie verantwortlich sind und die Sie mit Ihrem eigenen Audio neu benchmarken. Sonix pflegt die Modelle hinter der API, liefert 99% Genauigkeit bei klarem Audio in 54+ Sprachen, verarbeitet gemischtsprachige Dateien in einem einzigen Request und nimmt pro Request keywords entgegen, damit Sie die Erkennung ohne jedes Training auf Namen und Fachbegriffe ausrichten können.

Compliance ist im Produkt enthalten

Sobald Kundenaudio durch Ihre Pipeline läuft, sind auch Ihre Auditoren mit im Spiel. Sonix ist nach SOC 2 Type II zertifiziert, mit unterzeichnetem BAA HIPAA-konform und mit AVV und Standardvertragsklauseln DSGVO-konform. Die Daten sind bei der Übertragung mit TLS und im Speicher mit AES-256 verschlüsselt und werden nie zum Training von Modellen verwendet. Die Details finden Sie auf der Seite zur Sicherheit.

Wann Self-Hosting sinnvoll ist

Self-Hosting gewinnt, wenn Audio Ihre Infrastruktur vertraglich nicht verlassen darf, wenn Sie in Air-Gap-Umgebungen arbeiten oder wenn ein ML-Team Modelle beruflich anpasst und ein stetiges Volumen dedizierte GPUs auslastet. Trifft nichts davon auf Sie zu, kommen Sie mit einer API schneller in Produktion, und ein kostenloser Test zeigt Ihnen den Unterschied an Ihrem eigenen Audio, bevor Sie sich festlegen.

Vier Dinge, die Teams mit der Sonix API bauen

Die meisten Integrationen folgen einem von vier Mustern, und jedes davon läuft über die oben dokumentierten Endpunkte.

Medien- und Content-Pipelines

Binden Sie die Transkription in Ihr CMS oder Ihre Video-Pipeline ein, damit jeder Upload ein durchsuchbares Transkript und SRT- oder VTT-Untertitel erhält, in der Originalsprache und übersetzt. Medienteams machen so ganze Archive durchsuchbar und barrierefrei, ohne manuellen Untertitelungsschritt.

Meeting- und Call-Plattformen

Transkribieren Sie aufgezeichnete Meetings und Anrufe mit Sprecherkennzeichnung und lassen Sie anschließend Zusammenfassungen, Kapitel und Stimmungsanalysen darüber laufen. Liegt jeder Sprecher auf einem eigenen Kanal, trennt der Multitrack-Endpunkt Agent und Kunde exakt, und genau das brauchen Qualitäts- und Compliance-Prüfungen.

Forschungs- und Analysetools

Übermitteln Sie Interviews und Fokusgruppen, sobald sie vorliegen, erhalten Sie Transkripte mit Sprecherkennzeichnung und Zeitstempeln zurück und führen Sie auf jedem die Analyse aus, die Sie brauchen. Dank der Zeitstempel lässt sich jedes Zitat bis zu seiner Stelle in der Originalaufnahme zurückverfolgen.

Barrierefreiheits-Workflows

Erstellen Sie Untertitel, die echte Darstellungsgrenzen für Zeichenzahl, Dauer und Lesegeschwindigkeit einhalten, brennen Sie sie für Plattformen ohne Untertitelunterstützung ins Video ein und übersetzen Sie sie für ein internationales Publikum. Teams aus Gesundheitswesen und öffentlichem Sektor betreiben das auf der SOC 2 Type II zertifizierten und HIPAA-konformen Infrastruktur von Sonix.

Ganz ohne Code: der MCP-Server, die CLI und Zapier

Nicht jede Integration ist eine Anwendung. Deshalb bietet Sonix auch einen MCP-Server für KI-Assistenten, ein Kommandozeilen-Tool und eine Zapier-App.

Mit dem Sonix MCP-Server unter https://api.sonix.ai/mcp können MCP-kompatible Assistenten wie Claude, ChatGPT, Cursor und Codex Ihre Medienbibliothek durchsuchen, Transkripte in ein Gespräch holen und in Ihrem Namen Exporte erstellen. Der Zugriff ist rein lesend, und die Anmeldung läuft über OAuth 2.1 in Ihrem Browser: Sie bestätigen die Verbindung einmal, ohne einen API-Key einfügen zu müssen.

Für Skripte verpackt die offizielle Sonix CLI (npm install -g @sonix-ai/cli) die REST API in Terminalbefehle, mit --wait, um einen Job bis zum Abschluss abzufragen, --json für das Weiterleiten an andere Tools und --format für die Ausgabe als txt, SRT, VTT, JSON oder Avid DS. Sie ist auch für KI-Coding-Agents gebaut: sonix agent-context gibt den gesamten Befehlsumfang mit einem Aufruf als JSON aus. Die Einrichtung steht in der CLI-Dokumentation.

Lieber ganz ohne Code? Sonix bei Zapier verbindet Sonix mit Tausenden von Apps, und die Seite Integrationen listet jede native Anbindung auf.

API-Preise wie in der Web-App

Eine eigene API-Preisliste gibt es nicht: Die API-Nutzung zieht von denselben Stunden ab wie Web-Uploads und wird nach dem verarbeiteten Audio sekundengenau abgerechnet.

API-Zugriff ist in den Tarifen Core, Advanced, Pro und Enterprise enthalten. Core kostet $25 im Monat mit 5 Stunden Transkription und Übersetzung inklusive, und zusätzliche Stunden kosten in jedem Tarif $10 pro Stunde. Die Tarife Pro und Enterprise bieten zusätzlich Event-Webhooks, damit Ihre Systeme reagieren, sobald ein Transkript fertig ist. Alle Tarife im Vergleich finden Sie auf der Seite Preise.

Sicherheit für regulierte Audiodaten

Die API läuft auf derselben Infrastruktur, die die SOC 2 Type II Zertifizierung, die HIPAA-Konformität und die DSGVO-Konformität von Sonix trägt.

Die Daten sind bei der Übertragung mit TLS und im Speicher mit AES-256 verschlüsselt, Sie können in Ihrem Konto jederzeit einen neuen API-Key erzeugen, und Kundenaudio und Transkripte werden nie zum Training von Modellen verwendet. Zertifizierungen und Verträge finden Sie auf der Seite zur Sicherheit.