AssemblyAI entwickelt Sprach-KI-Modelle und die Infrastruktur, um sie zu betreiben – für Entwickler und Produktteams, die einer Anwendung Sprache hinzufügen. Kern ist Speech-to-Text: eine asynchrone API für vorab aufgenommenes Audio, eine Echtzeit-API für Streaming und Voice-Agents sowie eine synchrone API für kurze Clips und Diktat. Das Flaggschiff-Genauigkeitsmodell wird als Spitze in unabhängigen Benchmarks vermarktet, mit starker Sprechertrennung und nativem Code-Switching über Dutzende Sprachen.
Über die Transkription hinaus bietet AssemblyAI eine Speech-Understanding-API, die Aufgaben wie Zusammenfassung, Sentiment, Themenerkennung, PII-Schwärzung, Inhaltsmoderation und Guardrails auf Transkripte legt. Außerdem gibt es das erste Text-to-Speech-Modell AssemblyAI-TTS-1 für Voice-Agents in Live-Anrufen, ein LLM Gateway zum Routing von Modellaufrufen und eine Dictation-API. Modelle laufen in der managed Inference-Cloud von AssemblyAI oder selbst gehostet in der eigenen VPC bzw. on-premises.
Der Preis ist nach einer kostenlosen Testphase Pay-as-you-go: Vorab-Audio-Transkription wird z. B. pro Audio-Stunde abgerechnet, optionale Extras wie Sprechertrennung, Keyterm-Prompting und Medizin- oder Veterinärmodus kosten extra. Enterprise-Pläne bieten eigene Rate-Limits, höhere Nebenläufigkeit sowie SOC 2 Type 2, HIPAA und DSGVO.
