Spracherkennung, im Fachjargon Automatic Speech Recognition (ASR) oder Speech-to-Text, ist eine der ältesten Disziplinen der künstlichen Intelligenz. Lange war sie den großen Plattformkonzernen und wenigen Spezialisten vorbehalten, die mit enormem Aufwand Modelle für einzelne Sprachen trainierten. Mit dem Durchbruch großer neuronaler Netze hat sich das Feld grundlegend verändert: Moderne Modelle werden auf sehr großen Mengen Audiomaterial in vielen Sprachen trainiert, verstehen Akzente, Hintergrundgeräusche und Fachsprache deutlich besser als frühere Generationen und lassen sich über eine einfache Schnittstelle nutzen. AssemblyAI gehört zu den Anbietern, die diesen Wandel früh als Geschäftsmodell aufgegriffen haben – mit einem klaren Fokus auf Entwickler und auf Unternehmen, die Sprache in eigene Produkte einbauen wollen.
Drei Eigenschaften prägen das Angebot:
AssemblyAI ist mit einer vergleichsweise schlanken Idee gestartet: Spracherkennung so einfach nutzbar zu machen wie andere Cloud-Dienste, mit transparenter Dokumentation und nutzungsabhängiger Abrechnung. Über die Jahre ist daraus eine breitere Plattform geworden. Eigene, auf großen Datenmengen trainierte Erkennungsmodelle bilden die Basis, darauf setzen Analysefunktionen auf, und mit dem Aufkommen großer Sprachmodelle kamen Werkzeuge hinzu, die Transkripte zusammenfassen, Fragen dazu beantworten oder strukturierte Informationen extrahieren. Parallel hat der Anbieter die Echtzeit-Erkennung ausgebaut, um im wachsenden Markt der Voice Agents eine Rolle zu spielen – also jener Sprachassistenten, die Telefonate führen, statt nur Text zu liefern.
Für die Einordnung ist auch der Hintergrund wichtig: AssemblyAI ist ein US-Unternehmen mit Sitz in San Francisco. Ohne besondere Konfiguration werden Audiodaten in Rechenzentren in den USA verarbeitet. Der Anbieter hat in den vergangenen Jahren Optionen zur Verarbeitung in Europa eingeführt; welche Funktionen dort in welchem Umfang zur Verfügung stehen, ändert sich jedoch und ist vor jeder Entscheidung beim Anbieter zu prüfen. Kapitel 09 behandelt diese Fragen ausführlich. Da sich Modellbezeichnungen, Funktionsumfang und Konditionen in diesem Markt schnell entwickeln, gilt grundsätzlich: Maßgeblich ist die aktuelle Dokumentation des Anbieters, nicht ein älterer Blogbeitrag oder Vergleichstest.
Die Zielgruppe sind Entwicklerteams, Softwarehäuser und Produktunternehmen, die Sprache verarbeiten müssen und dafür keine eigene ASR-Infrastruktur betreiben wollen. Typische Nutzer sind Anbieter von Meeting- und Notiz-Software, Contact-Center- und Telefonie-Plattformen, Medien- und Podcast-Werkzeuge, Lösungen für Vertriebsanalyse und Qualitätssicherung im Kundenservice sowie Plattformen für Voice Agents, die eine Echtzeit-Spracherkennung als Eingangsstufe benötigen. Für eine Fachabteilung, die ohne IT-Unterstützung Besprechungen protokollieren möchte, ist AssemblyAI in Reinform zu technisch. Hier sind fertige Anwendungen, die solche Schnittstellen im Hintergrund nutzen, oder datenschutzfreundliche Eigenlösungen der passendere Weg.
Die wichtigste Unterscheidung im Angebot von AssemblyAI ist die zwischen asynchroner Verarbeitung und Streaming. Bei der asynchronen Verarbeitung wird eine vollständige Aufnahme hochgeladen oder per Link übergeben. Das Modell kann dann das gesamte Gespräch betrachten, Kontext über längere Passagen nutzen und anspruchsvolle Nachbearbeitung wie Sprechertrennung oder Formatierung durchführen. Das Ergebnis liegt nach einer gewissen Verarbeitungszeit vor und wird abgefragt oder per Webhook gemeldet. Diese Betriebsart ist ideal für Gesprächsanalysen, Protokolle, Medienarchive und alles, was nicht sofort passieren muss.
Beim Streaming dagegen kommt das Audio in kleinen Stücken an, und die Anwendung erwartet ein Ergebnis, während noch gesprochen wird. Das Modell muss mit begrenztem Kontext entscheiden und vorläufige Ergebnisse später korrigieren können. Für Voice Agents kommt eine weitere Aufgabe hinzu: Das System muss erkennen, wann ein Anrufer fertig gesprochen hat, damit der Assistent antworten kann – nicht zu früh und nicht zu spät. AssemblyAI hat seine Streaming-Modelle in den letzten Jahren gezielt auf diesen Einsatz ausgerichtet. Welche Sprachen im Streaming unterstützt werden und welche Zusatzfunktionen dort verfügbar sind, unterscheidet sich vom Batch-Angebot und ist beim Anbieter zu prüfen. Gerade für Deutsch ist das ein Punkt, der vor der Architekturentscheidung geklärt werden sollte.
Der Markt für Spracherkennung teilt sich grob in drei Lager. Erstens die Hyperscaler wie Microsoft, Google und Amazon, die Speech-Dienste als Teil ihrer Cloud-Plattformen anbieten – mit breiter Sprachabdeckung, Regionswahl und Einbettung in bestehende Verträge. Zweitens die Spezialisten wie AssemblyAI oder Deepgram, die sich ausschließlich auf Sprach-KI konzentrieren, schnell neue Modelle veröffentlichen und besonders auf Entwicklererfahrung setzen. Drittens die offenen Modelle, allen voran Whisper, die sich selbst betreiben lassen und damit volle Datenhoheit ermöglichen, aber eigenen Betriebsaufwand verursachen.
AssemblyAI positioniert sich innerhalb der Spezialisten mit Schwerpunkt auf Genauigkeit bei aufgezeichneten Inhalten, einem breiten Paket an Analysefunktionen und einer einfachen Nutzung über SDKs. Mit dem Ausbau der Echtzeit-Erkennung tritt der Anbieter zunehmend auch im Voice-Agent-Markt an. Die eigenen Leistungsvergleiche, die Anbieter in diesem Feld veröffentlichen, sollten mit Vorsicht gelesen werden: Sie beruhen auf ausgewählten Datensätzen, und Ergebnisse auf englischem Podcast-Audio lassen sich nicht auf deutsche Telefonate mit Dialekt und Fachbegriffen übertragen. Belastbar ist nur ein Vergleich mit eigenem Material.
Im Zentrum steht die Umwandlung von Sprache in Text. Das Ergebnis ist mehr als ein Fließtext: Jedes Wort erhält einen Zeitstempel und einen Konfidenzwert, Sätze und Absätze werden gegliedert, Zeichensetzung und Großschreibung ergänzt. Optional werden Zahlen, Datumsangaben und Währungen formatiert, Füllwörter wie „äh“ entfernt oder bewusst beibehalten und Untertitel-Formate erzeugt. Über eine automatische Spracherkennung kann der Dienst bestimmen, in welcher Sprache eine Aufnahme gesprochen wurde – hilfreich bei gemischten Eingangskanälen. Ob gemischtsprachige Gespräche, in denen innerhalb eines Satzes zwischen Deutsch und Englisch gewechselt wird, zuverlässig erkannt werden, hängt vom Modell ab und ist im eigenen Material zu prüfen.
Für den Unternehmenseinsatz besonders wichtig sind Möglichkeiten, das Modell auf eigene Begriffe hinzuweisen. Produktnamen, Ortsnamen, Personennamen und Fachjargon sind typische Fehlerquellen jeder Spracherkennung. AssemblyAI bietet dafür Funktionen wie benutzerdefiniertes Vokabular, Begriffs-Hervorhebung und je nach Modell eine Art Kontext-Prompt, über den wichtige Fachbegriffe mitgegeben werden. Ergänzend kann eine nachgelagerte Ersetzungsliste typische Fehlschreibungen korrigieren. Diese Stellschrauben sind oft wirksamer als ein Modellwechsel. Allerdings sollten sie gezielt eingesetzt werden: Lange Listen mit hunderten Begriffen können die Erkennung an anderer Stelle verschlechtern.
In fast jedem Unternehmensszenario sprechen mehrere Personen. Die Sprechertrennung (Speaker Diarization) ordnet jeden Abschnitt einem Sprecher zu – zunächst anonym als Sprecher A, B, C. Wer welcher Sprecher ist, muss die Anwendung selbst ableiten, etwa aus dem Gesprächskontext oder aus Metadaten. Liegen Telefonate als Stereo-Aufnahme mit getrennten Kanälen für Anrufer und Mitarbeitenden vor, ist die Mehrkanal-Transkription meist zuverlässiger als eine algorithmische Trennung. Bei Konferenzaufnahmen mit vielen Teilnehmenden, Überlappungen und Raummikrofonen stößt jede Diarization an Grenzen; hier hilft eine gute Aufnahmetechnik oft mehr als jedes Modell.
Für den Datenschutz ist die PII-Redaktion zentral. Der Dienst kann personenbezogene Informationen wie Namen, Telefonnummern, Adressen, E-Mail-Adressen, Kontonummern oder Gesundheitsangaben im Transkript erkennen und durch Platzhalter ersetzen. Je nach Konfiguration lässt sich zusätzlich eine bearbeitete Audiodatei erzeugen, in der die entsprechenden Passagen durch einen Ton überdeckt sind. Wichtig ist die richtige Erwartung: Die Schwärzung ist ein statistisches Verfahren, keine Garantie. Sie reduziert Risiken, ersetzt aber weder ein Löschkonzept noch die Prüfung, ob die Audioübertragung an den Anbieter überhaupt zulässig ist – denn die Schwärzung findet beim Anbieter statt, nachdem die Rohdaten dort angekommen sind. Die Erkennungsqualität für deutsche Datenformate wie IBAN, Steuer-ID oder Postleitzahl sollte gesondert getestet werden.
Unter dem Begriff Audio Intelligence bündelt AssemblyAI Analysefunktionen, die auf dem Transkript aufsetzen. Dazu gehören je nach aktuellem Angebot eine Stimmungsanalyse auf Satzebene, die positive, neutrale und negative Äußerungen markiert; die Erkennung von Entitäten wie Organisationen, Orten oder Produkten; eine Themenerkennung auf Basis einer standardisierten Taxonomie; die Extraktion von Schlüsselbegriffen; die Gliederung langer Aufnahmen in Kapitel mit Überschriften sowie eine Inhaltsmoderation, die sensible Themen kennzeichnet. Hinzu kommen Zusammenfassungen in verschiedenen Formen.
Diese Funktionen sind attraktiv, weil sie ohne eigenes Modelltraining sofort nutzbar sind. Im Mittelstand sollte man jedoch kritisch prüfen, ob die vordefinierten Kategorien zum eigenen Bedarf passen. Eine Themen-Taxonomie aus der Werbebranche hilft einem Maschinenbauer bei der Auswertung von Servicegesprächen nur begrenzt. Die Stimmungsanalyse ist bei deutschen Gesprächen mit Ironie, Höflichkeitsfloskeln und sachlichem Tonfall nur ein grober Indikator. Viele Teams kombinieren deshalb die zuverlässigen Basisfunktionen – Transkript, Sprecher, Zeitstempel, Schwärzung – mit einer eigenen, auf das Unternehmen zugeschnittenen Auswertung über ein Sprachmodell. Welche Analysefunktionen für Deutsch verfügbar sind, unterscheidet sich teils von Englisch und ist beim Anbieter zu prüfen.
Mit LeMUR hat AssemblyAI ein Framework eingeführt, das den Weg vom Transkript zum Sprachmodell verkürzt. Statt Transkripte selbst zu exportieren, aufzuteilen, an einen separaten LLM-Anbieter zu senden und die Antworten zusammenzuführen, übergibt die Anwendung eine oder mehrere Transkript-Kennungen und eine Aufgabe. Die Plattform kümmert sich um die Aufbereitung, auch bei langen Aufnahmen, die über das Kontextfenster eines Modells hinausgehen, und liefert das Ergebnis zurück. Typische Aufgaben sind frei formulierte Anweisungen („Fasse die Kundenanliegen und vereinbarten nächsten Schritte zusammen“), Fragen mit vorgegebenen Antwortoptionen, Zusammenfassungen in festgelegten Formaten und die Extraktion von Aktionspunkten.
Im Hintergrund nutzt die LLM-Schicht Sprachmodelle verschiedener Hersteller, die AssemblyAI zur Auswahl stellt. Der Anbieter hat sein LLM-Angebot zuletzt weiterentwickelt und teils unter neuen Bezeichnungen gebündelt, etwa als Gateway zu mehreren Modellen. Für die Planung bedeutet das: Ob LeMUR in seiner bekannten Form, ein Nachfolgeangebot oder beides verfügbar ist, welche Modelle zur Auswahl stehen, ob diese Modelle auch in der EU-Region angeboten werden und welche weiteren Unterauftragsverarbeiter dadurch ins Spiel kommen, ist aktuell beim Anbieter zu prüfen. Gerade der letzte Punkt wird oft übersehen: Wer eine LLM-Funktion aktiviert, schickt Gesprächsinhalte unter Umständen an einen weiteren Modellanbieter.
Der größte Nutzen entsteht, wenn das Sprachmodell nicht nur Prosa erzeugt, sondern strukturierte Daten, die direkt in Fachsysteme fließen. Ein Beispiel aus dem Vertrieb: Aus jedem Kundengespräch werden Gesprächsanlass, genannte Wettbewerber, Budget-Signale, Einwände und vereinbarte Folgetermine als Felder extrahiert und im CRM abgelegt. Im Service lassen sich Fehlercodes, Gerätetypen, Seriennummern und Lösungsschritte aus Telefonaten ziehen und mit dem Ticket verknüpfen. In der Qualitätssicherung prüft ein Modell anhand einer Checkliste, ob Pflichtinformationen genannt wurden.
Solche Auswertungen sind wertvoll, aber fehleranfällig, wenn sie ungeprüft übernommen werden. Bewährt hat sich ein klares Ausgabeformat mit festen Feldern und erlaubten Werten, eine Angabe, wenn eine Information im Gespräch nicht vorkam, und eine Stichprobenprüfung durch Menschen. Je nachdem, ob die Extraktion über die LLM-Schicht von AssemblyAI oder über ein separat beauftragtes Sprachmodell läuft, verschieben sich Datenflüsse und Verantwortlichkeiten. Unternehmen, die bereits einen freigegebenen LLM-Zugang in einer EU-Region nutzen, ziehen es häufig vor, nur die Transkription bei AssemblyAI zu belassen und die Auswertung im eigenen, bereits geprüften Umfeld vorzunehmen.
Sprachmodelle können Inhalte erfinden, Nuancen übersehen oder Aussagen falsch zuordnen – und sie bauen auf einem Transkript auf, das selbst Fehler enthalten kann. Ein falsch erkannter Produktname oder eine vertauschte Sprecherzuordnung pflanzt sich in die Zusammenfassung fort. Deshalb gehören zu jeder LLM-Auswertung eine Testsammlung typischer Gespräche mit erwarteten Ergebnissen, die regelmäßige Überprüfung nach Modellwechseln und eine klare Kennzeichnung maschinell erzeugter Inhalte. Für Entscheidungen über Personen – etwa die Bewertung von Mitarbeitenden anhand ihrer Gespräche – sind besondere rechtliche und mitbestimmungsrechtliche Hürden zu beachten. Automatisierte Leistungsbewertung sollte nur nach sorgfältiger Prüfung und Abstimmung mit Betriebsrat und Datenschutz eingeführt werden.
Die Grundintegration ist bewusst einfach gehalten. Für die Batch-Verarbeitung übergibt die Anwendung eine Audiodatei – entweder als Upload oder als Link auf einen eigenen Speicherort – zusammen mit den gewünschten Optionen. Sobald die Verarbeitung abgeschlossen ist, ruft AssemblyAI eine hinterlegte Webhook-Adresse auf, und die Anwendung holt das Ergebnis ab. Für die gängigen Programmiersprachen stellt der Anbieter offizielle SDKs bereit, die Authentifizierung, Uploads, Wiederholungsversuche und Streaming kapseln. Die Dokumentation gilt als entwicklerfreundlich, mit Beispielen für typische Anwendungsfälle.
Für den Unternehmenseinsatz lohnt es sich, einige Details früh festzulegen. Wo liegen die Aufnahmen, bevor sie verarbeitet werden, und wie lange bleiben sie dort? Wird der API-Schlüssel sicher verwahrt und regelmäßig rotiert? Wird der regionale Endpunkt verwendet, wenn eine Verarbeitung in Europa gewünscht ist? Und wie wird sichergestellt, dass Transkripte nach der Abholung beim Anbieter gelöscht werden? AssemblyAI bietet dafür Möglichkeiten, Transkripte und hochgeladene Dateien per API zu löschen; die genauen Aufbewahrungsfristen und Optionen sind vertraglich und technisch beim Anbieter zu prüfen.
Für Telefonie-Szenarien gibt es zwei Muster. Bei der Echtzeit-Variante streamt eine Telefonie-Plattform das Audio eines Anrufs an die eigene Anwendung, die es an die Streaming-Schnittstelle weiterreicht. Bei der nachgelagerten Variante speichert die Telefonanlage oder Contact-Center-Software Aufnahmen, die anschließend im Batch transkribiert und ausgewertet werden. Für die Gesprächsanalyse im Mittelstand ist die zweite Variante oft der einfachere Einstieg. Daneben existieren Konnektoren für Automatisierungsplattformen sowie Integrationen in LLM-Frameworks, mit denen sich Gesprächsarchive durchsuchbar machen oder in Wissenssysteme einspeisen lassen. Jede zusätzliche Plattform im Datenfluss ist allerdings ein weiterer Auftragsverarbeiter mit eigenem Standort und Vertrag.
In der Praxis liegen beide Anbieter in vielen Szenarien nahe beieinander, und die Unterschiede verschieben sich mit jeder Modellgeneration. Entscheidend sind die Details des eigenen Anwendungsfalls: Wie gut wird Deutsch in Telefonqualität erkannt? Wie zuverlässig ist die Sprechertrennung bei den eigenen Aufnahmen? Welche Funktionen sind in der EU-Region verfügbar? Wie fallen die Konditionen beim erwarteten Volumen aus? Ein strukturierter Vergleich mit einigen Stunden repräsentativen, datenschutzkonform ausgewählten Materials beantwortet diese Fragen besser als jede Herstellerangabe.
Dem stehen Aufwände gegenüber. Whisper liefert in der Grundform ein Transkript; Sprechertrennung, Schwärzung, Formatierung, Echtzeit-Fähigkeit, Skalierung und Überwachung müssen mit weiteren Komponenten ergänzt und betrieben werden. Dafür braucht es geeignete Hardware mit Grafikprozessoren, Know-how und laufende Pflege. AssemblyAI liefert all das als Dienst. Die Abwägung lautet also: Komfort, Funktionsbreite und geringer Betriebsaufwand gegen Datenhoheit und Unabhängigkeit. Viele Unternehmen fahren zweigleisig und verarbeiten unkritische Inhalte über einen Cloud-Dienst, sensible Inhalte dagegen im eigenen Betrieb.
Die wichtigste Grundlage jeder Entscheidung ist ein Test mit eigenen Aufnahmen. Dazu wird eine Stichprobe zusammengestellt, die die Realität abbildet: verschiedene Sprecher, typische Störgeräusche, Telefon- und Meetingaufnahmen, Dialekte, Fachbegriffe, Zahlenfolgen. Ein Teil davon wird sorgfältig von Menschen transkribiert und dient als Referenz. Gegen diese Referenz wird gemessen, wie viele Wörter falsch, fehlend oder überzählig sind – die bekannte Wortfehlerrate. Für den Geschäftsnutzen ist aber oft wichtiger, ob die entscheidenden Informationen stimmen: Produktnamen, Bestellnummern, Beträge, Termine.
Deshalb lohnt eine zweite, fachliche Bewertung: Wie viele der relevanten Entitäten wurden korrekt erkannt? Wie gut funktioniert die Sprechertrennung? Wie zuverlässig wurden personenbezogene Angaben geschwärzt? Wie brauchbar sind Zusammenfassungen aus Sicht der späteren Nutzer? Der Testsatz sollte aufbewahrt und bei jedem Modell- oder Konfigurationswechsel erneut verwendet werden. Wichtig ist, dass bereits für den Test eine datenschutzrechtliche Grundlage besteht – echte Kundengespräche ohne Rechtsgrundlage an einen US-Dienst zu senden, ist auch im Testbetrieb keine gute Idee. Nachgestellte Gespräche oder Aufnahmen mit Einwilligung sind die sicherere Wahl.
Bei einer Speech-AI-API entstehen an mehreren Stellen Daten: die Original-Audiodatei, gegebenenfalls ein Upload beim Anbieter, das Transkript, die Analyseergebnisse, eventuelle LLM-Ausgaben und die eigenen Kopien in Fachsystemen. Für jede dieser Stellen muss klar sein, wo sie liegt, wer Zugriff hat und wann sie gelöscht wird. Bewährt hat sich, Transkripte direkt nach der Abholung beim Anbieter per API zu löschen, Audiodateien nur so lange aufzubewahren wie nötig und im eigenen System mit Pseudonymisierung und Zugriffsrechten zu arbeiten. Ob der Anbieter Daten zur Verbesserung seiner Modelle nutzt und wie sich das vertraglich ausschließen lässt, ist vor dem Produktivstart zu klären.
Im Betrieb sind drei Dinge zu überwachen: Qualität, Kosten und Verfügbarkeit. Für die Qualität eignen sich regelmäßige Stichproben und Rückmeldungen der Nutzer. Für die Kosten helfen Budgets, Warnschwellen und eine Auswertung nach Anwendungsfall – zusätzliche Analysefunktionen und LLM-Aufrufe werden in der Regel gesondert berechnet und summieren sich. Für die Verfügbarkeit braucht es eine Strategie, wenn der Dienst nicht erreichbar ist: Bei Batch-Verarbeitung genügt oft eine Warteschlange mit späterer Wiederholung, bei Voice Agents im Live-Betrieb muss ein alternativer Anbieter oder eine Weiterleitung an Mitarbeitende bereitstehen.
AssemblyAI passt zu Mittelständlern, die einen klar umrissenen Anwendungsfall mit relevantem Gesprächsvolumen haben, über eigene Entwicklung oder einen erfahrenen Partner verfügen und die Datenschutzfrage aktiv angehen – entweder über die EU-Option des Anbieters oder über eine tragfähige Bewertung des Drittlandtransfers. Besonders gut passt der Dienst zu Softwareanbietern, die Sprachfunktionen in eigene Produkte einbauen, und zu Unternehmen, die Gesprächsanalyse mit vertretbarem Aufwand ausprobieren wollen, ohne eigene GPU-Infrastruktur aufzubauen.
Weniger gut passt AssemblyAI, wenn Gesprächsinhalte aus rechtlichen oder vertraglichen Gründen das eigene Umfeld nicht verlassen dürfen, etwa bei Berufsgeheimnisträgern, im Gesundheitswesen oder bei sensiblen Personalgesprächen. Hier ist eine selbst gehostete Lösung auf Basis offener Modelle der naheliegendere Weg. Ebenso ist der Dienst nicht die erste Wahl, wenn keine Entwicklungskapazität vorhanden ist und eine fertige Anwendung gesucht wird, oder wenn das Unternehmen alle KI-Dienste konsequent über einen bestehenden Hyperscaler-Vertrag in einer EU-Region beziehen möchte.
Die Abrechnung erfolgt in der Regel nach verarbeiteter Audiodauer, abhängig von Modellstufe und Betriebsart. Für viele Zusatzfunktionen fallen eigene Gebühren an, und LLM-Auswertungen werden typischerweise nach Umfang der verarbeiteten Texte berechnet. Wer alle verfügbaren Optionen standardmäßig aktiviert, zahlt für Ergebnisse, die niemand nutzt. Sinnvoll ist eine bewusste Auswahl je Anwendungsfall: Für Besprechungsprotokolle braucht es Sprechertrennung und Zusammenfassung, für die Archivierung von Schulungsvideos vielleicht nur Transkript und Kapitel.
Für die Wirtschaftlichkeitsbetrachtung empfiehlt sich eine Rechnung pro Ergebnis statt pro Minute: Was kostet ein vollständig dokumentiertes Servicegespräch inklusive Transkription, Auswertung, Speicherung und anteiligem Betrieb – und wie viel Zeit spart es gegenüber der manuellen Erfassung? Im Vergleich zu Self-Hosting ist zu berücksichtigen, dass eigene Infrastruktur fixe Kosten für Hardware, Betrieb und Personal verursacht, die erst ab einem gewissen Volumen günstiger werden. Aktuelle Preise, Rabattmodelle und Mindestabnahmen sind beim Anbieter zu prüfen.
AssemblyAI ist ein US-Unternehmen. Werden Audiodaten an die Standard-Schnittstelle gesendet, findet die Verarbeitung in Rechenzentren in den USA statt. Damit liegt ein Drittlandtransfer vor, der eine tragfähige Grundlage benötigt – etwa einen Angemessenheitsbeschluss wie das EU-US Data Privacy Framework, sofern der Anbieter zertifiziert ist, oder Standardvertragsklauseln mit ergänzender Risikobewertung. Ob und wie AssemblyAI zertifiziert ist und welche Klauseln der Auftragsverarbeitungsvertrag enthält, ist beim Anbieter zu prüfen. Die Rechtslage zum transatlantischen Datentransfer ist erfahrungsgemäß nicht dauerhaft stabil und sollte laufend beobachtet werden.
Unabhängig vom Anbieter gelten die Grundpflichten der DSGVO: Rechtsgrundlage, transparente Information der Betroffenen, Datenminimierung, Löschkonzept sowie technische und organisatorische Maßnahmen. Bei Telefonaten und Besprechungen ist die Aufzeichnung besonders sensibel. Die Vertraulichkeit des nichtöffentlich gesprochenen Wortes ist strafrechtlich geschützt; Aufnahmen setzen daher in der Regel eine wirksame Einwilligung oder eine andere tragfähige Grundlage voraus. Werden Gespräche systematisch ausgewertet oder sensible Daten verarbeitet, kann eine Datenschutz-Folgenabschätzung erforderlich sein. In Unternehmen mit Betriebsrat ist die Mitbestimmung zu beachten.
Der EU AI Act stellt an reine Transkriptionsdienste in der Regel keine besonders hohen Anforderungen. Anders kann es aussehen, wenn die Technik in bestimmten Kontexten eingesetzt wird – etwa zur Emotionserkennung am Arbeitsplatz, die in bestimmten Fällen untersagt ist, oder zur Bewertung von Beschäftigten. Wird AssemblyAI als Teil eines Voice Agents eingesetzt, gelten zudem Transparenzpflichten: Anrufer müssen erkennen können, dass sie mit einer KI sprechen. Die Einstufung hängt vom Einsatzzweck ab und ist im Einzelfall zu bewerten.