Transkriptions-API für KI-Agenten

Ihr Agent schickt eine Audio- oder Videodatei und bekommt den Text mitsamt den genauen Start- und Endzeiten jedes Wortes, Sprecherlabels und fertigen SRT-Untertiteln zurück. Der Aufruf klappt aus Claude Code, Codex, Cursor oder Ihrem eigenen Code per normalem HTTPS und mit einem einzigen API-Schlüssel. Unterstützt werden 100 Sprachen, darunter Hebräisch und Arabisch.

API-Schlüssel holen Dokumentation lesen Anweisungen für Agenten

In Ihren Agenten einfügen

Funktioniert mit Claude Code, Codex, Cursor, Windsurf und jedem anderen Agenten, der Befehle ausführen kann. Der Agent erhält dadurch Zugriff auf die maschinenlesbare Dokumentation und nutzt direkt die richtigen Modell-IDs und Parameter.

Add speech-to-text to this project with the KolWrite API.
Read https://console.kolwrite.com/agent-instructions.md first.
- Key: KOLWRITE_API_KEY (environment variable), sent as the x-api-key header. Never hard-code or log it.
- POST https://app.kolwrite.com/transcribe {"audio_url": "...", "model": "oracle", "output_format": "json"},
  then poll GET /transcribe/{jobId} until status is COMPLETED.
- Local files: POST /upload first and use fileUrl as audio_url. For video, extract the audio with ffmpeg.
- result.segments[].words[] has the start and end of every word. For subtitles use output_format "srt"
  with "word_timestamps": false.

agent-instructions.md · llms.txt · llms-full.txt · openapi.json

Hinterlegen Sie dieselbe Zeile in der AGENTS.md oder CLAUDE.md, damit jede Sitzung dieselbe Referenz nutzt.

Schnellstart

Drei Aufrufe genügen: Auftrag starten, Ergebnis abrufen, Untertitel anfordern. Alle Parameter sind in der API-Dokumentation beschrieben.

1. Auftrag starten

curl https://app.kolwrite.com/transcribe \
  -H "x-api-key: YOUR_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{"audio_url": "https://example.com/meeting.m4a",
       "model": "oracle",
       "language": "he",
       "include_diarization": true,
       "output_format": "json"}'

{"jobId": "34c63d45-4cb5-473b-bc60-25c175e69c57"}

2. Ergebnis lesen

curl https://app.kolwrite.com/transcribe/34c63d45-4cb5-473b-bc60-25c175e69c57 \
  -H "x-api-key: YOUR_API_KEY"

{
  "jobId": "34c63d45-4cb5-473b-bc60-25c175e69c57",
  "status": "COMPLETED",
  "result": {
    "language": "he",
    "segments": [
      {
        "start": 0.5,
        "end": 3.2,
        "speaker": "Speaker 1",
        "text": "שלום, נתחיל את הפגישה.",
        "words": [{"start": 0.5, "end": 0.8, "word": "שלום"}]
      }
    ]
  }
}

3. SRT-Untertitel für dieselbe Datei abrufen

curl https://app.kolwrite.com/transcribe \
  -H "x-api-key: YOUR_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{"audio_url": "https://example.com/meeting.m4a",
       "model": "oracle",
       "language": "he",
       "output_format": "srt",
       "word_timestamps": false}'

# Poll the same way. "result" is a string:
1
00:00:00,500 --> 00:00:03,200
שלום, נתחיל את הפגישה.

Was Agenten damit umsetzen

Jede Anleitung zeigt die Anfrage, ausführbaren Code und die Limits, die man kennen muss.

Videos mit einem KI-Agenten schneidenDer Agent liest das Transkript samt Wortzeitstempeln, wählt die gewünschten Stellen aus und schneidet die Datei mit ffmpeg.
SRT-Untertitel aus VideosEin Aufruf liefert eine SRT-Datei und übersetzte Untertitel; ffmpeg macht daraus WebVTT oder brennt sie ins Video ein.
Besprechungen mit SprecherkennzeichnungZoom-, Meet- und Teams-Aufzeichnungen in Text umwandeln, für Protokolle und Aufgabenlisten.
Der genaue Zeitpunkt jedes WortesClips, Jump Cuts, Highlights und Suche durch wortgenaue Zeitstempel.
Ein Transkriptions-Tool für Ihren AgentenTool-Definitionen im Anthropic- und OpenAI-Format sowie eine Regel für die AGENTS.md.
Podcast- und YouTube-UntertitelUntertitel, Transkript und Kapitel aus einem einzigen Transkriptionsdurchlauf.

Alle Anleitungen

Was die API zurückgibt

Start- und Endzeiten für einzelne Wörter in JSON und SRT.
Sprecherlabels aus der Diarisierung oder ein eigenes Label pro physischem Audiokanal.
Übersetzung in andere Sprachen mit den Oracle-Modellen.
JSON, reiner Text oder SRT, pro Anfrage wählbar.
Lassen Sie sich per Webhook benachrichtigen, sobald der Auftrag fertig ist, oder fragen Sie den Status selbst ab.
Sprache wird automatisch erkannt oder pro Anfrage übergeben.

Benchmarks

Genauigkeit bei Google FLEURS und Mozilla CommonVoice. Höher ist besser.

Genauigkeit auf Google FLEURS (%)

Preise

Credits pro Audiostunde, abgerechnet wird pro Auftrag.

1 Nutzungs-Credit US$1.20

Modell	Credits/Stunde
Base	0.40
Oracle Mini	0.80
Oracle	1.20
Oracle Pro	1.40
Oracle Max	3.00
CoreLegacy	1.00
EdgeLegacy	1.20

Die Standard-Sprechertrennung nach Kanälen ist im Preis enthalten. Das Trennen überlappender Sprache wird zum Tarif des gewählten Modells abgerechnet. Maßgeblich ist dabei der höhere Wert: entweder die Gesamtdauer der Aufnahme oder die Summe der erkannten Sprechzeit über alle physischen Kanäle hinweg. Ein Diarisierungs-Aufschlag fällt in keinem der beiden Modi an.

Modellvergleich

Die Modelle im Überblick.

Modell	Credits/Stunde	Zusammenfassung	Am besten geeignet für
Base	0.40	Günstige Transkription mit Wortzeitstempeln.	Klare Aufnahmen und großes Volumen
Oracle Mini	0.80	Schnelle, wirtschaftliche Oracle-Stufe.	Entwürfe und Aufgaben mit hohem Durchsatz
OracleFlaggschiff	1.20	Transkription und Übersetzung für die Produktion.	Gute Balance aus Qualität, Geschwindigkeit und Kosten
Oracle Pro	1.40	Oracle-Stufe mit höherer Qualität.	Anspruchsvolles Produktionsaudio
Oracle Max	3.00	Oracle-Stufe mit maximaler Qualität.	Schwieriges Audio mit hohem Stellenwert
CoreLegacy	1.00	Schnelles Legacy-Modell für allgemeine Zwecke.	Bestehende Core-Integrationen
EdgeLegacy	1.20	Hochgenaues Modell der vorherigen Generation.	Bestehende Edge-Integrationen

API-Schlüssel holen

Legen Sie ein Konto an und erstellen Sie anschließend unter „API-Schlüssel“ einen neuen Schlüssel.

API-Schlüssel holen Dokumentation lesen