Zum Inhalt springen
senn-techsenn-tech
Zurück zum Blog
KI & Entwicklung
KI im Betrieb2026-11-15· Von Franz Senn

DeepSeek App API: Spracherkennung mit Deutsch, Sprachausgabe ohne

Am 13. November 2026 hat DeepSeek die Fähigkeiten seiner App als API geöffnet. Websuche, Datei-Eingang, URL-Lesen und Sicherheitsprüfung laufen als Parameter im normalen Chat-Aufruf. Suche, Abruf, OCR, Spracherkennung und Sprachausgabe gibt es außerdem als eigene Endpunkte. Die beiden Sprach-Endpunkte unterscheiden sich in einem Punkt, der im Betrieb zählt: Spracherkennung kennt Deutsch, Sprachausgabe nicht.

Die DeepSeek App API ist das Bündel aus eingebauten Werkzeugen und eigenständigen Endpunkten, mit dem DeepSeek die Funktionen seiner App für Entwickler nachbaut. Die Werkzeuge schaltet man per Parameter wie deepseek_web_search oder deepseek_read_url im Chat-Aufruf ein. OCR, Spracherkennung (ASR) und Sprachausgabe (TTS) sind getrennte Endpunkte unter /v1/tools/ und werden nach Menge abgerechnet, unabhängig vom Modell.

Was der Anbieter öffnet

Die Ankündigung nennt zwei Ebenen. Auf der ersten steht deepseek-flash mit Websuche samt Quellen, Suche während mehrstufigen Denkens, Datei-Eingang für PDF, Office-Dateien und Bilder, URL-Lesen und einer Sicherheitsprüfung, die bei Risiko ein Ablehnungssignal zurückgibt. Öffentliche Anwendungen müssen die Sicherheitsprüfung einschalten. Inhaltsprüfung, Modellregistrierung und Kennzeichnung KI-erzeugter Inhalte bleiben laut derselben Seite beim Entwickler.

Auf der zweiten Ebene stehen Search, Fetch, OCR, ASR und TTS als eigene Endpunkte. Dazu kommt ein offenes Demo-Frontend, das Chatverläufe aus der App importieren kann. Das Repository deepseek-ai/chat-demo steht unter MIT-Lizenz, wurde am 12.11.2026 angelegt, zuletzt am 13.11.2026 gepusht und hat am 15.11.2026 laut GitHub-API 2.512 Sterne. Diese Zahlen haben wir selbst gemessen.

Zum Modell nur eine Randnotiz: deepseek-flash bedient laut Preisseite DeepSeek-V4.1-Flash-1017. Die alten Namen deepseek-v4-flash und deepseek-v4-flash-vision-exp werden weiter angenommen, ihre Modelle sind abgeschaltet, Anfragen laufen auf dem neuen Modell zum Flash-Preis.

Preise und Grenzen

Alle Zahlen in den beiden Tabellen sind Herstellerangaben (vendor-claimed), gelesen am 15.11.2026 auf der Preisseite und in den Anleitungen. Abgerechnet haben wir nichts, weil wir keinen Schlüssel und kein Guthaben bei DeepSeek haben.

PostenEinheitListenpreisAktionspreis (50 %)
Suche (Text, Bild)1.000 Suchen0,75 USDnicht ausgewiesen
Web-Abruf1.000 Abrufe0,75 USDnicht ausgewiesen
Datei-Parsing und OCR-API1.000 Seiten0,225 USDnicht ausgewiesen
Sprachausgabe (TTS)10.000 Zeichen0,45 USD0,225 USD
Spracherkennung (ASR)1 Stunde Ton0,116 USD0,058 USD

Der Aktionspreis heißt auf der Seite „Limited-time price“. Ein Enddatum steht dort nicht, als Kalkulationsgrundlage taugt der Listenpreis. Bei der Sprachausgabe zählt ein chinesisches Zeichen doppelt, jedes andere Zeichen einfach.

EndpunktGrenzen laut Anleitung
ASR8 MiB und 120 Sekunden je Datei, 16-Bit-PCM-WAV oder Ogg Opus, bei Stereo nur der linke Kanal, kein Streaming, höchstens 50 Anfragen gleichzeitig
OCR100 MiB und 1.000 Seiten, Upload in 120 Sekunden ohne Pause über 30 Sekunden, 180 Sekunden Gesamtzeit, höchstens 15 Erkennungen gleichzeitig
TTS10.000 abgerechnete Zeichen und 64 KiB je Anfrage, bis 30 Minuten Ton, kein Tempo-Regler, kein Wiederaufsetzen, höchstens 50 Anfragen gleichzeitig; zusätzlich ein WebSocket-Modus für Text in Stücken

Beim OCR-Billing steht ein Satz, den man vor der Kalkulation kennen sollte: Eine Erkennung, die fehlschlägt oder ausläuft, wird nicht berechnet. Trennt der Client nach dem Empfang der Datei die Verbindung, läuft die Erkennung zu Ende und wird bei Erfolg berechnet.

Monatsbeispiel in US-Dollar, abgeleitet aus dem Listenpreis2.000 Suchen1.5 · 1,505.000 OCR-Seiten1.125 · 1,12560 Minuten Ton (ASR)0.116 · 0,116100.000 Zeichen (TTS)4.5 · 4,5005
Eigene Beispielrechnung vom 15.11.2026 aus den Listenpreisen der DeepSeek-Preisseite. Die Mengen sind ein Muster für einen kleinen Betrieb, keine Messung unserer Nutzung. Beträge in US-Dollar, ohne Aktionspreis. (Quelle: DeepSeek API Docs, Preisseite)

Deutsch steht nur auf einer Sprachliste

Für die Spracherkennung nennt die Anleitung einundzwanzig Sprachen: Chinesisch, Kantonesisch, Englisch, Japanisch, Koreanisch, Deutsch, Französisch, Spanisch, Portugiesisch, Italienisch, Russisch, Arabisch, Hindi, Indonesisch, Vietnamesisch, Thai, Türkisch, Malaiisch, Filipino, Polnisch und Ungarisch. Einen Sprachparameter gibt es nicht, die Sprache wird aus dem Ton erkannt.

Für die Sprachausgabe nennt die Anleitung zehn Sprachen: Mandarin, Kantonesisch, Englisch, Japanisch, Koreanisch, Malaiisch, Arabisch, Indonesisch, Thai und Vietnamesisch. Auch hier gibt es keinen Sprachparameter, und es gibt zwei Stimmen, stella und tide. Eine deutsche Ansage in einer Kundenanwendung ist mit diesem Endpunkt nicht vorgesehen. Was die Stimmen mit deutschem Text tun, haben wir nicht getestet, weil wir keinen Schlüssel haben. Die Doku verspricht es nicht.

Sprachen je Sprach-Endpunkt, aus den Anleitungen ausgezähltASR (Erkennung)21 · 21TTS (Ausgabe)10 · 10022
Von uns am 15.11.2026 aus den beiden Sprachlisten ausgezählt. Deutsch steht nur auf der Liste der Erkennung. (Quelle: DeepSeek API Docs, Anleitungen ASR und TTS)

Unser Teststand, am 15.11.2026 gemessen

Zum Vergleich haben wir die Sprachstrecke unseres Testaufbaus lesend angesehen: ein Home-Assistant-Container in einem Privatnetz ohne Bezug zur Firmenumgebung. Messweg: Prozessliste im Container, HTTP-Abfrage gegen den Dokument-Dienst, Einblick in die Gateway-Konfigurationsdatei. Alle Aussagen unten gelten für diesen Teststand, nicht für unseren Betrieb.

BausteinBefund am 15.11.2026 im Teststand
SprachausgabePiper-Stimme de_DE-thorsten-medium. Deutsch läuft lokal, ohne Cloud.
Spracherkennungspeech_to_phrase. Er erkennt laut Projektbeschreibung keine freie Sprache, sondern wählt aus den Phrasen, die sich aus Satzvorlagen und den für Assist freigegebenen Geräte-, Raum- und Etagennamen ergeben. Whisper oder ein anderes freies Diktat läuft dort nicht.
Dokument-OCREin lokaler Dokument-Dienst (docling-serve) antwortet auf die Health-Abfrage mit HTTP 200.
Weitere OCR-LaneOb eine zweite OCR-Lane im Gateway noch aktiv ist: ungeklärt.
Audio im GatewayIn der Gateway-Konfiguration steht kein Audio-Modell.

Daraus folgt für den Teststand dreierlei. Die Lücke liegt bei der Spracherkennung mit freiem Text, genau dort, wo DeepSeek Deutsch abdeckt. Die Sprachausgabe haben wir bereits lokal. Und die DeepSeek-Endpunkte heißen /v1/tools/asr und /v1/tools/tts; ohne Übersetzungsschicht wird daraus keine Konfigurationszeile im Gateway.

Einen Preisvergleich zwischen Cloud und eigenem Betrieb machen wir nicht. Die Herstellerpreise gelten je Menge in US-Dollar, unsere Kosten sind Abschreibung und Strom auf Karten, die auch anderes tragen. Beides in eine Einheit zu pressen wäre Rechnen ohne Messwert.

Was das im Betrieb heißt

Erstens verlassen Ton und Dokument bei diesen Endpunkten das Haus. Die OCR-Anleitung sagt nur, dass die Datei nicht in der Files API liegt und nicht an ein Chat-Modell geht. Zu Speicherort und Aufbewahrungsdauer haben wir auf den gelesenen Seiten keine Aussage gefunden. Das gehört vor einen Auftragsverarbeitungsvertrag geklärt.

Zweitens die Limits: 120 Sekunden und 8 MiB bei der Erkennung reichen für eine Sprachnotiz, für eine Besprechung nicht. 1.000 Seiten OCR je Anfrage decken eine Rechnungssendung ab, ein Quartalsarchiv passt nicht hinein.

Drittens: Wer Deutsch erkennen will und die Daten nicht aus dem Haus geben darf, braucht eine eigene Strecke für freies Diktat. Ob eine solche Strecke in unserem Teststand besser ausfällt als der Cloud-Endpunkt, wissen wir erst nach einem Testlauf mit eigenen Aufnahmen. Dafür haben wir keine Messung.

Weiterführend: Die Preisentwicklung über ein Jahr steht in KI-Preisverfall 2026, weitere Betriebsmessungen im Hub KI im Betrieb, und wer die Strecke im eigenen Haus bauen will, findet den Einstieg bei KI auf eigener Hardware.

Offene Punkte

  • Preise und Limits sind Herstellerangaben vom 15.11.2026, die Aktion hat kein ausgewiesenes Enddatum. Eigene Abrechnung nicht gemessen, kein Schlüssel.
  • Wie die Sprachausgabe mit deutschem Text umgeht: ungetestet.
  • Ob die zweite OCR-Lane im Gateway noch läuft: ungeklärt.
  • Speicherort und Aufbewahrung der hochgeladenen Dateien und Töne stehen auf den gelesenen Seiten nicht.
  • Die Meldung von Pandaily (unabhängig) deckt sich bei Preisen und Funktionsliste mit der Anbieter-Doku; zusätzliche Fakten daraus übernehmen wir nicht.

Weiterlesen: Nod von n8n Labs im Eigenbetrieb · Claude Fable 5.2: Preis und Aufbewahrungsfrist

Weiterführende Quellen

Fragen?
Kann die DeepSeek App API deutsche Sprachausgabe?+

Nein. Die Anleitung zur Sprachausgabe listet zehn Sprachen: Mandarin, Kantonesisch, Englisch, Japanisch, Koreanisch, Malaiisch, Arabisch, Indonesisch, Thai und Vietnamesisch. Deutsch fehlt, und es gibt keinen Sprachparameter, die Sprache wird aus dem Text erkannt. Die Anleitung zur Spracherkennung listet einundzwanzig Sprachen, darunter Deutsch.

Was kostet OCR bei DeepSeek?+

Die Preisseite nennt 0,225 US-Dollar je 1.000 Seiten für Datei-Parsing und OCR-API. Laut Abschnitt Billing werden nur erfolgreich erkannte Seiten berechnet. Trennt der Client die Verbindung, nachdem die Datei angekommen ist, läuft die Erkennung weiter und wird bei Erfolg berechnet.

Brauche ich die API, um Sprachausgabe im Betrieb zu haben?+

Nein. Eine Piper-Stimme läuft in unserem Teststand lokal, ohne Cloud und ohne Sprachliste eines Anbieters. Für Spracherkennung mit freiem Diktat haben wir im Test keine eigene Strecke. Unser Teststand erkennt nur vorher festgelegte Phrasen.