DeepSeek-Sprach-APIs im Unternehmen: Spracherkennung mit Deutsch, Sprachausgabe ohne und was mit Stimmaufnahmen passiert

KI-generiertes Symbolbild: Eine Frau testet Spracheingabe mit einem Tischmikrofon und einem Laptop mit Audiowellenform.

DeepSeek-Sprach-APIs im Unternehmen: Spracherkennung mit Deutsch, Sprachausgabe ohne und was mit Stimmaufnahmen passiert

Table of Contents

Zuletzt aktualisiert: 18. November 2026 · Version: 1.1.2

Redaktionshinweis: Dieser Artikel wurde mit KI-Unterstützung recherchiert und erstellt. Er wurde nach zwei externen Reviews überarbeitet und von der Redaktion zur Veröffentlichung freigegeben. Produkt-, Preis- und Vertragsangaben stammen aus der API-Dokumentation, den Plattformbedingungen und der Datenschutzerklärung von DeepSeek. Eigene Tests der Sprachschnittstellen hat AI-Fabrik nicht durchgeführt, Angaben zur Erkennungsqualität im Deutschen liegen nicht vor. Der Beitrag ersetzt keine Rechtsberatung.

In 30 Sekunden

  • Zwei neue Schnittstellen: Seit 13. November 2026 bietet DeepSeek Spracherkennung (ASR) und Sprachausgabe (TTS) als eigene API-Werkzeuge an, zu Aktionspreisen von 0,058 US-Dollar je Audiostunde und 0,225 US-Dollar je 10.000 Zeichen.
  • Deutsch nur in eine Richtung: Die Erkennung nennt Deutsch unter 21 Sprachen, die Sprachausgabe nicht. Ein deutscher Sprachassistent lässt sich mit DeepSeek allein nicht bauen.
  • Für kurze Eingaben gebaut: Eine Aufnahme darf höchstens 120 Sekunden dauern, es gibt weder Zeitstempel noch Sprechertrennung, bei Stereo zählt nur der linke Kanal.
  • Kein Ort außerhalb Chinas zugesagt: Die API-Bedingungen nennen keinen Verarbeitungsort. Die Datenschutzerklärung nennt China, gilt aber nicht für Endnutzerdaten in Anwendungen von Entwicklern. Stimmaufnahmen sind personenbezogene Daten und damit ein Fall für die Drittlandprüfung.

Executive Summary

Für Unternehmen im DACH-Raum ist die entscheidende Frage nicht der Preis, sondern ob Stimmen von Beschäftigten oder Kunden überhaupt an einen Dienst ohne zugesagten Verarbeitungsort außerhalb Chinas gehen dürfen. Ohne diese Freigabe bleibt es bei Tests mit synthetisch erzeugten Aufnahmen.

Was Unternehmen jetzt tun sollten

  1. Datenschutz, vor jedem TestEntscheiden, ob Stimmaufnahmen echter Personen an DeepSeek gehen dürfen; bis dahin nur synthetisch erzeugte Testaufnahmen. Auch eigens eingesprochene Aufnahmen von Beschäftigten bleiben personenbezogene Daten.
  2. Produktteam, bei der PlanungPrüfen, ob der Fall in 120 Sekunden Mono-Audio passt und ohne deutsche Sprachausgabe auskommt; sonst gleich einen anderen Anbieter einplanen.
  3. Plattformteam, beim EinbauAbgebrochene Sprachausgaben als Fehler behandeln, Parallelität unter 50 Anfragen halten und Kosten je Audiostunde mitschreiben.

Der Beitrag richtet sich an Produktteams, IT-Plattformen und Datenschutzverantwortliche, die DeepSeek bereits als Sprachmodell nutzen oder prüfen und jetzt Spracheingabe oder Vorlesen ergänzen wollen, etwa in einem internen Assistenten, einer Service-App oder einem Chatbot. Der sinnvolle erste Schritt ist ein Abgleich des eigenen Anwendungsfalls mit den technischen Grenzen, denn die schließen einige typische Unternehmensszenarien schon vor der Datenschutzfrage aus.

Wo die Sprachschnittstellen im Angebot von DeepSeek stehen

DeepSeek hat am 13. November 2026 laut Ankündigung die Funktionen der eigenen Chat-App als API freigegeben. Websuche, Dateien, Links und Sicherheitsprüfung stehen im Modell deepseek-flash zur Verfügung; Suche, Seitenabruf, Texterkennung, Spracherkennung und Sprachausgabe gibt es zusätzlich als eigenständige Werkzeuge. Was die Datei-, Bild- und Suchfunktionen mit Firmendokumenten machen, beschreibt der Beitrag zu den neuen App-Funktionen der DeepSeek-API.

Die beiden Sprachwerkzeuge sind keine Sprachmodelle im Sinne eines Gesprächspartners, sondern Bausteine davor und dahinter: Die Spracherkennung macht aus einer Audiodatei Text, die Sprachausgabe macht aus Text Audio. Das Sprachmodell dazwischen bleibt deepseek-flash oder ein anderes Modell. Einen Modellnamen für ASR oder TTS nennt DeepSeek nicht. Nicht Thema dieses Beitrags sind Echtzeit-Sprachdialoge am Telefon und die offenen Modellgewichte, deren Eigenbetrieb der Beitrag zu DeepSeek V4 im Eigenbetrieb behandelt. Den Gesamtüberblick bietet die Seite DeepSeek für Unternehmen.

Was die Spracherkennung kann und wo sie endet

Die Spracherkennung läuft über POST https://api.deepseek.com/v1/tools/asr. Die Anwendung schickt eine ganze Datei und bekommt das vollständige Transkript zurück, Streaming gibt es nicht. Die Sprache erkennt der Dienst selbst, einen Sprachparameter gibt es nicht. Deutsch steht in der Liste der 21 Sprachen, dazu unter anderem Englisch, Französisch, Spanisch, Italienisch, Polnisch und Türkisch. Angaben zur Erkennungsqualität je Sprache oder zu Dialekten veröffentlicht DeepSeek nicht.

Grenze laut DokuWertFolge für typische Fälle
Länge je Aufnahmehöchstens 120 Sekunden, Datei bis 8 MiBSpracheingaben und kurze Diktate passen; Besprechungen und Anrufe müsste die Anwendung selbst zerschneiden
Formate16-Bit-PCM-WAV oder Ogg OpusMP3 und M4A aus Smartphones vorher umwandeln
Stereonur der linke Kanal wird erkanntTelefonaufnahmen mit Anrufer und Agent auf zwei Kanälen verlieren eine Seite
RückgabeText und Gesamtdauerkeine Zeitstempel und keine Sprechertrennung, also kein Protokoll mit „wer sagte wann“
Lasthöchstens 50 laufende Anfragen je Kontofür einen Pilot genug, für Spitzenlast in einer Service-App einplanen

Eigene Zusammenfassung nach der ASR-Doku von DeepSeek, abgerufen am 18. November 2026.

Daraus ergibt sich ein klares Profil: Die Erkennung ist für die Spracheingabe in einen Chat gedacht, so beschreibt es auch der Chatbot-Leitfaden. Wer Besprechungen protokollieren oder Anrufe auswerten will, braucht mindestens eine Sprechertrennung und längere Aufnahmen. Dafür kommen andere Dienste infrage, etwa Muse Voice Transcribe von Meta mit Sprecherkennungen oder Voxtral 3 von Mistral mit EU-Endpunkt. Beide haben eigene Grenzen, unter anderem fehlende Wortzeitstempel, die die Beiträge zu Muse Voice Transcribe und zum Umstieg auf Voxtral 3 beschreiben.

Warum die Sprachausgabe für deutsche Anwendungen ausfällt

Die Sprachausgabe gibt es über /v1/tools/tts als HTTP-Anfrage für ganze Texte und als WebSocket für Text, der stückweise eintrifft, etwa direkt aus einem laufenden Modell. Zur Wahl stehen zwei Stimmen, stella und tide. Unterstützt werden laut Doku zehn Sprachen: Chinesisch, Kantonesisch, Englisch, Japanisch, Koreanisch, Malaiisch, Arabisch, Indonesisch, Thai und Vietnamesisch. Deutsch, Französisch und die anderen europäischen Sprachen außer Englisch fehlen. Auch hier wird die Sprache aus dem Text erkannt; was bei einem deutschen Text passiert, beschreibt DeepSeek nicht.

Für einen deutschsprachigen Sprachassistenten heißt das: Die Kette aus Erkennung, Sprachmodell und Ausgabe bricht am letzten Glied. Die Animation zeigt das schematisch.

Redaktionelle, schematische Darstellung von AI-Fabrik nach der ASR- und TTS-Doku von DeepSeek, abgerufen am 18. November 2026, kein Produkt-Screenshot. Das Verhalten bei deutschem Text in der Sprachausgabe ist nicht dokumentiert und wurde nicht getestet.

Weitere Eigenheiten der Sprachausgabe sind für den Betrieb wichtig: Je Anfrage sind höchstens 10.000 abgerechnete Zeichen und 30 Minuten Audio möglich, eine WebSocket-Sitzung endet nach 60 Sekunden ohne Text. Sprechtempo lässt sich nicht einstellen, abgebrochene Anfragen lassen sich nicht fortsetzen. Bricht die Erzeugung mittendrin ab, endet die Antwort einfach, die Anwendung muss ein zu frühes Ende selbst als Fehler erkennen. Texte, die DeepSeeks Inhaltsprüfung nicht bestehen, beantwortet der Dienst mit dem Fehler 400 und der Meldung „Content Exists Risk“. Nach welchen Regeln diese Prüfung arbeitet, ist nicht beschrieben.

Was mit Stimmaufnahmen passiert

Zur Aufbewahrung von Audiodateien und Transkripten sagen die Sprach-Dokus nichts. Die Plattformbedingungen, gültig seit 29. April 2026, verweisen dafür auf die Datenschutzerklärung, unterstellen den Vertrag chinesischem Recht und nennen keinen Verarbeitungsort. Die Datenschutzerklärung vom 10. Februar 2026 sagt, dass DeepSeek die von ihm erhobenen personenbezogenen Daten in der Volksrepublik China erhebt, verarbeitet und speichert, und nennt Spracheingaben ausdrücklich unter den erhobenen Inhalten. Für Endnutzer in Anwendungen von Entwicklern gilt sie nicht; dort ist laut Bedingungen der Entwickler Verantwortlicher und muss seine Endnutzer selbst informieren. Wie wir diese Lage für die DeepSeek-API insgesamt einordnen, steht im Beitrag zur DeepSeek-API und dem Verarbeitungsort.

Für Stimmen kommt eine Besonderheit hinzu. Eine Aufnahme ist ein personenbezogenes Datum der sprechenden Person, und zwar unabhängig davon, was sie sagt. Die Datenschutzerklärung schreibt zwar, DeepSeek extrahiere keine Stimmabdrücke, das betrifft aber die eigenen Dienste, nicht die Verarbeitung im Auftrag eines Unternehmens. Wer Spracheingaben von Beschäftigten einsetzt, braucht in Deutschland zudem regelmäßig den Betriebsrat, weil sich daraus Verhalten oder Leistung ableiten lassen kann (§ 87 Abs. 1 Nr. 6 BetrVG). Wer Gespräche aufzeichnet, muss außerdem § 201 StGB beachten.

Kein Ausweg über die Pseudonymisierung: Bei Text lassen sich Namen und Kundennummern vor dem Versand entfernen. Bei Audio geht das nicht ohne Weiteres, die Stimme selbst bleibt in der Datei. Wer keine Freigabe für diese Übermittlung an DeepSeek hat, kann die Spracherkennung nur mit synthetisch erzeugten Testaufnahmen nutzen. Eigens eingesprochene Aufnahmen sind kein Ausweg: Die Zustimmung der sprechenden Person ändert nichts daran, dass ihre Stimme ein personenbezogenes Datum ist. Die Übermittlung braucht weiter eine Rechtsgrundlage und die Drittlandprüfung.

Kennzeichnung erzeugter Sprache

Die Plattformbedingungen verlangen in Abschnitt 8.1, Endnutzern klar mitzuteilen, dass Ausgaben KI-erzeugt sind. Eine Markierung für erzeugtes Audio, etwa ein Wasserzeichen, erwähnt die TTS-Doku nicht. Wer DeepSeek-Sprachausgabe in ein eigenes Angebot einbaut, kann nach Artikel 50 der KI-Verordnung (konsolidierte Fassung vom 27. Juli 2026) Anbieter sein. Als Anbieter muss er Nutzer darüber informieren, dass sie mit einem KI-System sprechen (Absatz 1), und synthetisches Audio maschinenlesbar kennzeichnen (Absatz 2). Weil DeepSeek für die Sprachausgabe keine Markierung dokumentiert, liegt diese Kennzeichnung dann beim Unternehmen. Die Übergangsfrist bis 2. Dezember 2026 nach Artikel 111 Absatz 4 gilt nur für Systeme, die vor dem 2. August 2026 in Verkehr gebracht wurden; ein jetzt neu gebauter Sprachassistent fällt nicht darunter. Davon getrennt ist die Pflicht des Betreibers: Wer erzeugtes Audio veröffentlicht, das als Deepfake gilt, etwa eine täuschend echte Stimme einer realen Person, muss das nach Absatz 4 offenlegen. Die Grundlagen stehen im Beitrag zur KI-Kennzeichnung nach Artikel 50.

Unsere Einschätzung

Die Sprach-APIs von DeepSeek sind ein Zusatz für Chat-Anwendungen, keine Sprachplattform. Deutsche Spracheingaben kann die Erkennung laut Doku verarbeiten. Für viele DACH-Fälle entscheidet sich der Einsatz aber vor der Qualitätsfrage: Eine deutsche Sprachausgabe fehlt, und die Übermittlung von Stimmen an einen Dienst ohne zugesagten Ort außerhalb Chinas braucht eine Freigabe, die viele Unternehmen nicht erteilen werden.

Kosten

Die Spracherkennung kostet laut Doku 0,116 US-Dollar je Audiostunde, als zeitlich begrenzter Aktionspreis 0,058 US-Dollar; abgerechnet wird sekundengenau, angefangene Sekunden zählen voll. Die Sprachausgabe kostet 0,45 US-Dollar je 10.000 Zeichen, als Aktionspreis 0,225 US-Dollar; chinesische Schriftzeichen zählen doppelt, Buchstaben, Ziffern und Leerzeichen einfach. Wann der Aktionspreis endet, nennt DeepSeek nicht.

Ein hypothetisches Beispiel für einen englischsprachigen Serviceassistenten: 20.000 Spracheingaben im Monat zu je 20 Sekunden ergeben gut 111 Audiostunden, also rund 13 US-Dollar zum Listenpreis. 20.000 vorgelesene Antworten zu je 500 Zeichen ergeben 10 Millionen Zeichen, also 450 US-Dollar zum Listenpreis (eigene Rechnung, ohne Kosten des Sprachmodells). Die Sprachausgabe ist damit der größere Posten, die Erkennung fällt kaum ins Gewicht.

Pilotfragen vor dem Einsatz

  1. Dürfen Stimmaufnahmen unserer Beschäftigten oder Kunden an einen Dienst ohne zugesagten Verarbeitungsort außerhalb Chinas gehen, und wer hat das entschieden?
  2. Passt der Fall in 120 Sekunden Mono-Audio ohne Zeitstempel und Sprechertrennung?
  3. Brauchen wir deutsche Sprachausgabe, und welcher Dienst übernimmt sie, wenn DeepSeek sie nicht anbietet?
  4. Welche Funktionstests machen wir mit synthetisch erzeugten Aufnahmen, etwa mit Fachbegriffen und Zahlen, und wie prüfen wir die Erkennungsqualität bei echten Stimmen, die sich mit synthetischen Aufnahmen nur begrenzt beurteilen lässt, nach einer Freigabe?
  5. Wer informiert Nutzer über den KI-Einsatz und kennzeichnet erzeugtes Audio, wenn wir Anbieter im Sinne von Artikel 50 sind?

Fazit: Deutsche Spracheingabe ja, deutscher Sprachassistent nein

Kurze deutsche Spracheingaben, etwa in einen Chat, unterstützt die Spracherkennung von DeepSeek laut Dokumentation. Für einen vollständig deutschsprachigen Sprachassistenten fehlt die Ausgabe, für Protokolle fehlen Länge und Sprechertrennung. Die eigentliche Hürde ist die Datenfrage: Ohne Freigabe für die Übermittlung von Stimmen bleibt es bei synthetischen Tests, und wer diese Freigabe nicht erteilt, plant für produktive Sprachanwendungen einen Anbieter mit europäischem Verarbeitungsort ein.

Die nächste Entscheidung: Gibt der Datenschutz Stimmaufnahmen für DeepSeek frei, oder bleibt es bei synthetischen Tests der deutschen Spracheingabe?

Quellen

DeepSeek (abgerufen am 18. November 2026)

Recht

Weiterführende Artikel auf AI-Fabrik

KI-Wochenbrief für Entscheider

Jeden Freitag die neuen AI-Fabrik-Analysen kompakt per E-Mail: Modelle, Tools, DSGVO und EU AI Act mit Blick auf Unternehmen im DACH-Raum. Kostenlos, jederzeit abbestellbar.

Teile es