Was ist Speech-to-Text?
Eine Stunde Podcast abtippen dauert ewig. Die Maschine braucht dafür Minuten. Speech-to-Text, auf Deutsch Spracherkennung, wandelt gesprochene Sprache per KI in geschriebenen Text um. Das geht live oder nachträglich aus einer Datei.
Wichtig fürs Verständnis: Das Ergebnis ist keine Mitschrift mit Garantie. Microsoft nennt das Transkript ausdrücklich die „best inference or prediction“ des Gesagten, also die beste Vorhersage. Das erklärt, warum du es prüfen musst.
Im Marketing nutzt du Speech-to-Text vor allem so:
- Untertitel für Videos und Webinare
- Transkripte als Basis für Blogartikel und Social Posts
- Meeting-Notizen aus Kundengesprächen
- Marktforschung aus Audio-Feedback und Callcenter-Gesprächen
Wie genau ist Speech-to-Text?
Gemessen wird das mit der Word Error Rate (WER), der Wortfehlerrate. Sie zählt, wie viele Wörter falsch, zu viel oder weggelassen sind, und bezieht das auf ein von Menschen erstelltes Referenztranskript.
Word Error Rate
WER = (eingefügte + ausgelassene + vertauschte Wörter) ÷ Wörter im Referenztext × 100
Beispiel: 50 Fehler auf 1.000 Wörter → WER = 5 %
Microsoft ordnet die Werte so ein:
WER
Bedeutung
5–10 %
Gute Qualität, einsatzbereit
20 %
Akzeptabel, Training erwägen
ab 30 %
Schlecht, braucht Anpassung
Im Benchmark Open ASR Leaderboard liegen die besten Modelle auf deutschen Testdaten zwischen rund 2 und 4 % WER, Whisper Large v3 zum Beispiel bei 4,26 %. Das sind saubere Testaufnahmen. In der Praxis sieht es anders aus: Laut Microsoft kann ein Diktat unter 10 % liegen, Callcenter-Audio unter 30 % und Video-Untertitel je nach Video unter 50 %. Musik, Lärm, schlechte Mikrofone und Fachsprache treiben den Wert hoch.
Welche Tools gibt es?
Tool
Stärke
OpenAI Whisper
Offen, läuft auch auf eigener Hardware
Google Speech-to-Text
Chirp-Modelle, Region EU
Azure Speech
Eigene Fachbegriffe, Container
Deepgram
Schnell, Deutsch verfügbar
YouTube Studio
Automatische Untertitel ohne Technik
Die Kosten sind meist kein Thema: Deepgram Nova-3 kostet pro Minute Datei rund 0,0043 Dollar, eine Stunde also etwa 0,26 Dollar. Bei OpenAI sind es für das ältere whisper-1 0,006 Dollar pro Minute. Die Preise ändern sich, die Größenordnung bleibt: Die Technik kostet Cent, das Prüfen kostet deine Zeit.
DeepL Voice ist übrigens etwas anderes: Es liefert Live-Übersetzung als Untertitel in Meetings, kein klassisches Transkript.
Darfst du Gespräche transkribieren?
Das Problem beginnt nicht beim Transkribieren, sondern schon bei der Aufnahme. Nach § 201 Strafgesetzbuch macht sich strafbar, wer das nichtöffentlich gesprochene Wort unbefugt aufnimmt. Hol dir also vorher die Zustimmung aller Beteiligten.
Audio und Transkripte enthalten außerdem meist personenbezogene Daten. Damit gilt die DSGVO, und du musst wissen, wo die Daten landen. Heikler wird es, wenn die Stimme Personen eindeutig identifizieren soll: Dann können biometrische Daten nach Art. 9 DSGVO betroffen sein. Mit dem offenen Whisper-Modell auf eigener Hardware bleibt das Audio bei dir, bei Cloud-Diensten prüfst du Speicherung und Vertrag beim Anbieter.
Häufige Fehler
Fehler 1 · Transkripte ungeprüft veröffentlichen
Eigennamen, Produkte und Fachbegriffe sind die typischen Fehlerquellen. Bei 5 % WER stecken in 1.000 Wörtern rund 50 Fehler. Wenn dein Firmenname falsch geschrieben ist, merkt das jeder. YouTube empfiehlt selbst, automatische Untertitel zu prüfen.
Fehler 2 · Benchmark für die eigene Aufnahme halten
4 % im Testdatensatz gelten nicht für den verhallten Konferenzraum. Test mit eigenem Material. Microsoft empfiehlt dafür 30 Minuten bis 5 Stunden repräsentatives Audio.
Fehler 3 · Schlechte Aufnahme, gute Erkennung erwarten
Ein gutes Mikrofon verbessert das Transkript oft mehr als ein besseres Modell. Musik im Hintergrund und Leute, die durcheinanderreden, sind Gift.
Fehler 4 · Ohne Zustimmung aufnehmen
Der KI-Notizbot im Kundengespräch, von dem niemand wusste, ist keine gute Idee. Sag vorher an, dass du aufnimmst, und frag nach.
Häufige Fragen
Wie genau ist Speech-to-Text auf Deutsch?
Auf sauberen Testdaten erreichen gute Modelle rund 2 bis 4 % Wortfehlerrate. In echten Aufnahmen liegt der Wert höher. Je nach Mikrofon, Lärm und Fachsprache ist es deutlich mehr, Microsoft nennt für Video-Untertitel sogar bis unter 50 %.
Was ist eine gute Word Error Rate?
Laut Microsoft gelten 5 bis 10 % als gut und einsatzbereit, 20 % als akzeptabel, ab 30 % braucht das System Anpassung. Selbst 5 % bedeuten aber rund 50 Fehler auf 1.000 Wörter.
Ist Whisper kostenlos?
Das offene Modell steht unter MIT-Lizenz und läuft kostenlos auf eigener Hardware, braucht dafür aber eine passende Grafikkarte. Über die API von OpenAI zahlst du pro Minute.
Darf ich Meetings mit KI aufnehmen und transkribieren?
Nur mit Zustimmung aller Beteiligten. Heimliche Aufnahmen des nichtöffentlich gesprochenen Worts sind nach § 201 StGB strafbar. Dazu kommt die DSGVO, weil Audio und Transkript personenbezogene Daten enthalten. Keine Rechtsberatung.
Erkennt Speech-to-Text Dialekte?
Nur begrenzt. YouTube nennt Akzent und Dialekt ausdrücklich als Fehlerquelle. Plattdeutsch im Interview solltest du also besonders gründlich gegenlesen.
Quellen
- Microsoft Learn: Speech to Text
- Microsoft Learn: Daten und Datenschutz bei Speech to Text
- Microsoft Learn: Genauigkeit testen
- Open ASR Leaderboard (arXiv)
- Careless Whisper: Speech-to-Text Hallucination Harms (FAccT 2024)
- OpenAI Whisper auf GitHub
- Google Cloud: Speech-to-Text Sprachen
- YouTube-Hilfe: Automatische Untertitel
- § 201 Strafgesetzbuch
- Art. 9 DSGVO
