Speech-to-Text
Speech-to-Text (Spracherkennung), auch Automatic Speech Recognition (ASR) genannt, ist Software, die gesprochenes Audio in geschriebenen Text umwandelt. Sie steckt hinter Transkription, Untertiteln, Sprachbefehlen und der zuhörenden Hälfte von Voice Agents.
Auch: ASR, automatic speech recognition, transcription, STT
Von Divya Sharma · Geprüft am 15. Nov. 2026 · So testen wir
Ein Speech-to-Text-Modell nimmt Audio, meist in kurze Frames aufgeteilt, und gibt die Wörter aus, die es hört, oft mit Zeitstempeln. Es ist der erste Schritt bei Meeting-Notizen, Podcast-Transkripten, Untertiteln, Anrufanalysen und jedem Voice Agent.
So funktioniert es
Moderne ASR-Modelle sind neuronale Netze, die auf großen Mengen gepaarter Audio- und Textdaten trainiert wurden. Whisper von OpenAI ist ein bekanntes Beispiel: Es wurde auf 680.000 Stunden Audio und Transkripten aus dem Web trainiert und verarbeitet viele Sprachen ohne aufgabenspezifisches Fine-Tuning. Du kannst es selbst mit openai-whisper ausführen oder mit kleineren Varianten wie Whisper large v3 turbo.
Was du vergleichen solltest
Wortfehlerrate bei Audio wie deinem, Geschwindigkeit, Streaming-Unterstützung für den Live-Einsatz, Sprachabdeckung, Zeichensetzung und Preis pro Minute. Benchmark-Werte auf sauberem Audio können viel besser aussehen als Ergebnisse bei verrauschten Telefonaten.
Verwandte Begriffe
ASR sagt dir, was gesagt wurde. Sprecherdiarisierung sagt dir, wer es gesagt hat, und viele Transkriptionstools verbinden beides. Die umgekehrte Richtung ist Text-to-Speech.
Grenzen
Akzente, Durcheinanderreden, Hintergrundgeräusche und Fachjargon erhöhen die Fehlerraten. Manche Modelle erfinden außerdem bei Stille oder Musik Wörter, eine Form von Halluzination.
Verwandte Begriffe
- Text-to-Speech
- Text-to-Speech (TTS, Sprachsynthese) ist Software, die geschriebenen Text in gesprochenes Audio verwandelt. Modernes TTS nutzt neuronale Netze, die aus dem Text den Klang der Sprache vorhersagen und ihn dann als Wellenform ausgeben.
- Sprecherdiarisierung
- Sprecherdiarisierung (Speaker Diarization) ist die Aufgabe, eine Audioaufnahme nach Sprechern aufzuteilen und jeden Sprechabschnitt damit zu kennzeichnen, wer ihn gesagt hat. Sie beantwortet die Frage „Wer hat wann gesprochen?“.
- Voice Agent
- Ein Voice Agent (Sprachagent) ist ein KI-Agent, der in Echtzeit ein gesprochenes Gespräch führt: Er hört einer Person zu, entscheidet, was er sagen oder tun soll, und antwortet mit einer synthetischen Stimme, oft über eine Telefonleitung oder in einer App.
- Speech-to-Speech-Modell
- Ein Speech-to-Speech-Modell nimmt gesprochenes Audio auf und gibt direkt gesprochenes Audio aus, ohne die Sprache zuerst in Text und zurück umzuwandeln. Es wird für Sprachgespräche in Echtzeit und Übersetzung genutzt.
- Halluzination (KI)
- Eine Halluzination (Hallucination) ist eine Ausgabe eines KI-Modells, die flüssig und selbstsicher klingt, aber falsch, nicht durch die Quellen gedeckt oder erfunden ist, etwa eine erfundene Quellenangabe, ein Zitat, eine Statistik oder eine API-Funktion.