Zum Inhalt springen

Sprache und Dokumente

Spracherkennung (Speech-to-Text)

Spracherkennung, englisch Speech-to-Text oder Automatic Speech Recognition (ASR), wandelt gesprochene Sprache aus einem Mikrofon, einem Telefonat oder einer Aufnahme automatisch in geschriebenen Text um.

Auch: Speech-to-Text, STT, Automatic Speech Recognition, ASR, Transkription

Viel Wissen in einem Unternehmen wird nie aufgeschrieben. Es steckt in Telefonaten mit Kunden, in Sprachnachrichten von Monteuren, in Besprechungen. Spracherkennung macht daraus Text, und erst als Text lässt es sich durchsuchen, auswerten und in Systeme übernehmen. Im Englischen heißt das Speech-to-Text oder Automatic Speech Recognition, kurz ASR.

Ein Hinweis zur Begriffsverwirrung vorab: Im Deutschen meint „Spracherkennung“ meist die Umwandlung in Text. Manche Dokumentationen verwenden dasselbe Wort aber auch für das Erkennen, welche Sprache gesprochen wird, also Deutsch oder Englisch. Wieder etwas anderes ist die Sprechererkennung, die feststellt, wer spricht. Wer Angebote vergleicht, sollte nachfragen, welche dieser Funktionen gemeint ist.

Vom Signal zum Text

Ältere Systeme bestanden aus mehreren getrennten Teilen: einem akustischen Modell für Laute, einem Aussprachewörterbuch und einem Sprachmodell, das wahrscheinliche Wortfolgen bevorzugt. Heutige Systeme sind meist neuronale Netze, die das Audiosignal in einem Zug in Text übersetzen. Das Lehrbuch von Jurafsky und Martin zeichnet im Kapitel zur automatischen Spracherkennung den Weg von statistischen Verfahren mit Hidden-Markov-Modellen bis zu Encoder-Decoder-Netzen wie Whisper nach.

Den größten Sprung brachte die Menge der Trainingsdaten. OpenAI hat sein Modell Whisper nach eigener Veröffentlichung auf 680.000 Stunden mehrsprachigem Audio mit Transkripten aus dem Internet trainiert und gezeigt, dass ein so trainiertes Modell ohne Anpassung auf viele Aufnahmebedingungen übertragbar ist. Für die Praxis heißt das: Ein Standardmodell versteht heute Alltagssprache in den großen Sprachen ordentlich, auch ohne eigenes Training. Die Schwierigkeiten liegen woanders.

Drei Betriebsarten

Die Anbieter unterscheiden die Verarbeitung danach, wann das Ergebnis gebraucht wird. Microsoft nennt für seinen Dienst drei Formen:

  • Echtzeit. Der Text entsteht, während gesprochen wird, mit Zwischenergebnissen, die sich noch ändern können. Das ist nötig für Voicebots, Live-Untertitel und Diktat.
  • Schnelle Transkription. Eine fertige Aufnahme wird so schnell wie möglich mit vorhersehbarer Wartezeit verschriftet, etwa eine Sprachnachricht.
  • Batch. Große Mengen gespeicherter Aufnahmen werden im Hintergrund verarbeitet, etwa alle Gespräche eines Tages aus dem Kundenservice.

Dazu kommen Funktionen, die für Geschäftsanwendungen oft wichtiger sind als die Grundgenauigkeit. Die Sprechertrennung (Diarisierung) unterscheidet, welcher Satz von welcher Person stammt. Die Mehrkanalverarbeitung transkribiert getrennte Tonspuren, etwa Kunde und Mitarbeiter eines Telefonats, je für sich. Mit Phrasenlisten gibt man dem Modell Produktnamen, Fachbegriffe oder Eigennamen vor, die in den Gesprächen wahrscheinlich vorkommen, und eigene, angepasste Modelle lassen sich mit Fachtexten und Aufnahmen aus dem eigenen Umfeld verbessern.

Wie man Qualität misst

Der übliche Maßstab ist die Wortfehlerrate, englisch Word Error Rate (WER). Man vergleicht die Ausgabe mit einer von Menschen erstellten, richtigen Abschrift und zählt drei Fehlerarten: eingefügte Wörter, ausgelassene Wörter und ersetzte Wörter. Ihre Summe, geteilt durch die Zahl der Wörter in der richtigen Abschrift, ergibt die Fehlerrate.

Microsoft gibt in seiner Dokumentation eine grobe Einordnung: Eine Wortfehlerrate von 5 bis 10 Prozent gilt dort als gute, einsatzbereite Qualität, 20 Prozent als akzeptabel mit Bedarf an weiterem Training, 30 Prozent und mehr als schlecht. Ob ein Wert reicht, hängt allerdings an der Anwendung. Für die Stichwortsuche in Gesprächsprotokollen genügt weniger als für ein Diktat, das unverändert in eine Akte geht.

Die Fehlerart verrät die Ursache. Nach Microsoft deuten viele Auslassungen auf ein schwaches Audiosignal hin, viele Einfügungen auf laute Umgebungen oder Übersprechen, und Ersetzungen treten auf, wenn Fachbegriffe dem Modell nicht bekannt sind.

Woran sie im Alltag scheitert

Telefonqualität. Telefonaudio ist schmalbandig. Microsoft beschreibt Callcenter-Audio als niedrige Qualität mit 8 kHz, teils komprimiert und mit zwei Personen auf einem Kanal. Ein Modell, das im Büro mit Headset hervorragend arbeitet, kann am Telefon spürbar schlechter sein.

Zahlen, Namen und Codes. Eine Artikelnummer, eine IBAN oder ein Nachname ist für die Weiterverarbeitung oft das wichtigste Wort im ganzen Gespräch, und gerade dort ist die Erkennung am unsichersten. Ein vertauschtes Füllwort stört niemanden, eine vertauschte Ziffer schon. Die Wortfehlerrate gewichtet aber jedes Wort gleich. Für Geschäftsanwendungen lohnt es deshalb, die Fehlerrate gezielt für die kritischen Angaben zu messen.

Fachsprache und Dialekt. Produktnamen, Abkürzungen und regionale Aussprache bringen Standardmodelle aus dem Tritt. Phrasenlisten und angepasste Modelle helfen hier am meisten.

Formatierung. Ein Modell schreibt „neunhundert Euro“ oder „900 €“, „am dritten zehnten“ oder „am 3.10.“. Für die Weiterverarbeitung muss klar sein, welche Form ankommt. Microsoft misst diese Darstellungsfehler, also Zeichensetzung, Großschreibung und Zahlenformate, getrennt in einer eigenen Tokenfehlerrate.

Was nach dem Text kommt

Ein Transkript allein ist selten das Ziel. Erst wenn aus dem Text das Anliegen, die Kundennummer und der vereinbarte Termin herausgelöst werden, entfällt die Nacharbeit. Dafür sorgen Textklassifikation und Informationsextraktion. Bei kritischen Angaben gehört eine Bestätigung dazu: im Gespräch durch Wiederholen („Ich habe die Nummer 4711 verstanden, ist das richtig?“), bei Aufnahmen durch Vorlage an einen Menschen.

Ein konstruiertes Beispiel: Servicetechniker eines Heizungsbauers sprechen nach jedem Einsatz eine kurze Nachricht ein. Die Spracherkennung verschriftet sie, ein Sprachmodell füllt daraus den Einsatzbericht mit Anlage, Befund, verbautem Material und Arbeitszeit. Der Techniker sieht den Entwurf auf dem Tablet, korrigiert, was falsch verstanden wurde, und gibt frei. Das Abtippen am Abend, ein klassischer Medienbruch, fällt weg.

Aufnahmen sind sensible Daten

Wer Gespräche aufzeichnet, um sie zu transkribieren, verarbeitet personenbezogene Daten, oft auch über Dritte, die im Gespräch genannt werden. Die Aufzeichnung selbst ist zudem rechtlich heikel, sobald die Gesprächspartner nicht eingewilligt haben. Was dabei zu beachten ist, beschreibt der Eintrag zum Voicebot. Technisch lohnt die Frage, ob eine Aufnahme überhaupt gespeichert werden muss oder ob die Echtzeitverarbeitung ohne Speicherung genügt.

Quellen

  1. Sprach-zu-Text-Übersicht, Speech-Dienst, Microsoft Learn, 2026
  2. Testgenauigkeit eines Custom Speech-Modells, Microsoft Learn, 2025
  3. Robust Speech Recognition via Large-Scale Weak Supervision, Radford u. a., OpenAI, arXiv:2212.04356, 2022
  4. Speech and Language Processing, 3. Auflage (Entwurf), Kapitel 16, Daniel Jurafsky und James H. Martin, Stanford University, 2026

Inhaltlich geprüft im Oktober 2026. Der Eintrag erklärt einen Begriff und ersetzt keine Rechts- oder Steuerberatung.

Welcher Prozess kostet Ihr Team jeden Tag unnötig Zeit?

Bringen Sie einen konkreten Ablauf mit. In 45 Minuten klären wir, ob sich seine Automatisierung rechnet und was der nächste Schritt wäre.

Direkt mit einem Gründer · unverbindlich · ohne Verkaufsshow

Erst ein Prozess.
Dann der nächste.