Keine Registrierung erforderlich. Kein tägliches Limit.Andere Anbieter erlauben Ihnen nur drei Dateien pro Tag und nennen es „unbegrenzt“. Hier können Sie beliebig viele Dateien mit einer Länge von bis zu 60 Minuten hochladen.
Behauptungen wie „99 % genau!“ sind allgegenwärtig und beziehen sich meist auf ideale Audiodateien. Hier erfahren Sie, was Genauigkeit tatsächlich bedeutet, was sie beeinträchtigt, was Sie realistisch von Ihrer Aufnahme erwarten können und wie Sie aufnehmen sollten, damit die Transkription nahezu perfekt wird.
Der Industriestandard ist Wortfehlerrate (WER)Nimm das maschinelle Transkript, vergleiche es mit dem, was tatsächlich gesagt wurde, und zähle drei Arten von Fehlern: Ersetzungen (falsches Wort), Einfügungen (zusätzliches Wort), und Löschungen (fehlendes Wort). Dividieren Sie die Gesamtzahl durch die Anzahl der gesprochenen Wörter, und das Ergebnis ist Ihre WER-Zahl. Eine WER-Zahl von 5 % bedeutet, dass etwa jedes zwanzigste Wort falsch ist, was oft umgekehrt als „95 % Genauigkeit“ angegeben wird
Zwei Dinge, die Menschen bei der WER-Berechnung übersehen: Erstens behandelt sie alle Fehler gleich, aber in der Praxis schadet ein falsch ausgesprochener Name, eine falsche Dosierung oder Menge viel mehr als ein holpriges „äh, nun“. Zweitens stammen veröffentlichte WER-Zahlen aus Benchmark-Datensätzen: oft saubere, Einzelsprecher-Audiodateien mit Muttersprachlerakzent. Ihre tatsächliche Zahl hängt fast ausschließlich von Ihrer Aufnahme ab.
Der wichtigste Faktor. Verkehrslärm, Gespräche in einem Café, Klimaanlagen und das Klappern einer Tastatur sowie Wind konkurrieren mit der Stimme. Moderne Modelle werden mit verrauschten Audiodaten trainiert und kommen überraschend gut mit gleichmäßigem Hintergrundrauschen zurecht, aber laute oder sprachähnliche Geräusche (ein Fernseher, andere Gespräche) verfälschen Wörter direkt.
Eng damit verbunden: Ein Sprecher in zwei Metern Entfernung von einem Laptop-Mikrofon klingt hallend und leise, und die Genauigkeit sinkt deutlich. Ein Telefon, das in der Nähe des Sprechers liegt, ist besser als ein teures Mikrofon auf der anderen Seite des Raumes.
Moderne Spracherkennungsmodelle werden mit Hunderttausenden von Stunden mehrsprachiger Audiodateien trainiert, sodass gängige Akzente gut transkribiert werden. Sehr ausgeprägte regionale Akzente, Dialekte und stark abweichende Aussprachen führen jedoch immer noch zu höheren Fehlerraten: Das Modell ersetzt das Wort durch das nächstliegende Wort, das es „erwartet“.
Spezialvokabular (medizinische Begriffe, Produktnamen, Personennamen, Akronyme) ist der Bereich, in dem sich Fehler häufen, da das Modell dieses Wort möglicherweise noch nie gesehen hat. Es wird selbstbewusst eine plausibel klingende Alternative schreiben, und genau deshalb ist die Korrekturlesung wichtig.
Ein Gespräch, bei dem sich die Teilnehmer abwechseln, ist kein Problem. Wenn jedoch mehrere Personen gleichzeitig sprechen, wird es schwierig: überlappende Sprache erzeugt tatsächlich mehrdeutige Audiodateien, und jedes Transkriptionssystem hat damit zu kämpfen. Podiumsdiskussionen und hitzige Besprechungen sind die anspruchsvollsten Szenarien.
Stark komprimiertes Audio (Sprachnachrichten mit niedriger Bitrate, Telefongespräche, alte Aufnahmen) verwirft genau die Frequenzen, die ähnliche Konsonanten voneinander unterscheiden. Clipping (Aufnahme mit so hoher Lautstärke, dass sich die Wellenform verzerrt) ist noch schlimmer.
| Szenario | Typisches Ergebnis |
|---|---|
| Podcast / Voice-over, gutes Mikrofon, ein Sprecher | Ausgezeichnet: in der Regel 97–99 % der Wörter korrekt; nahezu veröffentlichungsreif |
| Zoom-/Teams-Besprechung, alle mit Headsets | Sehr gut: erwarten Sie einige wenige Korrekturen pro Seite, hauptsächlich bei Namen |
| Interview, Telefon auf dem Tisch in einem ruhigen Raum | Gut: solides Transkript, überprüfen Sie Namen, Zahlen und ruhige Momente |
| Vorlesung, Sprecher weit vom Aufnahmegerät entfernt | Akzeptabel: Die Hauptinhalte sind gut erkennbar, hallende Bereiche werden schlechter wiedergegeben |
| Gruppengespräch mit Überlappungen und Hintergrundgeräuschen eines Cafés | Unvollkommen: Es sind deutliche Lücken und vermischte Sprecher zu erwarten; nur grob verwenden, nicht wörtlich zitieren |
Selbst ein zu 97 % genaues Transkript eines Interviews mit 1.500 Wörtern enthält etwa 45 falsche Wörter, und diese betreffen überproportional die Namen, Zahlen und Fachbegriffe, die Ihnen wichtig sind. Der Sinn der automatischen Transkription ist nicht, dass es fehlerfrei ist; sondern dass das Korrigieren von 45 Wörtern fünf Minuten dauert, während das Eintippen von 1.500 Wörtern mit Zeitstempeln mehr als eine Stunde in Anspruch nimmt. Die Zeitangaben, die Struktur und über 95 % der Wörter sind bereits erledigt.
Die ehrlichste Antwort auf die Frage „Wie genau ist es für mich“ ist, es mit Ihren tatsächlichen Aufnahmen zu testen. ScribeGrab Verwendet our speech model (eines der genauesten Open-Source-Spracherkennungsmodelle), kostenlos, ohne tägliches Limit und ohne Registrierung, und liefert Ihnen das Transkript sowie SRT- und VTT-Untertitel aus einer einzigen hochgeladenen Datei. Ihre Datei wird direkt nach der Verarbeitung gelöscht.
Bei klarem, gut aufgenommenem Sprachmaterial erreichen moderne Modelle in der Regel eine Genauigkeit von 95–98 % (die Wortfehlerrate beträgt etwa 2–5 %). Lärm, starke Akzente, Überlagerungen, Fachjargon und schlechte Mikrofone beeinträchtigen das Ergebnis: Bei lauten Aufnahmen mit mehreren Sprechern kann die Genauigkeit deutlich unter 90 % liegen.
Die Standardmetrik zur Messung der Genauigkeit: Anzahl der Ersetzungen + Einfügungen + Löschungen, dividiert durch die Anzahl der gesprochenen Wörter. 5 % WER ≈ 1 falsches Wort in 20 Wörtern. Je niedriger, desto besser.
Mikrofon nah am Sprecher positionieren, ruhiger Raum, eine Stimme nach der anderen aufnehmen, angemessene Lautstärke ohne Übersteuerung, Originaldateien anstelle von erneut komprimierten Dateien verwenden und die Sprache bei sehr kurzen Clips manuell einstellen.
Ja, Fehler treten vor allem bei Namen, Zahlen und Fachbegriffen auf – also genau bei den Wörtern, die wichtig sind. Aber das Korrigieren von ein paar Dutzend Wörtern ist deutlich schneller, als alles neu zu tippen.