Glossareintrag
Wir denken. KI tippt mit.
Speech-to-Text (kurz STT, auf Deutsch „Sprache zu Text“) ist die automatische Umwandlung gesprochener Sprache in geschriebenen Text. Der Fachbegriff dafür lautet automatische Spracherkennung (Automatic Speech Recognition, ASR), das Ergebnis heißt Transkription. Den umgekehrten Weg geht Text-to-Speech (TTS), also die Computerstimme, die geschriebenen Text vorliest.
Spracherkennung erkennt, was gesagt wird. Die häufig damit verwechselte Stimm- oder Sprechererkennung (Voice bzw. Speaker Recognition) erkennt, wer spricht, z. B. bei der Identifikation per Stimme am Bank-Telefon. Diktat und Transkription trennt der Zeitpunkt. Beim Diktieren erscheint der Text in Echtzeit während des Sprechens. Eine Transkription verschriftlicht fertige Aufnahmen nachträglich, oft mit Zeitstempeln und Sprechertrennung.
Im Alltag steckt die Technik längst in der Diktierfunktion des Smartphones, in automatischen YouTube-Untertiteln und im Sprachmodus von ChatGPT. Bevor eine KI am Telefon antworten kann, muss sie das Gesagte in Text umwandeln. Jeder Voice Agent beginnt deshalb mit dieser Stufe.
Moderne Spracherkennung beruht auf einem einzigen tiefen neuronalen Netz, das direkt vom Audiosignal zum fertigen Text übersetzt (End-to-End-Modell). Bis in die 2010er-Jahre bestanden Erkennungssysteme aus getrennten Bausteinen, einem Akustikmodell für die Laute, einem Aussprachewörterbuch und einem Sprachmodell für wahrscheinliche Wortfolgen. Heute lernt ein Transformer-Modell all das gemeinsam, trainiert per Deep Learning an Audio-Text-Paaren.
Den Durchbruch für die breite Nutzung brachte 2022 das Modell Whisper von OpenAI. Trainiert hat OpenAI es laut der offiziellen Whisper-Ankündigung mit 680.000 Stunden Audio aus dem Netz. Es versteht knapp 100 Sprachen und liegt als Open-Weights-Modell frei auf GitHub. Seitdem läuft brauchbare Spracherkennung auch lokal auf einem normalen Laptop. In der API bietet OpenAI mit gpt-transcribe mittlerweile Nachfolger mit niedrigerer Fehlerrate an.
Die Qualität misst die Wortfehlerrate (Word Error Rate, WER), also der Anteil falsch erkannter, ausgelassener oder hinzugefügter Wörter. Spitzenmodelle erreichen im Open ASR Leaderboard von Hugging Face rund 5 Prozent auf englischen Testdaten (Stand August 2026). Auf Deutsch hängt das Ergebnis vom Material ab. Eine Benchmark-Studie mit deutschen Arzt-Patient-Gesprächen hat 2026 29 Modelle verglichen und beim besten Dienst (AssemblyAI) 3 Prozent Wortfehler gemessen, bei Whisper large-v3 dagegen 12,6 Prozent. Fachbegriffe, Akzente und Mundart waren die häufigsten Fehlerquellen. Schweizerdeutsch bleibt für alle Modelle schwieriger als Hochdeutsch.
Neben OpenAI betreiben alle großen Cloud-Anbieter eigene Erkennungsdienste, Google mit der Chirp-Modellfamilie, Microsoft mit Azure Speech, Amazon mit Transcribe. Hinzu kommen Spezialisten wie Deepgram, AssemblyAI, Speechmatics und ElevenLabs. Aus Europa stammt die offene Audio-Modellfamilie Voxtral des französischen KI-Unternehmens Mistral.
Die Technik arbeitet nicht fehlerfrei und kann wie ein Sprachmodell halluzinieren. Eine Studie um die Cornell-Informatikerin Allison Koenecke hat 2024 in rund 1 Prozent untersuchter Whisper-Transkripte frei erfundene Sätze gefunden, gut ein Drittel davon mit schädlichem Inhalt wie ausgedachten Gewaltszenen. Nach Recherchen der Nachrichtenagentur AP warnen Wissenschaftler vor ungeprüftem Einsatz in Kliniken, wo Transkripte in Patientenakten fließen.
Streaming-Modelle liefern den Text in Echtzeit, mit Verzögerungen unter einer Sekunde. Darauf sind Live-Untertitel, Diktat und Telefon-KI angewiesen. Batch-Modelle verschriftlichen ganze Aufnahmen am Stück und erreichen meist die höhere Genauigkeit. Die Sprechertrennung (Speaker Diarization) markiert, wer wann gesprochen hat, und ist die Grundlage automatischer Besprechungsprotokolle. Immer öfter wandert die Erkennung als Edge-KI direkt aufs Gerät. Apples Diktierfunktion arbeitet auf neueren iPhones z. B. lokal, das Audio verlässt das Handy nicht.
Menschen sprechen rund 150 Wörter pro Minute und tippen 40 bis 60. Eine Stanford-Studie maß Spracheingabe auf dem Smartphone als etwa dreimal so schnell wie Tippen. Wer die Rückfahrt vom Kunden nutzt, um Maße, Material und Absprachen als Sprachnotiz festzuhalten, hat die Angebotsgrundlage fertig, bevor er im Büro ankommt.
Einsatzfälle gibt es in jedem Gewerk:
Wer Gespräche aufzeichnet und transkribiert, benötigt vorher die Einwilligung aller Beteiligten. § 201 StGB stellt die unbefugte Aufnahme des nichtöffentlich gesprochenen Wortes unter Strafe. Für Kundendaten zählt außerdem, wo der Dienst das Audio verarbeitet. Datenschutzfreundlich sind Programme, die lokal arbeiten, und Dienste mit Servern in der EU (Stichwort Datenresidenz). HalloPetra hostet z. B. in Frankfurt.
