Beste Transkription für asiatische Sprachen im Jahr 2026

Kein einzelnes Transkriptionsmodell führt bei allen asiatischen Sprachen die Rangliste an. Die richtige Wahl hängt davon ab, welche Sprache du brauchst, wie genau du sein musst und ob du ein Produkt entwickelst oder Dateien manuell verarbeitest. Dieser Beitrag ordnet jede wichtige asiatische Sprache dem Modell zu, das für sie am besten abschneidet, mit CER/WER-Werten aus verifizierbaren Benchmarks.

Warum Genauigkeit bei asiatischen Sprachen ein anderes Problem ist

Genauigkeits-Benchmarks für asiatische Sprachen verwenden andere Metriken als Englisch. Für Chinesisch, Japanisch und Koreanisch ist CER (Character Error Rate) das richtige Maß, weil diese Schriften keine Leerzeichen zwischen Wörtern verwenden. WER (Word Error Rate) würde erfordern, „Wörter“ so zu definieren, dass es nicht sauber auf diese Schriften übertragbar ist.

Behalte diesen Unterschied im Hinterkopf, wenn du Anbieterangaben vergleichst. Ein Anbieter, der für Japanisch „95 % Genauigkeit“ meldet, ohne zu spezifizieren, ob es sich um WER oder CER handelt, verwendet vermutlich eine weichere Definition. Der Beitrag Transkriptionsgenauigkeit erklärt geht darauf näher ein.

Mandarin und Kantonesisch: SenseVoice führt

Für Mandarin erreicht SenseVoice (das offene Modell von Alibabas FunAudioLLM-Team) 10,78 % CER gegenüber 12,55 % CER bei Whisper Large-v3 in Standard-Benchmarks. Bei Kantonesisch wird der Abstand größer: SenseVoice kommt auf 7,09 % CER, Whisper Large-v3 auf 10,41 %. In Sachen Geschwindigkeit läuft SenseVoice 52 bis 118 Mal schneller als Echtzeit auf Apple Silicon, verglichen mit 13 bis 14 Mal bei Whisper auf vergleichbarer Hardware.

Der wichtige Unterschied: SenseVoice ist ein Open-Source-Modell, kein SaaS-Produkt. Alibabas kommerzielle Sprach-API ist über das Alibaba Cloud Model Studio verfügbar (Fun-ASR 1.5, gestartet im April 2026) und die richtige Wahl für produktive Mandarin-Workflows im chinesischen Ökosystem. Die Dokumentation ist auf Englisch über alibabacloud.com verfügbar.

iFlytek ist ein separates Unternehmen, das seit über einem Jahrzehnt spezialisierte Mandarin-Domänen (Medizin, Recht, Finanzen) mit domänenspezifisch trainierten Vokabularmodellen bedient. Die Preisgestaltung ist intransparent und erfordert direkten Kontakt; für Entwickler außerhalb Chinas ist die Dokumentationshürde real.

Für Mandarin-Workflows außerhalb Chinas sind OpenAI Whisper oder Google Cloud STT Chirp zugänglichere Alternativen mit ähnlicher Genauigkeitsstufe.

Japanisch und Koreanisch: Whisper hält mit, CLOVA punktet bei Koreanisch

Whisper Large-v3 erreicht 8-12% CER sowohl bei Japanisch als auch bei Koreanisch und schlägt SenseVoice in diesen beiden Sprachen (SenseVices Stärke liegt speziell bei Mandarin/Kantonesisch). Bei Japanisch ist Whisper bei spontaner Konversationssprache mit starken Dialektvariationen schwach; formelle Sprache wird sauber transkribiert.

Bei Koreanisch ist Naver CLOVA Speech die dedizierte Option, gestützt auf NAVERs eigene Forschungsdaten. Es unterstützt Koreanisch, Englisch, Japanisch und vereinfachtes Chinesisch, mit Echtzeit-Streaming für Koreanisch, Englisch und Japanisch, das 2024 hinzugefügt wurde. Koreanische Höflichkeitsformen und die Behandlung formaler/informeller Register sind bei CLOVA besser als bei Whisper. Der Zugang erfolgt über die NAVER Cloud Platform mit englischer Dokumentation.

Meine Einschätzung: Für japanische Transkription ist Whisper Large-v3 über die OpenAI API oder einen Whisper-basierten Dienst der einfachste Einstieg. Für Koreanisch ist Whisper für den allgemeinen Gebrauch völlig in Ordnung; CLOVA ist eine Evaluierung wert, wenn du spezialisiertes Domänenvokabular oder native koreanische Produktintegration brauchst.

Indische Sprachen: Azure Speech deckt die Breite ab

Microsoft Azure Speech hat gezielt in Trainingsdaten für indische Sprachen investiert und unterstützt Hindi (hi-IN), Tamil (ta-IN), Telugu (te-IN), Bengali (bn-IN/bn-BD), Marathi (mr-IN), Gujarati (gu-IN), Punjabi, Assamesisch und Oriya. Damit deckt es über 90 % des indischen Sprachmarktes nach Sprecherzahl ab. Whisper erreicht bei Hindi eine WER von 9-14 % und verarbeitet auch die anderen großen indischen Sprachen, aber Azures spezialisiertes Training für Phonologie und Akzentvarianten indischer Sprachen verschafft ihm einen Vorteil für den Produktiveinsatz.

Azure Speech Echtzeit-STT kostet $1,00/Std. Standard, $0,36/Std. für schnelle Transkription und $0,18/Std. für Stapelverarbeitung (laut Anbieterdokumentation Stand Mitte 2026). Die kostenlose Stufe umfasst 5 Audio-Stunden pro Monat.

Google Cloud STT Chirp deckt ebenfalls Hindi, Tamil, Telugu und Bengali ab (Bengali nur mit Chirp 2), mit Preisen von $0,016/Min. in Echtzeit oder $0,004/Min. für Stapel. Die vollständige Übersicht finden Sie in der Google Cloud Speech-to-Text Preisaufschlüsselung.

Südostasiatische Sprachen: Google Cloud Chirp und Whisper

Für Vietnamesisch, Thailändisch, Indonesisch, Tagalog/Filipino und Malaiisch sieht die Lage dünner aus. Google Cloud STT Chirp (V2) deckt alle ab: Thailändisch (th-TH), Vietnamesisch (vi-VN) und Indonesisch (id-ID) werden voll unterstützt; Tagalog und Malaiisch sind ebenfalls über V2 verfügbar.

Die Genauigkeit von Whisper sinkt bei tonalen Sprachen mit weniger Trainingsdaten merklich. Thailändisch liegt bei 18-26 % WER und Vietnamesisch bei 15-22 % WER, was sowohl die tonale Komplexität als auch das geringere Trainingsdatenvolumen im Vergleich zu Mandarin oder Japanisch widerspiegelt. Diese Zahlen sind für viele Arbeitsabläufe brauchbar, aber der Abstand zum Englischen ist real.

AssemblyAI's Universal-Modell (in der Dokumentation bestätigt: Japanisch, Koreanisch, Mandarin, Hindi, Thailändisch, Vietnamesisch, Indonesisch werden alle unterstützt) kostet $0,15/Std. für Universal-2 und $0,21/Std. für Universal-3.5 Pro. Der Vorteil ist, dass Sie Sprecher-Diarisierung, Sentiment und Themen über denselben API-Aufruf erhalten; der Nachteil ist, dass die sprachspezifische Genauigkeit für die südostasiatischen Sprachen nicht öffentlich speziell benchmarkt wurde.

Sprachspezifische Kurzübersicht

CER-Werte stammen aus VexaScribe-Benchmarks (verifiziert Juni 2026). WER-Werte aus derselben Quelle. „Nicht veröffentlicht" bedeutet, dass zum Zeitpunkt dieses Schreibens kein unabhängiger Benchmark gefunden wurde.

Was bei Code-Switching tatsächlich funktioniert

Code-Switching ist in vielen asiatischen Gesprächen die Norm: Hinglish (Hindi-Englisch), Singlish (singapurisches Englisch mit Malaiisch und Mandarin), Taglish (Tagalog-Englisch) und Manglish (malaysisches Englisch mit Malaiisch) beinhalten alle Sprachwechsel mitten im Satz.

Die Tools, die Code-Switching ohne manuelle Konfiguration bewältigen:

• OpenAI Whisper: Legen Sie die dominante Sprache fest; das Modell übernimmt Sprachwechsel automatisch, ohne dass beide Sprachcodes angegeben werden müssen. Dies ist der zuverlässigste Ansatz für Hinglish und Taglish.
• Google Cloud STT v2: Bietet explizite Konfigurationsoptionen für Code-Switching in der API, nützlich, wenn Sie die beiden Sprachen im Voraus kennen.
• AssemblyAI Universal: Die automatische Spracherkennung deckt Code-Switching-Inhalte bis zu einem gewissen Grad ab.

Die Werkzeuge, die Probleme bereiten: Engines, die eine strikte Einzelsprachenangabe verlangen und diese über Konfidenzfilter durchsetzen, halluzinieren oder lassen gewechselte Segmente weg.

Praktischer Workflow für asiatische Sprachtranskription

1. Identifizieren Sie Ihre Sprache und prüfen Sie die obige Tabelle, um realistische Genauigkeitserwartungen zu setzen, bevor Sie sich für ein Tool oder einen Workflow entscheiden.
2. Für Mandarin: Alibaba Cloud Model Studio oder OpenAI Whisper; für Japanisch/Koreanisch: OpenAI Whisper; für indische Sprachen: Azure Speech; für Südostasien: Google Cloud STT Chirp.
3. Überprüfen Sie nach der Transkription zuerst Eigennamen, Markennamen und Ortsnamen. Diese sind in jeder asiatischen Sprach-Engine die Fehlerkategorie mit der höchsten Fehlerquote, unabhängig von der gesamten CER.
4. Bei Code-Switching-Inhalten lassen Sie das Modell automatisch erkennen, anstatt Dateien zu teilen. Das Teilen erzeugt oft Grenzfehler, bei denen ein Abschnitt mitten im Wort endet.
5. Für veröffentlichte Inhalte sollte ein Muttersprachler einen letzten Durchgang machen. KI bringt Sie den größten Teil des Weges; der menschliche Durchgang schließt die Lücke zur Veröffentlichungsqualität.

Siehe auch den Leitfaden Sprecher-Diarisierung erklärt, wenn Sie in diesen Sprachen eine Trennung mehrerer Sprecher benötigen. Diarisierung ist eine unabhängige Fähigkeit von der Sprachunterstützung und variiert je nach Tool.

APIs versus Endbenutzer-Tools für asiatische Sprachen

Für Entwickler, die Produkte bauen, geht es um die Wahl zwischen OpenAI Whisper ($0,003-0,006/Minute), Google Cloud STT Chirp ($0,004-0,016/Minute, je nach Batch oder Echtzeit), AssemblyAI Universal ($0,15/Stunde) und Azure Speech ($0,18-1,00/Stunde, je nach Modus). Die vollständige Aufschlüsselung für Entwickler finden Sie im Vergleich der Speech-to-Text-API-Preise.

Für Endnutzer, die Dateien transkribieren möchten, ohne selbst etwas zu bauen, sind die Hauptoptionen: Tools mit einer Weboberfläche, die diese Sprachen standardmäßig unterstützen. Wenn Sie eine Datei ohne Kontoerstellung durchlaufen lassen möchten, unterstützt ConvertAudioToText gängige asiatische Sprachen mit sofortigem Upload. Der kostenlose Tarif bietet 10 Transkriptionsminuten, die einmalig bei der Anmeldung gewährt werden, nicht monatlich; der Pro-Plan kostet $9,99/Monat für unbegrenzte Transkription.

Tools, die Sie für asiatische Sprachen überspringen sollten

Mehrere ansonsten leistungsfähige Tools haben schwache Unterstützung für asiatische Sprachen, was sie für diesen Anwendungsfall zur falschen Wahl macht.

• Otter, Rev, Trint: Englisch-zentrierte Tools. Ihre Unterstützung für asiatische Sprachen existiert, ist aber laut Herstellerdokumentation kein primärer Fokus; die Genauigkeit ist generell schwächer als bei Whisper-basierten Alternativen.
• Deepgram Nova-3: stark für Englisch und europäische Sprachen; laut öffentlicher Dokumentation von Deepgram ist die Abdeckung asiatischer Sprachen im Vergleich zu den oben genannten Optionen begrenzt. Den API-Vergleich finden Sie unter Deepgram vs. AWS Transcribe.
• AWS Transcribe: unterstützt eine begrenzte Anzahl asiatischer Sprachen; Community-Benchmarks setzen die Genauigkeit für die meisten asiatischen Sprachen unter die von Whisper-basierten Tools, obwohl AWS keine CER-Vergleiche veröffentlicht hat.

Für parallelen Kontext zu einer anderen Sprachfamilie behandelt der Beitrag beste Transkription für afrikanische Sprachen dieselben Engine-gegen-Sprache-Abwägungen für eine andere Gruppe unterversorgter Sprachen.

FAQ

Welche Transkriptions-Engine funktioniert am besten für Mandarin-Chinesisch?

SenseVoice (Alibaba FunAudioLLMs offenes Modell, verfügbar über Alibaba Cloud Model Studio) erreicht 10,78 % CER bei Mandarin gegenüber 12,55 % CER bei Whisper Large-v3 und verarbeitet Audio 52 bis 118 Mal schneller als in Echtzeit. Für Entwickler außerhalb Chinas sind OpenAI Whisper oder Google Cloud STT Chirp solide Alternativen mit unkompliziertem API-Zugang.

Verarbeitet Whisper asiatische Sprachen gut?

Ja, die wichtigsten. Whisper Large-v3 erreicht 8 bis 12 % CER bei Japanisch und Koreanisch, 9 bis 14 % WER bei Hindi und 12,55 % CER bei Mandarin. CER (Character Error Rate) ist die richtige Metrik für CJK-Sprachen, da Wortgrenzen nicht durch Leerzeichen markiert werden, was WER irreführend macht. Die Leistung fällt bei Thailändisch (18 bis 26 % WER) und Vietnamesisch (15 bis 22 % WER) ab.

Was ist die günstigste API-Option für asiatische Transkription?

OpenAIs gpt-4o-mini-transcribe kostet $0,003 pro Minute (etwa $0,18 pro Stunde) und unterstützt die wichtigsten asiatischen Sprachen. Whisper-1 und gpt-4o-transcribe liegen bei $0,006 pro Minute. Google Cloud STT Chirp kostet $0,016 pro Minute für Echtzeit oder $0,004 pro Minute für Stapelverarbeitung (Lieferung innerhalb von 24 Stunden). AssemblyAI startet bei $0,15 pro Stunde für Universal-2, aber die effektiven Produktionskosten mit Diarisierung und anderen Zusatzfunktionen liegen in der Regel höher.

Warum schlägt meine Transkription bei code-switched Audio wie Hinglish oder Taglish fehl?

Die meisten Engines erwarten eine deklarierte Sprache und versagen, wenn Sprecher mitten im Satz wechseln. Whisper Large-v3 bewältigt Code-Switching automatisch, ohne dass beide Sprachcodes deklariert werden müssen; stellen Sie es auf die dominante Sprache ein, und es übernimmt den Rest. Google Cloud STT v2 bietet explizite Konfigurationsoptionen für Code-Switching. Wenn Ihr Tool eine einzelne Sprachdeklaration erfordert, funktioniert das Festlegen der dominanten Sprache und das Überlassen des Rests an das Modell besser als das Aufteilen von Audiodateien.

Sind Naver CLOVA Speech und iFlytek außerhalb Asiens zugänglich?

Beide bieten internationale APIs, aber der praktische Zugang unterscheidet sich. Naver CLOVA Speech ist über die NAVER Cloud Platform mit englischer Dokumentation verfügbar und unterstützt Koreanisch, Englisch, Japanisch und vereinfachtes Chinesisch. Die globale Plattform von iFlytek (global.xfyun.cn) listet APIs für über 15 Sprachen inklusive Englisch, aber die Preisgestaltung ist undurchsichtig und erfordert in der Regel ein Entwicklerkonto, um loszulegen. Für den Produktiveinsatz außerhalb von Korea oder China sind Whisper-basierte Tools oder Google Cloud STT unkomplizierter.

Quellen

• OpenAI-API-Preise (Whisper, gpt-4o-transcribe, gpt-4o-mini-transcribe-Tarife)
• Google Cloud Speech-to-Text V2 unterstützte Sprachen (Chirp-Sprachliste bestätigt)
• Google Cloud Speech-to-Text-Preise (0,016 $/Minute in Echtzeit, 0,004 $/Minute im Batch)
• AssemblyAI-Preise (Universal-2 0,15 $/Stunde, Universal-3.5 Pro 0,21 $/Stunde)
• AssemblyAI unterstützte Sprachen (Japanisch, Koreanisch, Mandarin, Hindi, Thailändisch, Vietnamesisch, Indonesisch bestätigt)
• SenseVoice GitHub (FunAudioLLM) (Modellbeschreibung, Trainingsdaten)
• SenseVoice vs. Whisper CJK-Benchmark (CER-Werte, Geschwindigkeitsvergleiche verifiziert im Juni 2026)
• Whisper-Genauigkeit nach Sprache (CER/WER-Werte nach Sprachstufe)
• Alibaba Cloud Model Studio ASR (Fun-ASR 1.5 API)
• Naver CLOVA Speech Übersicht (Koreanisch/Englisch/Japanisch/Vereinfachtes Chinesisch bestätigt)
• Azure Speech-Preise (1 $/Stunde in Echtzeit, 0,18 $/Stunde im Batch bestätigt)
• iFlytek Global Plattform (Sprachliste, Preismodell)