Falsch transkribierte Namen im Transkript korrigieren (Leitfaden 2026)

Namen, Marken und Ortsnamen scheitern in KI-Transkripten aus einem einzigen Grund: Das Modell kennt sie nicht und ersetzt sie durch das nächstliegende Wort, das es kennt. Ihr Kollege Sam wird zu „Sahm“. Ihre CEO Aoife wird zu „Eva“. Ihr Produkt Convo wird zu „Convoy“. Die Lösung läuft in zwei Stufen: eine Suchen-und-Ersetzen-Runde über ein vorhandenes Transkript und die Einrichtung eines benutzerdefinierten Vokabulars, das dieselben Fehler künftig verhindert.

Warum Eigennamen anders brechen als andere Wörter

KI-Transkriptionsmodelle lernen die Verteilung der Wörter, die in ihren Trainingsdaten vorkommen. Häufige Wörter und verbreitete Namen sind gut repräsentiert. Ungewöhnliche Namen, nicht-englische Vornamen, technische Produktnamen und erfundene Markennamen sind unterrepräsentiert oder fehlen ganz.

Hört das Modell einen unbekannten Namen, wählt es den nächstliegenden vertrauten Laut. „Aoife“ (ein irischer Name, ausgesprochen EE-fa) wird zu „Eva“. „Sahm“ wird zu „Sam“. „Convo“ wird zu „Convoy“. Das ist eine Eigenschaft der Funktionsweise von Sprachmodellen: Die Ausgabe ist immer ein Wort, das das Modell gelernt hat, nie ein ungesehener Token.

Zwei Dinge unterscheiden das von gewöhnlichen Transkriptionsfehlern:

• Die Ersetzung ist konsistent. Das Modell macht denselben Fehler jedes Mal, wenn es diesen Laut hört, sodass eine lange Aufnahme dieselbe falsche Schreibweise dutzendfach produziert.
• Der Fehler ist out-of-vocabulary (OOV). Das Modell kann die Ersetzung nicht durch Kontext allein verbessern, weil es keinerlei Repräsentation des richtigen Wortes besitzt.

Beide Eigenschaften bestimmen, wie Sie das Problem beheben.

Die schnelle Lösung: Suchen und Ersetzen

Für ein bereits vorliegendes Transkript löst Suchen-und-Ersetzen das Problem in unter fünf Minuten. Legen Sie beim Lesen der ersten paar hundert Wörter eine Liste an:

Sahm → Sam
Eva → Aoife
Convoy → Convo

Führen Sie jede Ersetzung aus. Ein paar praktische Warnungen:

• Achten Sie bei kurzen Namen, die innerhalb gebräuchlicher Wörter vorkommen, auf die Groß-/Kleinschreibung. Ersetzt man „sam“ ohne Unterscheidung der Groß-/Kleinschreibung, zerstört das „same“, „sample“ und „Samsung“.
• Prüfen Sie auf abweichende Schreibweisen, bevor Sie die Datei schließen. Das Modell kann denselben Namen in zwei verschiedenen Absätzen auf zwei verschiedene Arten geschrieben haben (siehe unten den Fall „inkonsistente Schreibweise“).

Bei wiederkehrenden Sitzungen mit denselben Personen pflegen Sie ein Ersetzungsskript, das Sie auf jedes neue Transkript anwenden:

substitutions = {
    "Sahm": "Sam",
    "Eva": "Aoife",
    "Convoy": "Convo",
}

def fix_names(transcript: str) -> str:
    for wrong, right in substitutions.items():
        transcript = transcript.replace(wrong, right)
    return transcript

Damit wird aus einer Aufgabe pro Transkript ein einmaliger Einrichtungsaufwand. Das Skript läuft in Sekunden auf Dateien beliebiger Länge.

Wenn Sie nur ein sauberes Transkript für diesen Durchlauf brauchen, ohne zuerst ein Konto anzulegen, beginnt ConvertAudioToText sofort mit der Transkription, ganz ohne Login, und exportiert als Klartext oder DOCX, damit Ihre Ersetzungen auf einem sauberen String laufen können.

Wann Suchen-und-Ersetzen nicht ausreicht

Drei konkrete Fälle sprengen den Suchen-und-Ersetzen-Ansatz:

Homophone im Kontext. Einen Kollegen namens Pat kann man nicht vom gewöhnlichen Wort „pat“ ersetzen, ohne jedes andere Vorkommen dieses Wortes im Transkript zu zerstören. Benutzerdefiniertes Vokabular bringt dem Modell bei, den Kontext zu lesen und „Pat“ als Namen statt als Handlung zu erkennen.

Inkonsistente Schreibweisen. Manche Namen verwirren Modelle so sehr, dass die Ausgabe je nach Absatz variiert. „Aoife“ kann in derselben Aufnahme als „Eva“, „Effie“ und „Eve“ auftauchen. Eine einzelne Ersetzungsregel verpasst zwei der drei Schreibweisen. Benutzerdefiniertes Vokabular verankert das Modell an einer konsistenten Ausgabe.

Token mit gemischter Groß-/Kleinschreibung und Alphanumerika. „Web3“, „iOS“, „gRPC“, „GPT-4o“. Suchen-und-Ersetzen funktioniert, erfordert aber mehrere Regeln, weil das Modell mehrere Varianten der Groß-/Kleinschreibung erzeugt. Benutzerdefiniertes Vokabular legt das erwartete Ausgabeformat bereits zur Inferenzzeit fest.

Für tiefer liegende Muster bei Genauigkeitsproblemen behandelt der Beitrag Transkriptionsgenauigkeit erklärt, wie die Word Error Rate berechnet wird und wo sich Fehler häufen.

Die dauerhafte Lösung: Benutzerdefiniertes Vokabular

Benutzerdefiniertes Vokabular ist präventiv statt reaktiv. Sie geben dem Modell eine Liste von Begriffen, die es erkennen soll, und diese Begriffe werden bei nachfolgenden Läufen korrekt transkribiert. Die Umsetzung variiert je nach Plattform:

Angaben laut Herstellerdokumentation, geprüft im Juli 2026.

Eine Anmerkung zu Whisper: Die OpenAI-Whisper-API akzeptiert einen initial_prompt-Parameter, der das Modell in Richtung des erwarteten Vokabulars lenkt, aber der Prompt ist auf 224 Tokens begrenzt, und die Whisper-Dokumentation selbst beschreibt diese Technik als „nicht besonders zuverlässig“. Wenn Eigennamen in Ihrer Arbeit ein wiederkehrendes Problem sind, dient Ihnen eine Plattform mit erstklassiger Unterstützung für benutzerdefiniertes Vokabular besser als das Prompt-Engineering von Whisper.

Meine Einschätzung: Für die meisten Einzelnutzer ist Deepgrams Keyterm-Prompting am einfachsten zu bedienen, weil keine vorerstellte Ressource nötig ist. Sie übergeben eine Liste von Begriffen zusammen mit Ihrer Audioanfrage, und das Modell integriert sie sofort. Für Teams, die hunderte Transkriptionen gegen dasselbe Domänen-Vokabular laufen lassen, hält der Ansatz mit benannten benutzerdefinierten Vokabulardateien bei AWS Transcribe die Liste zentralisiert und in allen Anfragen wiederverwendbar.

Was in eine gute Vokabularliste gehört

Effektive Listen teilen einige Merkmale:

• 20 bis 100 Einträge ist der praktische Bereich. Zu wenige, und Sie verpassen wiederkehrende Eigennamen; zu viele, und das Modell beginnt, gelistete Begriffe in Kontexte zu zwingen, in die sie nicht gehören.
• Spezifische Begriffe, keine generischen. „Convo“ ist ein guter Eintrag. „Company“ ist ein schlechter Eintrag, weil das Modell ihn bereits gut beherrscht.
• Das Ungewöhnliche aufnehmen, das Offensichtliche weglassen. Gästenamen, die gebräuchliche englische Wörter sind („Mark“, „Kate“), brauchen selten Vokabular-Unterstützung. Nicht-englische Vornamen, erfundene Markennamen und technische Abkürzungen schon.
• Aktualisieren, wenn sich Ihr Inhalt ändert. Ein Podcast, der ein neues Themengebiet abdeckt oder Gäste aus einem neuen Bereich einlädt, wird auf neue OOV-Begriffe stoßen. Ergänzen Sie sie vor der Aufnahme.

Anwendung auf konkrete Workflows

Podcast-Interviewsendungen

Ergänzen Sie den vollständigen Namen jedes Gastes und alle Personen, die er wahrscheinlich erwähnen wird (Kollegen, Referenzen, Mitgründer). Bei technischen Themen fügen Sie die Produktnamen, Firmennamen und den folgenspezifischen Fachjargon hinzu. Führen Sie Ihre Ersetzungsliste über das Rohtranskript aus, bevor Sie mit dem Bearbeiten beginnen. Der Beitrag Beste Transkription für Podcasts behandelt weitere Genauigkeitsaspekte bei aufgezeichnetem Audio.

Verkaufs- und Kundengespräche

Ergänzen Sie Ihre Produktnamen, die Namen Ihrer Kunden, die Namen der Wettbewerber, über die Sie sprechen, und die fachspezifischen Begriffe Ihres Bereichs. Diese Listen bleiben von Quartal zu Quartal ziemlich stabil. Für die Meeting-Transkription senken Sprecherlabels in Kombination mit korrekten Namen die Nachbearbeitungszeit erheblich. Speziell für das Transkribieren eines Zoom-Meetings gilt dieselbe Vokabularliste für jede Plattform, auf der Sie aufnehmen.

Forschungsinterviews

Ergänzen Sie alle Teilnehmernamen, ihre institutionellen Zugehörigkeiten und die Fachterminologie Ihres Forschungsbereichs. Bei Inhalten, die zitiert oder referenziert werden, haben Fehler bei Namen und Eigennamen ein höheres Gewicht als in flüchtigen Notizen.

Mehrsprachige Inhalte

Benutzerdefiniertes Vokabular hilft bei Namen, die ein Modell sonst phonetisch im Lautsystem der falschen Sprache transkribieren würde. Der Beitrag Mehrsprachiges Code-Switching korrigieren geht genauer auf dieses spezielle Fehlermuster ein.

Ein praktischer Aufbau-Workflow

Das Muster, auf das sich die meisten regelmäßigen Nutzer einpendeln:

1. Beginnen Sie mit einer leeren Ersetzungsliste und einer leeren Vokabularliste.
2. Durchsuchen Sie die ersten drei bis fünf Transkripte nach falsch transkribierten Namen und tragen Sie sie in beide Listen ein.
3. Nach diesem ersten Durchlauf sind die meisten wiederkehrenden Eigennamen abgedeckt.
4. Ergänzen Sie neue Namen, sobald neue Personen, Produkte oder Themen in Ihre Arbeit kommen.
5. Wenn Sie API-Zugang haben, verlagern Sie die Liste in die Funktion für benutzerdefiniertes Vokabular Ihres Tools, damit sie bereits zur Inferenzzeit greift statt erst als Nachbearbeitungsschritt.

Der Einrichtungsaufwand ist klein – unter einer Stunde für eine brauchbare erste Liste – und der Nutzen ist dauerhaft. Kombinieren Sie das mit der Korrektur von Fachjargon, falls Ihre Transkripte auch domänenspezifische Abkürzungen und Fachtermini enthalten.

FAQ

Warum schreibt die KI-Transkription denselben Namen jedes Mal falsch?

Das Modell ersetzt den unbekannten Namen jedes Mal durch das nächstliegende Wort aus seiner Trainingsverteilung, wenn es diesen Laut hört. Das ist kein Zufall, sondern eine konsistente Ersetzung, weil das Modell ein phonetisch ähnliches Wort gelernt hat und das andere nicht. Benutzerdefiniertes Vokabular durchbricht diese Gewohnheit, indem es dem Modell sagt, welches Wort zu erwarten ist.

Funktioniert benutzerdefiniertes Vokabular mit allen Transkriptions-Engines?

Die meisten professionellen Tools und API-Angebote unterstützen irgendeine Form davon, aber die Umsetzung variiert. Deepgram Nova-3 und Flux unterstützen Keyterm-Prompting (bis zu 100 Begriffe pro Anfrage, Limit von 500 Tokens). AssemblyAI unterstützt keyterms_prompt für Batch-Verarbeitung (bis zu 1.000 Begriffe) sowie word_boost mit einstellbarer Intensität. Google Cloud Speech-to-Text akzeptiert bis zu 5.000 Phrasenhinweise pro Anfrage. AWS Transcribe verwendet benannte benutzerdefinierte Vokabulardateien (Tabellenformat, bis zu 50 KB). Otter Pro bietet 100 Namen plus 100 weitere Begriffe pro Nutzer. Die OpenAI-Whisper-API akzeptiert einen initial_prompt-Parameter mit bis zu 224 Tokens, beschreibt diese Technik in der eigenen Dokumentation jedoch als nicht besonders zuverlässig für Eigennamen.

Wann stößt Suchen-und-Ersetzen an seine Grenzen und ich brauche stattdessen benutzerdefiniertes Vokabular?

Drei Fälle. Erstens Homophone: Wenn eine Person namens Pat nicht allein anhand ihrer Position vom gewöhnlichen Wort „pat“ unterschieden werden kann, zerstört eine pauschale Ersetzung das gewöhnliche Wort. Zweitens inkonsistente Schreibweisen: Gibt das Modell für denselben Namen in derselben Datei „Eva“, „Effie“ und „Eve“ aus, brauchen Sie mehrere Ersetzungsregeln statt einer. Drittens Token mit gemischter Groß-/Kleinschreibung wie „gRPC“ oder „GPT-4o“: Suchen-und-Ersetzen ist hier fehleranfällig, weil das Modell mehrere Varianten der Groß-/Kleinschreibung erzeugt und Sie alle abfangen müssen.

Wie viele Begriffe sollte eine Liste mit benutzerdefiniertem Vokabular enthalten?

Die meisten Praktiker landen bei 20 bis 100 Einträgen. Zu wenige, und wiederkehrende Eigennamen rutschen durch; zu viele, und das Modell beginnt, gelistete Begriffe in Kontexte hineinzuphantasieren, in die sie nicht gehören. Nehmen Sie spezifische, ungewöhnliche Begriffe auf – Namen, auf die das Modell in allgemeinen Trainingsdaten selten stoßen würde. Lassen Sie gebräuchliche Wörter weg, die das Modell bereits gut beherrscht.

Quellen

• Deepgram-Dokumentation zu Keyterm-Prompting: https://developers.deepgram.com/docs/keyterm (geprüft im Juli 2026)
• AssemblyAI Streaming Keyterms Prompting: https://www.assemblyai.com/blog/streaming-keyterms-prompting (geprüft im Juli 2026)
• Otter.ai-Preisseite, benutzerdefiniertes Vokabular pro Tarif: https://otter.ai/pricing (geprüft im Juli 2026)
• Google Cloud Speech-to-Text Phrasenhinweise: https://cloud.google.com/speech-to-text/docs/speech-adaptation (geprüft im Juli 2026)
• AWS Transcribe benutzerdefinierte Vokabulare: https://docs.aws.amazon.com/transcribe/latest/dg/custom-vocabulary.html (geprüft im Juli 2026)
• Azure Custom Speech Übersicht: https://learn.microsoft.com/en-us/azure/ai-services/speech-service/custom-speech-overview (geprüft im Juli 2026)
• OpenAI Whisper Prompting-Leitfaden: https://developers.openai.com/cookbook/examples/whisper_prompting_guide (geprüft im Juli 2026)