Leitfaden zur Thai-Transkription: Schrift, Töne und die ASR-Realität (2026)

Die Thai-Transkription funktioniert bei den meisten zentralthailändischen Aufnahmen auf modernen kommerziellen Engines gut. Was ein gut unterstütztes Tool liefert, ist korrektes Thai-Schriftbild mit intakten Tonzeichen. Dorthin zu gelangen erfordert das Verständnis von drei sprachspezifischen Eigenschaften, die keine andere große südostasiatische Sprache in dieser Kombination aufweist: eine Schrift ohne Leerzeichen, ein Fünf-Ton-System, das sowohl in expliziten Zeichen als auch in der Konsonantenklasse kodiert ist, und ein Register-System, bei dem Höflichkeitspartikel den Charakter jeder Äußerung verändern.

Die Thai-Schrift: Was die Engine bewältigen muss

Die Thai-Schrift (อักษรไทย) ist eine Abugida von links nach rechts mit 44 Konsonanten, 15 Grundvokalzeichen, vier Tonzeichen und ohne Leerzeichen zwischen Wörtern. Die Vokalzeichen werden über, unter, vor, hinter oder um den Konsonantenstamm gesetzt. Die Tonzeichen sitzen über dem Konsonantenstapel. Das unterscheidet sich in für ASR relevanten Punkten von lateinischen Alphabeten:

Ein Satz wie „Ich möchte Reis essen“ wird als „ผมอยากกินข้าว“ geschrieben – eine durchgehende Zeichenkette. Die Engine muss Unicode-thailändische Zeichen in der richtigen Reihenfolge ausgeben, mit korrekter Vokalposition und korrekten Tonzeichen. Ein Tool, das die Ausgabe romanisiert („phom yak gin khao“), erzeugt Text, der phonetisch suggestive Hinweise gibt, aber für thailändische Leser unbrauchbar ist. Natives Schriftbild ist die Mindestanforderung für jeden ernsthaften Thai-Workflow.

Konsonanten im Thailändischen gehören zu einer von drei Klassen (hoch, mittel, tief), und die Klasse bestimmt den Standardton einer Silbe, bevor ein explizites Tonzeichen angewendet wird. Explizite Tonzeichen (mai ek ่, mai tho ้, mai tri ๊, mai chattawa ๋) modifizieren den Ton innerhalb dieser Klassenregel zusätzlich. Dieses geschichtete System bedeutet, dass der Ton teilweise strukturell und teilweise explizit ist – anders als bei einer Tonsprache wie Mandarin, wo Tonzeichen immer Diakritika auf Vokalen sind.

Das Fünf-Ton-System und ASR

Das Thailändische hat fünf Töne: mittel, tief, fallend, hoch, steigend. Der Ton einer Silbe ist nicht bloß ein Diakritikum; er ergibt sich aus dem Zusammenspiel von Konsonantenklasse, Vokallänge, Silbenstruktur und gegebenenfalls einem expliziten Tonzeichen. Die Wörter „ข้าว“ (khâo, Reis) und „เข้า“ (khâo, eintreten) klingen identisch; die Bedeutung ergibt sich aus dem umgebenden Kontext und der Zeichenkomposition.

Für ASR entsteht daraus ein Diskriminierungsproblem. Die Engine hört eine Tonhöhenkontur und muss sie der richtigen tontragenden Zeichensequenz zuordnen. In sauberem Studioaudio meistern moderne Engines das bei Standard-Zentral-Thai gut. Bei verrauschtem Audio, sich überschneidenden Sprechern oder informeller Sprache, in der Töne abgeschwächt sind, treten Fehler bei der Wahl der tontragenden Zeichen wahrscheinlicher auf.

Die gute Nachricht: Wenn kommerzielle Engines natives Thai-Schriftbild ausgeben, erscheinen die Tonzeichen für die ausgegebenen Zeichen korrekt. Die Frage ist, ob die Zeichen selbst stimmen – nicht, ob die Zeichen richtig angehängt wurden.

Wortsegmentierung: Das kumulative Problem

Das Fehlen von Leerzeichen zwischen Wörtern ist die strukturelle Herausforderung, die Thai schwieriger nachzubearbeiten macht als jede Sprache mit Leerzeichentrennung. Ein ASR-System muss gleichzeitig Phoneme erkennen, sie thailändischen Zeichen zuordnen und entscheiden, wo Wortgrenzen liegen.

Fehler verstärken sich in zwei Richtungen. Hört die Engine eine Silbe falsch, wählt sie möglicherweise eine Zeichensequenz, die verändert, wo ein gültiges Wort endet. Ist die Segmentierung falsch, arbeiten nachgelagerte Tools (Rechtschreibprüfung, Keyword-Extraktion, Suchindizierung) mit fehlerhaften Token-Einheiten.

Standard-Thai nutzt durchaus Leerzeichen, aber sie markieren Phrasengrenzen, keine Wortgrenzen. Innerhalb einer Phrase laufen Wörter ineinander. Lesende verlassen sich auf Kontext und lexikalisches Wissen, um korrekt zu parsen. Engines bilden diesen Prozess mit einer Kombination aus akustischer Modellierung und Sprachmodell-Priors nach, die auf großen Thai-Korpora trainiert wurden.

Zum Lesen und Veröffentlichen erhalten Sie eine Ausgabe, die wie normaler thailändischer Text aussieht – die Konvention ohne Leerzeichen entspricht der Erwartung thailändischer Leserschaft. Für NLP-Nachbearbeitungsaufgaben (Suchindizierung, Sentiment-Analyse, Sprachverarbeitungspipelines) benötigen Sie explizite Wortgrenzenmarker, was ein separates Thai-Wortsegmentierungstool wie PyThaiNLP erfordert, das auf die Transkriptausgabe angewendet wird.

Register und Höflichkeitspartikel

Das Thailändische hat ein formelles Register-System, das teilweise über satzfinalen Höflichkeitspartikeln ausgedrückt wird. Männer verwenden ครับ (khráp) am Satzende; Frauen verwenden ค่ะ (khâ, fallender Ton) in Aussagen und คะ (khá, hoher Ton) in Fragen. Wer diese Partikel weglässt, verschiebt die Rede je nach Kontext ins lässige oder sogar unhöfliche Register. Formelle und öffentlich gerichtete Thai-Inhalte enthalten sie fast immer.

Für die Transkription sind diese Partikel wichtig, weil sie häufig auftreten – in höflicher Sprache oft mehrmals pro Minute – und eigene Tonunterscheidungen tragen. ค่ะ und คะ unterscheiden sich nur durch Ton und Kontext; die falsche ist ein Registerfehler. Engines, die auf formellen Thai-Korpora trainiert wurden, beherrschen sie gut. Engines mit dünneren Thai-Trainingsdaten können sie verwechseln oder auslassen.

Technisches und geschäftliches Thai enthält zudem große Mengen englischer Lehnwörter, die phonologisch an die thailändische Aussprache angepasst sind. „Schedule“ wird zu einer Anpassung an die Thai-Phonologie; Markennamen erscheinen in thailändischen Zeichen oder bleiben Englisch, je nach Sprecher. Moderne Engines gehen mit Code-Switching im Allgemeinen ordentlich um: Thai-Wörter kommen in Thai-Schrift zurück, englische Einschiebsel auf Englisch. Prüfen Sie das an Ihrem konkreten Audio, bevor Sie sich auf einen Workflow festlegen.

Die Dialektrealität

Zentral-Thai (Bangkok-Standard, verwendet in Medien, Bildung und Regierung) ist die Variante, auf der die meisten Engines trainiert wurden und am besten abschneiden. Drei große regionale Varianten unterscheiden sich erheblich:

Nord-Thai (Lanna / Kammeuang): Wird manchmal als eigenständige Sprache eingestuft. Hat ein anderes Toninventar und einen eigenen Wortschatz. Trainingsdaten für Lanna-spezifische ASR sind begrenzt. Eine Anfang 2026 veröffentlichte Studie (MDPI Applied Sciences) entwickelte eigens ein Spracherkennungssystem für den nordthailändischen Dialekt, weil Allzweck-Engines, die auf Zentral-Thai trainiert wurden, daran schlecht abschneiden.

Nordost-Thai (Isan): Eng mit dem Laotischen verwandt. Benchmark-Ergebnisse von Typhoon ASR (einem auf Thai spezialisierten Modell) zeigen rund 10–11 % Zeichenfehlerrate bei Isan-Inhalten, selbst mit einem dedizierten Modell. Allgemeine westliche kommerzielle Engines dürften schlechter abschneiden. Die Isan-Lao-Ähnlichkeit bedeutet auch, dass die automatische Spracherkennung Isan-Aufnahmen als Laotisch einstufen kann.

Süd-Thai (Pak Tai): Abweichende Tonkonturen gegenüber Zentral-Thai. Die kleinere Sprecherpopulation bedeutet weniger Trainingsdaten in den meisten Modellen.

Bei regionalen Dialektinhalten lautet die ehrliche Ausgangslage: Zentral-Thai, gut. Regionale Varianten, unterschiedlich – testen Sie mit einer kurzen Stichprobe, bevor Sie sich auf einen Workflow festlegen. Das ist kein Trainingsdatenknappheitsproblem im Ausmaß ressourcenarmer afrikanischer Sprachen (diesen Vergleich finden Sie unter Warum KI bei ressourcenarmen Sprachen scheitert), sondern ein Dialektdivergenzproblem mit einer unterrepräsentierten Mehrheit.

Wie große Engines Thai 2026 handhaben

Die folgende Tabelle spiegelt geprüfte aktuelle Informationen aus Herstellerdokumentationen und unabhängigen Benchmarks wider. Genauigkeitsprozente pro Tool für Ihr konkretes Audio sind nicht aufgeführt, weil kein einzelner Benchmark alle Variationen abdeckt (Audioqualität, Dialekt, Domäne, Sprecherzahl), die die tatsächliche Genauigkeit bestimmen.

Ein paar Anmerkungen dazu, was die Tabelle zeigt:

Otter unterstützt kein Thai. Hängt ein Workflow von Otter ab, benötigt Thai-Inhalt ein separates Tool.

iApp Technology ist ein auf Thai spezialisierter Anbieter mit einem veröffentlichten Genauigkeitsbenchmark auf einem Standard-Datensatz. Sein credit-basiertes Preismodell (1 IC/Minute Basis, 2 IC/Minute Pro; grob 53–107 THB pro Stunde zu Mengenpreisen, plus 7 % MwSt.) ist das relevante Modell für professionelle Thai-Nutzung mit hohem Volumen in Thailand. Neue Konten erhalten 60 Gratis-Credits.

Deepgrams Nova-3-Erweiterung auf Thai ist ihre jüngste Verbesserung; angegeben wird eine 69-prozentige relative WER-Reduktion gegenüber Nova-2 im Streaming-Modus. Streaming ist der anspruchsvollere Benchmark, also ist die Verbesserung real, selbst wenn der absolute Ausgangspunkt hoch war.

Basis-Whisper large-v3 wurde unabhängig mit 18–26 % CER für Thai benchmarked, was eine deutliche Verschlechterung gegenüber Englisch ist. Feinabgestimmte Thai-Whisper-Varianten (wie Typhoon Whisper large-v3) erreichen mit sauberer Datenkuratierung 4–6 % CER auf Standard-Benchmarks, aber Sie brauchen ein feinabgestimmtes Modell, nicht das Basismodell.

Einen breiteren Vergleich der Engines beim Preis finden Sie im Speech-to-Text-API-Preisvergleich.

Praktische Workflows für Thai-Inhalte

Sprache explizit setzen: Geben Sie immer Thai an (th oder th-TH, je nach API). Auto-Erkennung macht die Isan/Lao-Verwechslung wahrscheinlicher und fügt einen Verarbeitungsschritt mit eigener Fehlerrate hinzu.

Eigennamen-Kontext liefern, wo das Tool es erlaubt: Thailändische Personennamen, Bangkoker Bezirksnamen, Namen thailändischer Firmen und Provinznamen transkribieren die meisten Engines als Thai-Schrift. Unterstützt Ihre Plattform ein Glossar oder Keyword-Prompt, füttern Sie es mit den häufig vorkommenden Namen. Thailändische Namen in romanisiertem Kontext (z. B. in E-Mails, die Sie zitieren) brauchen eventuell einen Korrekturdurchlauf.

Bei technischem und wissenschaftlichem Thai: Viele Begriffe sind englische Lehnwörter, die thailändische Sprecher mit thailändischer Phonologie aussprechen. Die Engine kann diese in thai-phonologisierter Thai-Schrift, auf Englisch oder inkonsistent zurückliefern. Ein Korrekturdurchlauf für Terminologie ist Standardpraxis.

Bei Interviews mit mehreren Thai-Sprechern: Die Genauigkeit der Speaker-Diarisierung ist bei formellem Thai mit zwei Sprechern auf kommerziellen Engines ordentlich. Lockeres Gespräch mit überschneidender Rede sowie Isan- oder Süd-Thai-Sprechern ist schwieriger. Nehmen Sie ggf. mit getrennten Mikrofonen auf, wenn Diarisierungsqualität zählt. Mehr zu Interview-Workflows finden Sie unter Wie man eine Interviewaufnahme transkribiert.

Für SRT-Untertitel: Thai-Unicode wird auf YouTube, Vimeo und den meisten modernen Videoplattformen korrekt gerendert. Exportieren Sie SRT aus Ihrem Transkriptionstool und laden Sie es direkt hoch. Der Untertitelgenerator verarbeitet Thai-Schrift in der Ausgabedatei. Der Zeilenumbruch erfolgt automatisch und folgt der thailändischen Phrasenstruktur.

Für Podcast-Show-Notes: Die KI-Zusammenfassungsausgabe für Thai variiert stark je nach Tool. Tools, die ihre Zusammenfassung auf einem Thai-Transkript erstellen, können thaisprachige Kapitelmarker und Pull-Quotes liefern, sofern ihr Zusammenfassungsmodell Thai unterstützt. Das lohnt sich gezielt zu testen, denn manche Tools, die Thai transkribieren, fassen ausschließlich auf Englisch zusammen. Für Podcast-spezifische Workflows siehe Beste Transkription für Podcasts.

Meine Einschätzung: Bei den meisten Produktionsarbeiten mit Thai-Inhalten liegt die Wahl zwischen einem auf Thai spezialisierten Anbieter (iApp für professionelles Thai mit hohem Volumen in Thailand, credit-basiertes Pricing, bekannte Benchmarks) und einer mehrsprachigen kommerziellen API (Deepgram Nova-3 oder AssemblyAI Universal-2, besser für mehrsprachige Workflows oder wenn Sie auch Englisch und andere Sprachen in derselben Pipeline brauchen). Basis-Whisper allein ist das falsche Werkzeug für produktive Thai-Transkription angesichts der 18–26-%-CER-Benchmarks.

Wenn Sie ein sauberes Thai-Transkript ohne API-Integration oder Meeting-Bot-Setup brauchen, verarbeitet ConvertAudioToText Thai-Audiodateien direkt mit nativer Schriftausgabe.

FAQ

Unterstützt Otter.ai die Thai-Transkription?

Nein. Otter transkribiert nur Englisch, Spanisch, Französisch, Deutsch, Japanisch und Chinesisch. Thailändisch wird in keinem Otter-Tarif unterstützt (Stand Mitte 2026).

Warum fehlen in der Thai-ASR-Ausgabe manchmal Wortgrenzen?

Thailändisch wird ohne Leerzeichen zwischen Wörtern geschrieben. ASR-Engines müssen zusätzlich zur Spracherkennung einen Wortsegmentierungsschritt anwenden. Fehler summieren sich: Ein falsch gehörter Laut verschiebt, wo der Tokenizer Grenzen setzt, und falsche Grenzen verändern die Wortbedeutung. Gut trainierte Engines beherrschen Standard-Thai gut; schwächer trainierte liefern durchgehende Zeichenketten, die manuelle Nachbearbeitung erfordern.

Bewahren KI-Engines die thailändischen Tonzeichen im Transkript?

Kommerzielle Engines, die natives Thai-Schriftbild ausgeben, erhalten Tonzeichen in der Regel, weil sie direkt Unicode-thailändische Zeichen erzeugen statt phonetischer Darstellungen. Das Risiko besteht darin, dass ein Tool stattdessen eine romanisierte Umschrift ausgibt – diese Darstellung verliert sämtliche Toninformationen und ist für thailändische Leser nicht brauchbar.

Wie genau ist die Thai-Transkription bei regionalen Dialekten wie Nord-Thai oder Isan?

Deutlich ungenauer als Zentral-Thai. Forschungsbenchmarks zeigen, dass Isan-ASR selbst mit spezialisierten Modellen rund 10–11 % Zeichenfehlerrate erreicht, und Nord-Thai (Lanna) hat nur einen begrenzten Trainingsdatenpool, weshalb die meisten Engines primär auf Zentral-Thai trainiert wurden. Rechnen Sie bei regionalen Varianten mit 5–15 Prozentpunkten geringerer Genauigkeit als bei Bangkok-Standard-Sprache.

Mit welchen Sprachen verwechseln KI-Transkriptions-Engines häufig Thailändisch?

Laotisch ist das häufigste Verwechslungsziel. Thai und Laotisch weisen erhebliche Schriftähnlichkeiten und phonologische Überschneidungen auf. Die Auto-Erkennung kann Nordost-Thai (Isan), das eng mit dem Laotischen verwandt ist, als laotisches Audio einstufen. Stellen Sie die Sprache für Thai-Inhalte immer explizit auf Thai ein, statt Auto-Erkennung zu nutzen.

Quellen

• Otter.ai Preise, Tarifdetails und unterstützte Sprachen, geprüft Juli 2026
• Notta Preise, Details zu kostenloser Stufe und Pro-Tarif
• iApp Technology Preise, Credit-Preisstufen
• iApp SpeechFlow, Genauigkeits-Benchmarks auf Common Voice 17
• AssemblyAI unterstützte Sprachen, Thai-Sprachstufen-Klassifikation
• Deepgram Nova-3 Asien-Pazifik-Erweiterung, Angaben zur Thai-Streaming-WER-Verbesserung
• Whisper-Genauigkeit nach Sprache (novascribe), Thai Tier-3-CER-Benchmarks
• Typhoon ASR (arxiv), Isan- und Dialekt-CER-Benchmarks
• MDPI Applied Sciences, Nord-Thai-Dialekt-ASR, Lanna-spezifische Forschung 2026