Transkriptionsgenauigkeit erklärt: Was 99 % wirklich bedeutet

Transkriptionsgenauigkeit ist die Kennzahl, die jeder Anbieter bewirbt und fast keiner erklärt. Die Kurzfassung: „Genauigkeit“ bedeutet die Wortfehlerrate, umgerechnet in einen Prozentsatz. Der Benchmark, aus dem sie stammt, ist genauso wichtig wie die Zahl selbst, und die Datei, die du hochlädst, entspricht selten den Bedingungen, unter denen die Marketingaussage entstanden ist.

Was die Wortfehlerrate tatsächlich misst

Die Formel lautet:

WER = (Substitutionen + Löschungen + Einfügungen) / Gesamtzahl der Referenzwörter

Drei Fehlertypen zählen jeweils als ein Punkt:

• Substitution. „Er sagte ja“ wird transkribiert als „sie sagte ja“.
• Löschung. „Senden Sie den Bericht“ wird transkribiert als „senden Sie Bericht“.
• Einfügung. „Wir trafen uns“ wird transkribiert als „wir haben uns getroffen“.

Ein Referenztranskript mit 1.000 Wörtern und 50 Fehlern ergibt eine WER von 5 %, was auf der Produktseite zu „95 % Genauigkeit“ wird. Die Mathematik stimmt. Was die Zahl verschleiert, ist, dass die WER jedes Wort gleich behandelt: Das Weglassen von „nicht“ in „genehmigen Sie die Überweisung nicht“ kostet einen Punkt, genauso wie das Weglassen von „ähm“. Der Schaden für deinen Arbeitsablauf ist nicht gleich.

Die WER bestraft auch falschen Kontext nicht. Ein Modell, das konsequent „zwei“ als „zu“ transkribiert, zeigt bei den meisten Audiodateien fast keine WER-Strafe, aber es zerbricht jedes Skript, das Zahlen parst.

Wie sich Genauigkeitsbereiche in der Praxis anfühlen

Zahlen für sich allein sind leicht falsch zu interpretieren. Für ein einstündiges Interview (rund 9.000 Wörter):

Für die meisten Publishing-Workflows ist 95% die Untergrenze und 97%+ das, was man von einem guten KI-Tool bei sauberem Audio erwarten sollte. Liefert ein Tool bei deinen Dateien unter 90% ab, liegt das Problem fast immer am Audio-Input, nicht am Modell. Der Begleitartikel zu wie man die Transkriptionsgenauigkeit verbessert behandelt die konkreten Lösungen; der Artikel zum Umgang mit Hintergrundgeräuschen geht tiefer auf die Audio-Vorbereitung ein.

Warum Benchmark-Zahlen in die Irre führen

Anbieter wählen ihre Benchmarks selbst. Hier ist, was die gängigen tatsächlich testen:

LibriSpeech. Hörbücher, von Freiwilligen in ruhigen Räumen eingelesen. Modelle erreichen hier regelmäßig 97-99%. Whisper Large-v3 kommt auf etwa 2,7% WER beim sauberen Testset. Das ist das Best-Case-Szenario für jede Aufnahme.

TED-LIUM. Konferenzvorträge mit Akzenten und etwas Variation zwischen Sprechern. Schwieriger, aber immer noch einstudierte Rede. GPT-4o-transcribe erreicht hier rund 2,5% WER; AssemblyAI Universal-3 Pro liegt bei etwa 6,8% WER.

CallHome / Earnings-22 / AMI. Telefongespräche, Earnings Calls, Multi-Sprecher-Meetings. Whisper Large-v3 erzielt 26,4% WER bei CallHome und 15,9% WER bei AMI-Meeting-Audio. Das sind die Zahlen, die widerspiegeln, wie echtes Business-Audio tatsächlich aussieht.

Die Zahl auf der Landing Page stammt fast immer von LibriSpeech oder einem ähnlich sauberen Datensatz. Die Zahl, die man bei einem Zoom-Call bekommt, liegt näher an der CallHome- oder AMI-Zahl, manchmal schlechter.

Meine Einschätzung: Wenn ein Anbieter "99% Genauigkeit" angibt, ist die erste Frage: "Auf welchem Datensatz?" Wenn er das nicht beantworten kann, behandle die Zahl als Dekoration.

Unabhängige Drittanbieter-Benchmarks erzeugen regelmäßig höhere Fehlerraten als interne Anbieter-Benchmarks. Deepgrams interne Benchmarks setzen Nova-3 bei etwa 5-7% WER auf ihren kuratierten Testsets an; Drittanbieter-Benchmarks mit gemischtem Real-World-Audio bringen dasselbe Modell auf etwa 18% WER. Beides ist nicht falsch. Sie messen verschiedene Dinge.

Für eine detaillierte Aufschlüsselung, wie einzelne API-Anbieter im Vergleich abschneiden, sieh dir den Beitrag beste Speech-to-Text-APIs 2026 an.

Was deine WER wirklich beeinflusst

Die Modellwahl ist nur eine Variable. Diese Faktoren verschieben die Genauigkeit bei den meisten Dateien stärker:

Audioqualität

Eine saubere 16-kHz-Monoaufnahme, bei der der Sprecher nah an einem USB-Mikrofon sitzt, kann unter 3 % WER erreichen. Derselbe Sprecher über eine Freisprecheinrichtung in einem lauten Raum landet bei 15-25 % WER mit demselben Modell. Verifizierte Daten aus der Praxis bestätigen die Spanne: sauberes Studioaudio liegt bei 3-5 % WER für Top-Modelle; Raumaudio aus der Ferne bei 18-28 % WER.

Die konkreten Übeltäter: Hintergrundgeräusche über -40 dB relativ zur Sprache, starke MP3-Kompression (64 kbps kostet die Reibelaute, auf die Modelle angewiesen sind), Raumhall von harten Wänden und die Entfernung zum Mikrofon.

Akzent und Dialekt

Ein Modell, das hauptsächlich mit amerikanischem Englisch trainiert wurde, erreicht 96 % bei amerikanischem Englisch und eher 85 % bei stark akzentuierter Sprache. Whisper Large-v3 liegt bei akzentuiertem Englisch im Bereich von 8-15 % WER. Die Lücke hat sich mit mehrsprachigen Modellen verengt, aber sie ist nicht geschlossen.

Bei nicht-englischem Audio ist es wichtiger, einen Anbieter zu wählen, der deine Sprache nativ unterstützt, als das am besten bewertete englische Modell zu nehmen.

Fachvokabular

Allzweckmodelle scheitern an medizinischen, juristischen, wissenschaftlichen und nischenhaften technischen Begriffen. „Encephalitis“ kann als „in cephalitis“ zurückkommen. Markennamen und Eigennamen sind besonders fragil, weil sie in den Trainingsdaten selten vorkommen.

Drei praktische Lösungen: Vokabel-Boosting (die meisten APIs erlauben eine Begriffsliste), Custom-Modelle für stark frequentierte Fachbereiche oder eine gezielte Suchen-und-Ersetzen-Runde für bekannte wiederkehrende Begriffe.

Anzahl der Sprecher und Überlappung

Ein Monolog mit einer Person ist die einfachste Bedingung. Zwei Sprecher in einem strukturierten Interview sind machbar. Drei oder mehr Personen, besonders mit Überlappungen, vervielfachen die Fehler schnell. Diarisierungsfehler und Erkennungsfehler türmen sich aufeinander.

Für Meetings mit mehreren Sprechern sollten Sie selbst mit einem Top-Modell mit einer WER von 10-15% rechnen, es sei denn, das Audio ist sauber getrennt. Der Beitrag Sprecher-Diarisierung erklärt behandelt, wie Diarisierung mit der Genauigkeit zusammenspielt.

Dateilänge

Die meisten modernen Pipelines teilen Audio in 30-Sekunden-Fenster mit Überlappung auf, um lange Dateien zu verarbeiten. Insbesondere Whisper kann bei naivem Chunking an den Segmentgrenzen halluzinieren und dabei flüssig klingenden Text erzeugen, der nichts mit dem Audio zu tun hat. Forschung aus den Jahren 2024-2025 hat bestätigt, dass eine kleine Teilmenge der Decoder-Attention-Köpfe von Whisper für die meisten dieser Halluzinationen bei Nicht-Sprachsegmenten verantwortlich ist. Die praktische Lösung besteht darin, vor dem Chunking eine Spracherkennung (Voice Activity Detection) einzusetzen, um Stille zu entfernen.

Konfidenzwerte: Was sie Ihnen sagen und was nicht

Die meisten modernen Sprach-APIs geben einen Konfidenzwert pro Wort oder Segment zurück. Eine Konfidenz von 0,92 bedeutet, dass das Modell diesem Wort eine 92-prozentige Wahrscheinlichkeit für Korrektheit zuweist.

Konfidenz ist nützlich für:

• Markierung von Bereichen zur Überprüfung. Ein Redakteur kann direkt zu Wörtern mit niedriger Konfidenz springen, statt das gesamte Transkript zu lesen.
• Automatisierte Qualitätskontrolle. Segmente unterhalb eines Schwellenwerts ablehnen und mit einem anderen Modell oder menschlicher Überprüfung erneut ausführen.
• Schätzung der Bearbeitungszeit. Ein 90-minütiges Transkript mit 30 Wörtern niedriger Konfidenz wird schneller überprüft als eines, bei dem Fehler gleichmäßig verteilt sind.

Konfidenz ist nicht nützlich für:

• Beweis der Korrektheit. Ein Modell kann einem halluzinierten Wort hohe Konfidenz zuweisen. Whisper ist das am häufigsten zitierte Beispiel, da es bei stillem oder verrauschtem Input flüssig klingende Ausgaben mit hohen Konfidenzwerten erzeugt.
• Vergleich zwischen Modellen. Eine 0,90 von Deepgram und eine 0,90 von Whisper verwenden unterschiedliche interne Skalen. Es handelt sich nicht um dieselbe Zahl.

Nutzen Sie Konfidenz, um zu wissen, wo Sie hinschauen sollten, nicht als Ersatz für das Hinschauen selbst.

Menschliche Transkription als Referenzpunkt

Geschulte menschliche Transkriptionisten erreichen 98-99% bei sauberem Audio und 95-97% bei schwierigem Audio. Die Kluft zwischen KI und Mensch ist bei sauberem Audio inzwischen so gering, dass der Unterschied die Kosten für die meisten Anwendungsfälle selten rechtfertigt.

Die Kluft bei schwierigem Audio ist weiterhin spürbar. Gerichte, qualitative Forscher und medizinische Dokumentationsabläufe setzen bei Material, wo Fehler echte Konsequenzen haben, weiterhin auf menschliche Transkription.

Erwähnenswert: Zwei Menschen, die dieselbe Datei transkribieren, werden nicht identische Transkripte produzieren. Die Inter-Annotator-Übereinstimmung bei anspruchsvollem Audio liegt bei etwa 95%, was eine praktische Obergrenze für jedes System, ob KI oder Mensch, bei diesem Material setzt.

Eigene WER messen

Wenn Sie wissen möchten, welche Genauigkeit Sie bei Ihrem Audio tatsächlich erhalten:

1. Nehmen Sie eine 5-minütige Stichprobe Ihres typischen Audios, etwas, das für Ihre reale Arbeitslast repräsentativ ist.
2. Transkribieren Sie sie sorgfältig von Hand (das ist Ihr Referenztranskript).
3. Lassen Sie denselben Clip durch Ihr KI-Tool laufen (das ist Ihr Hypothesentranskript).
4. Berechnen Sie die WER mit der Python-Bibliothek jiwer oder dem NIST-sclite-Toolkit.

Fünf Minuten Ihres tatsächlichen Audios liefern Ihnen eine aussagekräftigere Zahl als jeder Anbieter-Benchmark. Der Vergleich, den Sie anstreben sollten, ist nicht die Marketingseite, sondern Ihre eigene Referenz gegen Ihr eigenes Audio.

Wenn Sie vor der Entscheidung für einen kostenpflichtigen Plan eine schnelle Prüfung wünschen, können Sie mit dem Audio-zu-Text-Tool bei ConvertAudioToText eine Stichprobe hochladen und die Ausgabe direkt inspizieren. Wenn Ihr spezifischer Audiotyp schlechte Ergebnisse liefert, sehen Sie das, bevor Sie zahlen.

Wenn WER nicht die richtige Frage ist

Drei Regeln für Anwendungsfälle:

• Wörtliche Veröffentlichung (Podcast-Shownotes, Pressezitate): Ziel sind 97 % oder mehr, plus ein Korrekturdurchgang von 15 bis 20 Minuten. Eine einzige falsche Zahl oder ein falscher Name in einem veröffentlichten Transkript ist genau die Art von Fehler, die auffällt.
• Suchindexierung oder Notizen: 90 bis 92 % sind oft völlig ausreichend. Fehler bei Füllwörtern und kleinen Abweichungen stören eine Suchanfrage nicht.
• Bestimmte Passagen schriftlich zitieren: Prüfen Sie das konkrete Zitat immer gegen die Audioaufnahme, egal wie hoch die Gesamtgenauigkeit ist. Die gesamte WER kann exzellent sein, während ein einzelner Satz falsch ist.

Die richtige Genauigkeitsschwelle bestimmt sich danach, wofür das Transkript verwendet wird, nicht danach, was in einem Produktvergleich beeindruckend klingt.

FAQ

Was ist die Wortfehlerrate (WER)?

Die WER ist die Standardmetrik zur Messung der Transkriptionsgenauigkeit. Sie wird berechnet als (Substitutionen + Löschungen + Einfügungen) geteilt durch die Gesamtzahl der Wörter im Referenztranskript. Eine WER von 5 % wird als 95 % Genauigkeit angegeben. Sie gewichtet alle drei Fehlertypen gleich: ein ersetztes Wort, ein weggelassenes Wort und ein zusätzliches Wort kosten jeweils einen Punkt, unabhängig davon, wie stark sie die Bedeutung verändern.

Warum behaupten Anbieter 99 % Genauigkeit, aber meine Dateien fallen schlechter aus?

Weil die Wahl des Benchmarks enorm viel ausmacht. Die meisten Anbieter zitieren Genauigkeitswerte von LibriSpeech, einem sauberen Hörbuch-Datensatz, bei dem selbst mittelmäßige Modelle 97 % oder mehr erreichen. Echte Audioaufnahmen, besonders Meetings, Telefonate oder Umgebungen mit Hintergrundgeräuschen, erzeugen deutlich höhere Fehlerraten. Gladia-Forscher haben dokumentiert, dass dasselbe Modell bei einem Benchmark 5 % WER meldet, in der Produktion mit vergleichbaren realen Audiodaten aber 25 % oder mehr. Die Benchmark-Zahl ist keine Lüge, aber sie ist nicht Ihre Zahl.

Wie fühlt sich 95 % Genauigkeit bei einer einstündigen Aufnahme tatsächlich an?

Ein einstündiges Interview umfasst etwa 9.000 Wörter. Bei 95 % Genauigkeit sind das 450 Fehler, also etwa 7 Fehler pro Minute. Der Text ist lesbar, aber Eigennamen und Fachbegriffe brechen oft, und Sie brauchen vor der Veröffentlichung einen 30 bis 45-minütigen Korrekturdurchgang. Bei 99 % Genauigkeit (90 Fehler) liest sich das Ganze fast wie ein sauberes menschliches Transkript und benötigt nur ein leichtes Stichprobenprüfen.

Kann ich Konfidenzwerten vertrauen, um Fehler zu finden?

Konfidenzwerte sind nützlich, um zu markieren, welche Wörter Sie prüfen sollten, aber sie sind kein Beweis für Korrektheit. Ein Modell kann einem halluzinierten Wort hohe Konfidenz zuweisen, besonders bei verrauschten oder stillen Segmenten. Whisper ist besonders dafür bekannt, auf Nicht-Sprach-Audio flüssig klingenden Text zu erzeugen. Außerdem ist eine 0,9-Konfidenz von einem Modell nicht dasselbe wie 0,9 von einem anderen: Die Skalen sind über Anbieter hinweg nicht kalibriert.

Wie messe ich meine tatsächliche WER?

Nehmen Sie eine 5-minütige Stichprobe Ihres typischen Audios, transkribieren Sie sie manuell, lassen Sie sie durch Ihr KI-Tool laufen und vergleichen Sie dann beide mit der Python-Bibliothek jiwer oder dem NIST-sclite-Toolkit. Beide berechnen WER aus einem Referenz- und einem Hypothesentranskript. Fünf Minuten Ihres tatsächlichen Audios liefern Ihnen eine brauchbarere Zahl als jeder Anbieter-Benchmark.

Quellen

• Word Error Rate ist kaputt: So bewertest du Speech-to-Text 2026 wirklich - AssemblyAI
• Wie genau ist Speech-to-Text 2026? - AssemblyAI
• Was ist WER bei Speech-to-Text? - Vatis Tech
• Was ist Word Error Rate (WER) und wie wird sie berechnet? - Gladia
• Wie genau ist Whisper 2026? (WER-Daten nach Sprache) - VexaScribe
• Bestes Open-Source-Speech-to-Text-Modell 2026 (mit Benchmarks) - Northflank
• jiwer - Python-WER-Rechner - PyPI
• KI vs. menschliche Transkriptionsgenauigkeit - Rev
• Calm-Whisper: Whisper-Halluzinationen reduzieren - Interspeech 2025