Warum Transkription Fehler macht: Die Fehlermodi erklärt

Die Kurzfassung

Fehler bei KI-Transkriptionen lassen sich in fünf klar voneinander abgrenzbare Kategorien einteilen, jede mit einer eigenen Ursache. Wenn man weiß, zu welcher Kategorie ein Fehler gehört, weiß man auch, wo man ansetzen muss. Zufällig wirkende Fehler sind meist gar nicht zufällig.

Akustische Fehler: Das Modell hat sich verhört

Die zugrunde liegende Ursache ist ein degradiertes Audiosignal. Wenn der Ton, der das Modell erreicht, mehrdeutig ist, rät das Modell, und manchmal rät es falsch.

Die häufigsten akustischen Übeltäter:

Schmalbandiges Telefonaudio. Standardtelefonie kodiert Sprache bei 8 kHz und schneidet damit den Großteil des Frequenzinhalts über 4 kHz ab. Ein Benchmark von 2025 mit echten Callcenter-Aufnahmen zeigte, dass selbst das beste System bei diesem Audio nur 87,7 % Genauigkeit erreichte, verglichen mit den 95-99 %, die bei Breitbandaufnahmen üblich sind. Die fehlenden hohen Frequenzen sind genau das, was bestimmte Reibelaute und Plosive voneinander unterscheidet.

Hintergrundgeräusche. Lärm maskiert das Sprachsignal und senkt das Signal-Rausch-Verhältnis. Was das Modell empfängt, ist eine Mischung aus Stimmen und Umgebung, keine saubere Stimme. Die technischen Optionen finden Sie unter Umgang mit Hintergrundgeräuschen bei der Transkription.

Distanz und Nachhall. Ein Mikrofon am anderen Ende des Raums nimmt einen verschmierten Nachhall des ursprünglichen Tons auf. Bis die Wellenform das Modell erreicht, sind die Kanten der Konsonanten verwischt und kurze Wörter verschwinden in den Raumreflexionen.

Mikrofonartefakte. Plosiv-Pops, Windgeräusche, Clipping und Aussetzer entfernen jeweils Informationen, die das Modell zur Unterscheidung von Phonemen benötigt. Eine geclippte Wellenform ist nicht wiederherstellbar; das Modell sieht eine flache Linie, wo ein Konsonant sein sollte.

Meine Einschätzung: akustische Fehler lassen sich fast immer an der Quelle beheben. Ein Richtmikrofon in nächster Nähe in einem ruhigen Raum bringt mehr Genauigkeit als der Wechsel des Transkriptionsanbieters.

Linguistische Fehler: Das Modell hat richtig gehört, aber falsch gewählt

Das Modell hat die Audiodaten korrekt empfangen, aber aus akustisch ähnlichen Optionen das falsche Wort ausgewählt. Das ist ein Versagen des Sprachmodells, nicht des Signals.

Homophone

"Their", "there" und "they're" klingen identisch. Das Modell nutzt den umgebenden Kontext, um eines auszuwählen, und bei kurzen Sätzen oder schnellen Sprecherwechseln ist dieser Kontext dünn. Das Gleiche gilt für "affect" versus "effect", "principal" versus "principle" und hunderte ähnlicher Paare. Die Auswahl ist probabilistisch, und das Modell liegt manchmal selbstbewusst falsch.

Wörter außerhalb des Wortschatzes (OOV)

Das ist einer der beständigsten Fehlermodi. Jedes Transkriptionsmodell hat einen trainierten Wortschatz. Wörter außerhalb dieses Wortschatzes, meist Eigennamen, Markennamen, ungewöhnliche Nachnamen und Fachbegriffe, werden als das nächstliegende Wort aus dem Wortschatz fehlerkannt. Das Modell kann nichts ausgeben, wofür es nie trainiert wurde.

Eine Firma namens "Atrion" wird zu "Adrian". Ein Medikamentenname wie "Dupixent" wird zu "duplex aunt". Der Name eines Gründers wird als das nächstliegende Alltagswort wiedergegeben. OOV-Fehler treffen genau dort, wo Genauigkeit am wichtigsten ist, denn Namen und Markenbegriffe tragen Bedeutung, die ein generischer Ersatz zerstört.

Praktische Abhilfe: sowohl Deepgram- als auch Whisper-basierte Systeme unterstützen Wortschatz-Biasing oder Initial-Prompts. Eine Liste erwarteter Eigennamen vor der Transkription einzugeben, reduziert OOV-Fehler erheblich.

Zahlen und Formate

„Drei fünfzig“, „dreihundertfünfzig“, „350“ und „3:50“ sind allesamt plausible Interpretationen derselben Äußerung, je nach Kontext. Das Modell wählt eine aus und trifft dabei oft die falsche Registerwahl. Technische Kontexte mit hoher Zahldichte, etwa juristische Dokumente, Finanzgespräche oder wissenschaftliche Vorträge, neigen zu einer höheren Fehlerquote bei Zahlen.

Fachvokabular

Medizinische, juristische, wissenschaftliche und technische Bereiche haben alle ihren eigenen Jargon, der in allgemeinen Trainingsdaten unterrepräsentiert ist. „Dysarthrie“ wird zu „dies Arthrie“. „Fiduciary“ kommt gelegentlich als „Feldtheorie“ zurück. Das Modell greift standardmäßig auf das gebräuchlichere Wort zurück, das eine ähnliche akustische Position einnimmt.

Mehr zur Funktionsweise, wie Modelle zwischen konkurrierenden Kandidaten wählen, finden Sie unter Transkriptionsgenauigkeit erklärt.

Sprecherfehler: Richtige Wörter, falsche Person

Die Diarisierung ordnet Wörter Sprechern zu. Wenn sie versagt, ist das Transkript korrekt, aber die Zuordnung falsch. Reale Fehlerraten bei der Diarisierung einkanaliger Audiodaten liegen laut einer 2025 veröffentlichten Studie zwischen 10 und 18 Prozent bei unsegmentiertem Audio.

Warum Stimmen verwechselt werden

Die Sprecherdiarisierung funktioniert, indem sie für jedes Sprechersegment eine Stimm-Embedding extrahiert und diese clustert. Zwei Sprecher mit ähnlicher Tonhöhe, Sprechgeschwindigkeit und Akzent liegen in diesem Embedding-Raum dicht beieinander, und der Clustering-Algorithmus weist Segmente falsch zu.

Kurze Wortbeiträge verschlimmern das Problem. Wenn jemand nur „genau“ oder „mhm“ sagt, bevor er das Wort wieder abgibt, hat das Modell kaum ein Signal, um die Sprecheridentität zu verankern. Diese Ein-Wort-Backchannels werden häufig falsch zugeordnet.

Übersprechen: Der schwierigste Fall

Wenn zwei Personen gleichzeitig in dasselbe Mikrofon sprechen, verschmelzen ihre akustischen Merkmale zu einer einzigen Wellenform, und der Diarisierungsalgorithmus kann sie mathematisch nicht trennen. Das Ergebnis ist entweder ein verlorener Sprecher oder ein Phantom-Sprecher, der in Wirklichkeit gar nicht existiert. Überlappungssensitive Diarisierungssysteme erkennen diese Bereiche explizit und markieren sie, was besser ist als stille Fehlzuordnung, aber der zugrunde liegende Inhalt bleibt trotzdem mehrdeutig.

Mehrkanalaufnahmen, ein Mikrofon pro Sprecher, lösen das sauber. Die Kanaltrennung liefert dem Modell ein Signal, das Einzelmikrofon-Diarisierung nicht reproduzieren kann.

Siehe Sprecherdiarisierung erklärt für eine ausführlichere Aufschlüsselung, wie das Clustering funktioniert.

Grenzfehler: Richtige Wörter, falsche Positionen

Wörter an den Rändern von Audiosegmenten sind durchweg die Position mit dem höchsten Fehlerrisiko. Zwei Mechanismen verursachen das.

Beschnitt durch Sprachaktivitätserkennung

Die meisten Transkriptionspipelines nutzen Sprachaktivitätserkennung (VAD), um Sprachregionen zu identifizieren und Stille zu überspringen. Aggressive VAD löst etwas zu früh oder zu spät aus und beschneidet den ersten Phonem einer Äußerung oder den letzten Konsonanten eines Satzes. Kurze Wörter wie „ja", „nein", „und" verschwinden komplett. Der Fehler ist unsichtbar, weil kein falsches Wort im Transkript steht; das richtige Wort fehlt einfach.

Chunk-Grenzartefakte in Whisper

Whisper verarbeitet lange Audiodateien in 30-Sekunden-Fenstern und verschiebt sich basierend auf vorhergesagten Zeitstempeln vorwärts. Wörter, die eine Chunk-Grenze überspannen, werden doppelt verarbeitet, einmal am Ende eines Fensters und einmal am Anfang des nächsten. Das Ergebnis ist Wortdopplung, Wortauslassung oder eine Nahtstelle, die zwei verschiedene Wörter verschmilzt. Das ist dokumentiertes Verhalten in Whisper's Transkriptionspipeline für lange Formate, kein Randfall.

Tools wie WhisperX fügen einen eigenen Ausrichtungsschritt hinzu, der die Wort-Zeitstempel nach der Dekodierung erneut am Audiosignal verankert. Das reduziert diese Grenzartefakte, beseitigt sie aber nicht vollständig.

Bei der Durchsicht eines Transkripts sind die Segmentgrenzen, etwa alle 30 Sekunden, die wahrscheinlichsten Stellen für diese Art von Fehler.

Halluzination: Wörter, die niemand gesagt hat

Das Modell erzeugte Text ohne entsprechendes Audio. Das unterscheidet sich qualitativ von den anderen Kategorien, weil es keine echte Eingabe gibt, die falsch interpretiert wurde; das Modell hat die Ausgabe aus dem Nichts erfunden.

Lange Stille und Nicht-Sprach-Audio

Es ist umfassend dokumentiert, dass Whisper während Stille, Hintergrundmusik oder Nicht-Sprach-Geräuschen Text generiert. Die konkreten Halluzinationen sind nicht zufällig: Da Whisper mit etwa 680.000 Stunden Web-Audio trainiert wurde, das große Mengen an YouTube-Inhalten enthielt, hat es gelernt, Stille am Ende einer Aufnahme mit Video-Outro-Phrasen zu assoziieren. Ausgaben wie „Danke fürs Zuschauen“ oder „Abonniert meinen Kanal“ in einem Transkript einer gerichtlichen Aussage sind Text, den Whisper aus YouTube-Outro-Skripten gelernt hat, nicht Text, den tatsächlich jemand gesprochen hat.

Wiederholungsschleifen

Ein separater und bekannter Fehlermodus ist die Wiederholungsschleife: Der Decoder bleibt hängen und generiert wiederholt dieselbe Phrase, bis etwas im Audio einen neuen Anker liefert. Die Forschung hat dieses Verhalten in 14 von 19 geprüften Sprachen dokumentiert. Das Muster ist visuell offensichtlich, eine Phrase, die fünf- oder zehnmal hintereinander wiederholt wird, und sollte als Signal behandelt werden, diesen Abschnitt zu kürzen.

Trainingsdaten-Leckage

Über YouTube-Phrasen hinaus wurde gezeigt, dass Whisper Phrasen produziert, die aus seinen Trainingsdaten zu stammen scheinen, nicht aus dem Eingabe-Audio. Diese sind automatisch schwer zu erkennen, weil sie grammatikalisch plausibel sind. Manuelle Stichproben von Transkripten aus stillen oder sehr leisen Audiobereichen sind der zuverlässigste Weg, sie zu finden.

Eine Abschwächung: VAD vor dem Modell, sodass das Modell die stillen Bereiche, die Halluzinationen auslösen, nie zu sehen bekommt. Die meisten gut konfigurierten Transkriptions-Pipelines machen das standardmäßig.

Wie sich die Kategorien kombinieren

Eine echte Aufnahme scheitert fast nie nur in einer einzigen Kategorie. Ein Podcast mit zwei Moderatoren, die sich gelegentlich gegenseitig ins Wort fallen, aufgenommen mit Laptop-Mikrofonen in einem Raum mit HLK-Geräusch, erzeugt akustische Fehler, Diarisierungsfehler während des Übersprechens, OOV-Fehler, wenn Gäste obskure Namen erwähnen, und Halluzinationen während der Stille vor der Episode. Das Fehlerprofil ist additiv.

Der effizienteste Diagnoseansatz: Nimm zehn Fehler aus deinem Transkript, klassifiziere jeden nach Kategorie und schau, welche Kategorie dominiert. Das zeigt dir, wo du den Korrekturaufwand investieren solltest.

Genauigkeitsspannen stammen aus AssemblyAIs 2026-Benchmark und Voicegains 2025-Callcenter-Studie. Einzelergebnisse variieren je nach Engine und Audio.

Wo es Lösungen gibt

Dieser Beitrag erklärt die Mechanismen. Für die praktischen Abschwächungen:

• Audioqualität und Mikrofonwahl: Mikrofontipps für klare Transkription und Audioqualität vor der Transkription verbessern
• Techniken zur Geräuschreduzierung: Umgang mit Hintergrundgeräuschen bei der Transkription
• Genauere Ergebnisse aus verrauschten Dateien erzielen: Transkription bei schlechter Audioqualität
• Warum die Genauigkeitswerte zwischen Diensten variieren: Transkriptionsgenauigkeit erklärt

Wenn Sie Ihre eigene Audiodatei testen möchten, bevor Sie Zeit in Korrekturen investieren, bietet ConvertAudioToTexts kostenloser Tarif Uploads von bis zu 10 Minuten ohne Konto. Das Ergebnis zeigt Ihnen, welche Fehlerkategorie bei Ihrer spezifischen Datei dominiert.

Häufig gestellte Fragen

Warum sagt meine Transkription „thanks for watching“, obwohl niemand das gesagt hat?

Das ist eine dokumentierte Whisper-Halluzination, die mit den Trainingsdaten zusammenhängt. Whisper wurde mit rund 680.000 Stunden Web-Audio trainiert, ein großer Teil davon stammte aus untertitelten YouTube-Videos. Das Modell verbindet Stille oder Nicht-Sprachgeräusche mit den typischen Enden von YouTube-Videos und generiert diese Phrasen als Ausgabe. Es transkribiert nichts Leises im Hintergrund, sondern erkennt Muster bei fehlender Sprache.

Warum sind Eigennamen in meinen Transkripten fast immer falsch?

Eigennamen, Nachnamen, Markennamen und ungewöhnliche Vornamen sind in allgemeinen Trainingsdaten unterrepräsentiert. Wenn das Modell auf einen Namen stößt, den es selten oder nie gesehen hat, ersetzt es ihn durch das nächstliegende Wort aus seinem Vokabular, das zum akustischen Muster passt. Das ist das Out-of-Vocabulary-Problem (OOV) und einer der konsistentesten Fehlermodi aller Transkriptions-Engines. Vokabular-Biasing oder ein anfänglicher Prompt mit erwarteten Namen ist die direkte Lösung.

Warum wird derselbe Sprecher manchmal als zwei verschiedene Personen gekennzeichnet?

Die Sprecher-Diarisierung funktioniert über das Clustering von Stimm-Embeddings. Kurze Äußerungen, einzelne Wörter oder Rückmeldelaute wie „mhm“ tragen nicht genug akustisches Signal, um eine Sprecheridentität zuverlässig zu verankern. Das Modell ordnet sie dem Cluster zu, der in dem Moment am nächsten liegt, was nicht unbedingt der richtige Sprecher sein muss. Das passiert besonders häufig bei schnellen Wortwechseln, wenn kurze Antworten rasch aufeinanderfolgen.

Kann KI-Transkription bei klar gesprochenem Audio überhaupt halluzinieren?

Ja, aber das ist selten. Der häufigere Fall ist eine Halluzination während Stille, Musik oder Nicht-Sprach-Geräuschen. Bei klar gesprochenem Audio sind die wahrscheinlichsten Fehler Substitutionen (falsches Wort gewählt) statt Insertionen (Wort erfunden). Echte Halluzination bei sauberer Sprache kommt vor, besonders bei Wiederholungsschleifen, wenn der Decoder hängen bleibt, aber das ist ein anderer Mechanismus als die durch Stille ausgelöste Art.

Kann ich irgendetwas gegen Transkriptionsfehler tun, die durch überlappende Sprecher entstehen?

Die effektivste Lösung ist die Aufnahme mit separaten Mikrofonen, eines pro Sprecher. Mehrkanaliges Audio eliminiert die Wellenform-Überlagerung, die Überlappungen für die Diarisierung unmöglich korrekt macht. Falls das nicht praktikabel ist, haben die meisten modernen Diarisierungssysteme einen Überlappungs-Erkennungsmodus, der die mehrdeutigen Abschnitte zumindest markiert, statt stillschweigend eine falsche Zuordnung zu treffen. Bearbeiten Sie diese markierten Abschnitte anschließend manuell nach.

Quellen

• AssemblyAI, „Wie genau ist Speech-to-Text im Jahr 2026?“ https://www.assemblyai.com/blog/how-accurate-speech-to-text
• Voicegain, „2025 Speech-to-Text Genauigkeits-Benchmark für 8 kHz Callcenter-Audiodateien“ https://www.voicegain.ai/post/2025-speech-to-text-accuracy-benchmark-for-8-khz-call-center-audio-files
• TechCrunch, „OpenAIs Whisper-Transkriptionstool hat laut Forschern Halluzinationsprobleme“ https://techcrunch.com/2024/10/26/openais-whisper-transcription-tool-has-hallucination-issues-researchers-say/
• Gladia, „KI-Modell-Biase: Was bei Whisper von OpenAI schiefgelaufen ist“ https://www.gladia.io/blog/ai-model-biases-what-went-wrong-with-whisper-by-openai
• AssemblyAI, „Was ist Sprecher-Diarisierung und wie funktioniert sie?“ https://www.assemblyai.com/blog/what-is-speaker-diarization-and-how-does-it-work
• arxiv.org, „Untersuchung von Whisper-ASR-Halluzinationen, die durch Nicht-Sprach-Audio ausgelöst werden“ https://arxiv.org/html/2501.11378v1
• Kerson AI Solutions, „Akzent-Bias in der Spracherkennung: Herausforderungen, Auswirkungen und Lösungen“ https://kerson.ai/research/accent-bias-in-speech-recognition-challenges-impacts-and-solutions/