Aufnahmequalität: Mikrofonabstand, Raum und Störgeräusche

Warum die Aufnahme vor dem Modell entscheidet

Jedes Erkennungsmodell arbeitet mit dem Signal, das es bekommt. Die Benchmarks, aus denen die Fehlerraten auf der Seite Wortfehlerrate stammen, verwenden saubere Aufnahmen: ein Sprecher, nahes Mikrofon, kaum Hall. Ein Rekorder auf dem Besprechungstisch, drei Meter von der Sprecherin entfernt, in einem Raum mit Glaswänden und laufender Klimaanlage, liefert ein anderes Signal. Wie viel schlechter die Erkennung dann wird, hat kein Hersteller des Vergleichs beziffert, und diese Seite erfindet keine Zahl. Sie beschreibt, was die Hersteller zu ihren Mikrofonen und Reichweiten sagen und was sich daraus ableiten lässt.

Mikrofonabstand: 10 bis 15 Zentimeter

Die einzige konkrete Abstandsempfehlung eines Herstellers stammt aus dem klassischen Diktat. Philips schreibt im Benutzerhandbuch des SpeechMike: „For best results, speak clearly and keep the microphone about 10 to 15 centimeters (4 to 6 inches) away from your mouth.“ Das ist die Nahbesprechung: Der direkte Schall der Stimme ist um ein Vielfaches stärker als der Raumanteil, Atemgeräusche bleiben erträglich, und das Mikrofon muss nicht verstärken, was es nicht verstärken soll.

Eine Norm oder Behördenempfehlung speziell zum Mikrofonabstand beim Diktieren wurde nicht gefunden. Die Philips-Angabe gilt für Handmikrofone, bei denen die Sprecherin das Gerät hält. Bei den KI-Rekordern, die auf dem Tisch liegen oder am Revers hängen, ist dieser Abstand nicht erreichbar; dort geht es um die Reichweite, und die nennen die Hersteller sehr unterschiedlich.

Mikrofonarten laut Hersteller

Die Hersteller der KI-Diktiergeräte nennen drei Mikrofontypen und ein Verfahren. Diese Seite beschreibt nur, was in den Herstellerangaben steht, und bewertet die Technik nicht; ob vier MEMS-Mikrofone besser aufnehmen als zwei, lässt sich aus der Zahl nicht ableiten.

• MEMS-Mikrofone (Micro-Electro-Mechanical Systems) sind winzige, auf Halbleiterbasis gefertigte Mikrofone, wie sie in Smartphones stecken. PLAUD, Comulytic, Notta, Mobvoi, kiolo und Vibe nennen zwei bis vier davon je Gerät.
• VPU, Knochenleitungs- oder Körperschallsensor (Voice Pickup Unit): ein Sensor, der nicht Luftschall, sondern Vibrationen aufnimmt. PLAUD nennt „1 VPU“, Notta ein „Knochenleitungsmikrofon“, kiolo einen „Körperschallsensor“, Vibe ein „bone-conduction microphone“, Pocket ein „Kontaktmikrofon“. Der Zweck ist bei allen derselbe: die Gegenseite eines Telefonats aufzunehmen, siehe unten.
• ECM (Electret Condenser Microphone): klassische Kondensatormikrofone mit dauerpolarisierter Membran. HiDock nennt für P1 und P1 mini „Studio-ECM“; beim P1 mini widersprechen sich Text (Mehrzahl) und Spezifikationstabelle (Einzahl).
• Beamforming ist kein Mikrofontyp, sondern ein Rechenverfahren, das die Signale mehrerer Mikrofone so verrechnet, dass Schall aus einer Richtung bevorzugt wird. kiolo, PLAUD One (Case), Philips SpeechMike Ambient und OM System DS-9100 nennen es.

Tabelle seitlich scrollen, um alle Spalten zu sehen

Wortlaut aus dem offenen Datensatz, Stand 13.10.2026. Die Zahl der Mikrofone ist keine Qualitätsaussage; kein Hersteller veröffentlicht Messwerte zu Frequenzgang, Rauschabstand oder Richtwirkung.

Reichweite: Was 3, 5, 10 und 15 Meter bedeuten

Mehrere Hersteller nennen eine Reichweite, bis zu der ihr Gerät Sprache aufnehmen soll. Die Werte liegen zwischen zwei und fünfzehn Metern und sind nicht vergleichbar, weil kein Hersteller die Bedingungen nennt: Raumgröße, Nachhallzeit, Lautstärke der Sprechenden, Störgeräuschpegel oder die Fehlerrate, die am Ende der Reichweite noch erreicht wird.

Tabelle seitlich scrollen, um alle Spalten zu sehen

Herstellerangaben, Abruf 13.10.2026. Für Comulytic, HiDock, Omi, Vibe Dot und die klassischen Diktiergeräte nennen die Hersteller keine Reichweite.

Eine Angabe ist aufschlussreich: PLAUD koppelt beim Note Pro die Reichweite an den Aufnahmemodus. Fünf Meter gelten im Enhance-Modus mit 30 Stunden Akku, drei Meter im Endurance-Modus mit 50 Stunden. Der Hersteller sagt damit selbst, dass Reichweite Rechenleistung kostet, vermutlich für Verstärkung und Signalverarbeitung. Für die Praxis heißt das: Wer die Akkulaufzeit maximiert, verkürzt den Abstand, aus dem Sprache noch brauchbar ankommt. Welche Geräte sich für Besprechungen eignen, ordnet die Kaufberatung ein.

Raumhall und Störgeräusche

Zwei Einflüsse verschlechtern jede Aufnahme, egal welches Mikrofon im Gerät sitzt. Raumhall entsteht, wenn Schall von Wänden, Decke, Tisch und Fenstern zurückgeworfen wird und zeitversetzt beim Mikrofon ankommt. Je weiter das Mikrofon vom Mund entfernt ist, desto größer wird der Anteil des reflektierten Schalls am Gesamtsignal; harte, glatte Flächen verstärken den Effekt, Teppich, Vorhänge und Menschen im Raum dämpfen ihn. Das erklärt, warum die Whisper-Fehlerrate auf Parlamentsreden (VoxPopuli, 11,2 Prozent) doppelt so hoch liegt wie auf vorgelesenen Sätzen im stillen Raum (FLEURS, 4,5 Prozent).

Störgeräusche sind alles, was nicht die Sprache ist: Klimaanlage, Straßenverkehr, Tastaturen, Geschirr, andere Gespräche. Für den Erkenner ist entscheidend, wie laut die Sprache im Verhältnis zum Störpegel ist. Ein Rekorder nahe an der Sprecherin gewinnt dieses Verhältnis, ein Rekorder in der Tischmitte verliert es. Zahlen dazu, etwa ab welchem Störpegel die Erkennung einbricht, veröffentlicht kein Hersteller des Vergleichs. Die praktischen Konsequenzen sind trotzdem klar:

• Das Gerät so nah wie möglich an die Person legen, deren Beitrag am wichtigsten ist, statt in die geometrische Tischmitte.
• Geräuschquellen vor der Aufnahme abstellen, soweit möglich: Lüfter, Projektor, Fenster zur Straße.
• Papier, Tassen und Tastaturen nicht direkt neben dem Rekorder bewegen; Körperschall über die Tischplatte erreicht das Mikrofon ungedämpft.
• Nacheinander sprechen lassen. Überlappende Sprache ist für die Erkennung und für die Sprechererkennung der schwerste Fall.

Telefonate: Aufnahme über Vibration statt Lautsprecher

Mehrere KI-Rekorder werben damit, beide Seiten eines Telefonats aufzunehmen, ohne dass der Lautsprecher des Telefons eingeschaltet werden muss. Das Prinzip beschreiben die Hersteller übereinstimmend: Das Gerät haftet magnetisch an der Rückseite des Smartphones, und ein Vibrations- oder Kontaktsensor nimmt die Schwingungen auf, die der Telefonlautsprecher am Ohr im Gehäuse erzeugt. Mobvoi formuliert es für den TicNote so: „a vibration sensor captures both sides of phone calls directly from your device“. kiolo beschreibt die Aufnahme „direkt über das Handy — ganz ohne Lautsprecher“, Pocket die Aufnahme „without a speaker“ über das Kontaktmikrofon, Notta einen Anrufmodus, der die Smartphone-Vibration erkennt.

PLAUD nennt für Note und Note Pro einen automatischen Wechsel zwischen Telefon- und Vor-Ort-Modus, den ein Lagesensor auslöst, benennt die technische Methode der Aufnahme aber nicht. Wie gut die Gegenseite über den Vibrationsweg verständlich ist, beziffert kein Hersteller. Ob und wann du ein Telefonat aufnehmen darfst, ist eine andere Frage; sie beantwortet die Seite Telefonate aufnehmen.

Messgrößen und Normen: Was es gibt und was nicht

Für die Beurteilung von Sprachqualität existiert ein etabliertes Verfahren: Die Empfehlung ITU-T P.800 „Methods for subjective determination of transmission quality“ (Ausgabe 08/1996, in Kraft) beschreibt Hörtests, aus denen ein Mean Opinion Score (MOS) auf einer Skala von 1 bis 5 hervorgeht. Mobvoi nennt für den TicNote einen MOS von 3,5 bis 4,2, ohne Testbedingungen, Hörergruppe oder Vergleichsmaterial anzugeben; das ist eine Herstellerangabe, kein nach P.800 dokumentierter Hörtest.

Für die Raumakustik professioneller Tonarbeitsplätze gibt es die Norm DIN 15996:2020-12 „Bild- und Tonbearbeitung in Film-, Video- und Rundfunkbetrieben“. Sie betrifft Studio- und Regieräume, nicht Besprechungszimmer oder Praxen; sie zeigt nur, dass sich Raumakustik normieren lässt, wo es darauf ankommt. Eine Norm für Diktiersituationen existiert nicht. Was bleibt, ist die Philips-Regel von 10 bis 15 Zentimetern für das Handmikrofon und für Rekorder auf dem Tisch der Grundsatz: so nah wie möglich, so ruhig wie möglich.