Wie funktioniert Spracherkennung? Vom Schall zum Transkript

Was ein KI-Diktiergerät technisch macht

Ein KI-Diktiergerät ist in erster Linie ein Aufnahmegerät mit Funkverbindung. Die eigentliche Intelligenz sitzt fast immer außerhalb: Das Gerät zeichnet auf, die App überträgt die Datei, ein Spracherkennungsmodell macht daraus Text, und ein zweites Modell, ein großes Sprachmodell, fasst diesen Text zusammen. Diese vier Schritte laufen bei den aktuellen Geräten des Vergleichs nacheinander ab und finden an unterschiedlichen Orten statt.

Tabelle seitlich scrollen, um alle Spalten zu sehen

ASR steht für Automatic Speech Recognition, LLM für Large Language Model. Wo welcher Schritt läuft, erklärt die Seite On-Device oder Cloud.

Die Hersteller der Geräte veröffentlichen fast nie, welches Erkennungsmodell im dritten Schritt arbeitet. PLAUD spricht von „multiple enterprise-grade models“, Comulytic nennt unter anderem Whisper, kiolo nennt gar keinen Anbieter. Deshalb erklärt diese Seite die Technik anhand des am besten dokumentierten Systems: OpenAI Whisper, veröffentlicht 2022 samt wissenschaftlichem Paper und Model Card, offen unter MIT-Lizenz und Grundlage mehrerer Apps aus dem App-Vergleich, etwa superwhisper, MacWhisper und noScribe.

Vom Schall zum Spektrogramm

Ein Spracherkenner liest keine Schallwelle direkt. Zuerst wird die Aufnahme auf eine einheitliche Abtastrate gebracht und in ein Bild der Frequenzen über die Zeit übersetzt, das sogenannte Spektrogramm. Das Whisper-Paper beschreibt den Schritt exakt: Alle Audiodaten werden auf 16.000 Hz umgerechnet, dann wird ein 80-Kanal-Log-Mel-Spektrogramm berechnet, und zwar auf Fenstern von 25 Millisekunden Länge, die alle 10 Millisekunden weiterrücken.

Die drei Zahlen sagen etwas über die Grenzen des Verfahrens. 16 kHz Abtastrate bedeutet, dass Frequenzen oberhalb von 8 kHz verworfen werden; für Sprache reicht das, hochauflösende Aufnahmen bringen dem Modell keinen Vorteil. Die Mel-Skala staucht hohe Frequenzen so, wie das menschliche Gehör es tut. Und 25 Millisekunden sind kürzer als ein Laut: Das Modell sieht Sprache als Abfolge sehr feiner Zeitscheiben, nicht als Wörter. Wörter entstehen erst im nächsten Schritt.

Encoder-Decoder-Transformer: Token für Token

Whisper nutzt einen Encoder-Decoder-Transformer, eine Architektur, die das Paper wählt, weil sie sich „zuverlässig skalieren“ lässt. Der Encoder verarbeitet das gesamte Spektrogramm eines Abschnitts und erzeugt eine interne Repräsentation. Der Decoder liest diese Repräsentation und schreibt den Text Stück für Stück, Token für Token. Ein Token ist ein Wortteil; jedes neue Token hängt vom Audio und von allen bereits geschriebenen Token ab.

Genau diese Abhängigkeit vom bisher Geschriebenen erklärt zwei Eigenschaften, die im Alltag auffallen. Erstens setzt das Modell Interpunktion und Groß- und Kleinschreibung von sich aus, weil es gelernt hat, wie geschriebener Text aussieht. Zweitens kann es Text fortsetzen, der im Audio gar nicht vorkommt, weil der Decoder auch ein Sprachmodell ist. Die Model Card nennt das ausdrücklich: Die Vorhersagen können Texte enthalten, „die im Audio tatsächlich nicht gesprochen wurden“, und die Sequence-to-Sequence-Architektur macht das Modell „anfällig für sich wiederholende Texte“. Was daraus folgt, steht auf der Seite zu Halluzinationen.

Training mit 680.000 Stunden

Whisper wurde laut Paper mit 680.000 Stunden mehrsprachigem Audio samt Transkripten trainiert. Die Model Card schlüsselt den Datenmix auf: 65 Prozent (438.000 Stunden) sind englisches Audio mit englischen Transkripten, rund 18 Prozent (126.000 Stunden) nicht-englisches Audio mit englischen Transkripten, also Übersetzungsdaten, und die letzten 17 Prozent (117.000 Stunden) nicht-englisches Audio mit Transkript in der jeweiligen Sprache. Diese 117.000 Stunden verteilen sich auf 98 Sprachen.

Tabelle seitlich scrollen, um alle Spalten zu sehen

Zahlen aus der Model Card (GitHub), Abruf 13.10.2026. Wie viele der 117.000 Stunden auf Deutsch entfallen, weist die Model Card nicht einzeln aus.

Das Wort „weak supervision“ im Titel des Papers meint: Die Transkripte stammen nicht aus einem kontrollierten Labor, sondern aus dem Internet, mit all ihren Unsauberkeiten. Der Vorteil ist die Menge; der Preis ist, dass das Modell auch Eigenheiten dieser Transkripte lernt, etwa typische Untertitel-Formulierungen. Für Deutsch bedeutet die Verteilung vor allem eines: Es ist eine der gut abgedeckten Sprachen, aber mit einem Bruchteil der englischen Datenmenge. Was das in Zahlen heißt, zeigt die Seite Deutsch, Dialekt, Fachsprache.

Skalengesetz: Mehr Daten, weniger Fehler

Das Paper untersucht, wie stark die Fehlerrate von der Datenmenge je Sprache abhängt, und findet eine deutliche Gesetzmäßigkeit: einen quadrierten Korrelationskoeffizienten von 0,83 zwischen dem Logarithmus der Wortfehlerrate und dem Logarithmus der Trainingsdaten je Sprache. Anschaulich formuliert: Die Wortfehlerrate halbiert sich für jede Verfünfzehnfachung der Daten, im Paper „WER halves for every 16× increase in training data“. Eine Sprache mit sechzehnmal weniger Material wird also ungefähr doppelt so oft falsch erkannt.

Neben der Datenmenge entscheidet die Modellgröße. Whisper gibt es in mehreren Größen, gemessen in Parametern, also lernbaren Gewichten. Je kleiner das Modell, desto weniger Rechenleistung braucht es, und desto schlechter versteht es Deutsch.

Tabelle seitlich scrollen, um alle Spalten zu sehen

Parameter laut Model Card; WER-Werte aus Appendix D.2 des Whisper-Papers (Table 11, Zero-Shot, nach Whisper-Normalisierer). Was die Wortfehlerrate misst, erklärt die Seite Wortfehlerrate (WER).

Für den Alltag heißt das: Eine Offline-App, die auf dem Smartphone läuft, muss ein kleines Modell verwenden und erkennt Deutsch messbar schlechter als derselbe Dienst in der Cloud mit dem großen Modell. Welche Apps lokale Modelle anbieten, listet die Seite Offline-Spracherkennung.

Der zweite Schritt: Sprachmodelle für die Zusammenfassung

Was ein KI-Diktiergerät von einem klassischen Rekorder mit Transkription unterscheidet, ist der vierte Schritt. Das fertige Transkript wird an ein großes Sprachmodell übergeben, das daraus eine Zusammenfassung, Aufgaben oder eine Gliederung erzeugt. Die Gerätehersteller nennen hier konkrete Anbieter: PLAUD spricht von GPT, Claude und Gemini, Comulytic von ChatGPT, Gemini, Whisper und Azure, soundcore von einer „GPT-gestützten“ Verarbeitung ohne Versionsangabe, HiDock von GPT, Claude und Gemini. Diese Modelle sehen das Audio nicht, nur den Text aus Schritt drei.

Daraus folgt eine Fehlerkette: Jeder Erkennungsfehler, jeder falsch verstandene Name, jede verdrehte Zahl steht im Transkript und wird vom Sprachmodell als wahr behandelt. Eine Zusammenfassung kann flüssig und plausibel klingen und trotzdem auf einem fehlerhaften Transkript beruhen. Sie ist eine Interpretation, kein Protokoll im rechtlichen Sinn. Wer Zusammenfassungen in Meeting-Protokolle oder Arztbriefe übernimmt, prüft deshalb das Transkript, nicht nur die Zusammenfassung.

Gerät oder App: Dieselbe Kette, anderer Ort

Die vier Schritte gelten für jedes Produkt des Vergleichs; was sich unterscheidet, ist der Ort, an dem Schritt drei und vier laufen. Ein KI-Diktiergerät übernimmt nur Schritt eins selbst und überlässt alles Weitere der Hersteller-Cloud. Eine Diktier-App auf Smartphone oder Rechner kann Schritt drei lokal ausführen, wenn der Anbieter ein Modell dafür mitliefert; superwhisper, MacWhisper, VoiceInk und noScribe tun das laut ihren Produktseiten mit Whisper- oder Parakeet-Modellen. Schritt vier bleibt auch bei diesen Apps meist in der Cloud, weil die Sprachmodelle für die Zusammenfassung noch größer sind als die Erkennungsmodelle.

Tabelle seitlich scrollen, um alle Spalten zu sehen

Nach Hersteller- und Anbieterangaben, Abruf 13.10.2026. Was für den Kauf daraus folgt, behandelt die Seite Gerät oder App?.

Der Unterschied ist auch einer der Nachprüfbarkeit. Bei einer App mit lokalem Whisper-Modell kannst du nachlesen, welche Modellgröße läuft, und die Fehlerraten aus dem Paper darauf beziehen. Bei einem Gerät, dessen Hersteller „enterprise-grade models“ nennt, kannst du das nicht. Beides kann im Alltag gute Transkripte liefern; nur das eine lässt sich mit veröffentlichten Zahlen einordnen.

Grenzen laut Model Card

OpenAI benennt die Grenzen des eigenen Modells in der Model Card selbst. Vier Punkte betreffen den Diktieralltag unmittelbar:

• Halluzination: Die Vorhersagen „may include texts that are not actually spoken in the audio input“.
• Wiederholungen: Die Architektur macht das Modell „prone to generating repetitive texts“.
• Ungleiche Sprachen: „Our models perform unevenly across languages“, mit geringerer Genauigkeit bei Sprachen mit wenig Trainingsmaterial.
• Akzente und Dialekte: „disparate performance on different accents and dialects of particular languages“, möglicherweise auch nach Geschlecht, Alter oder anderen demografischen Merkmalen der Sprechenden.

Diese Grenzen gelten für das Modell, das als Referenz der Branche dient. Ob und wie stark sie bei den proprietären Systemen der Gerätehersteller gelten, lässt sich von außen nicht sagen, weil diese Hersteller weder Paper noch Model Card veröffentlichen. Genauigkeitsversprechen wie „98 Prozent“ sind deshalb ohne Angabe von Testmaterial und Messmethode nicht nachprüfbar; die Seite zur Wortfehlerrate zeigt, was eine belastbare Angabe enthalten müsste.