How accurate is voice recognition

67,6 Prozent Trefferquote erreichte das beste von sieben getesteten automatischen Spracherkennungssystemen in einer typischen Interviewsituation auf Deutsch. Ein Mensch kam in derselben Untersuchung auf über 96 Prozent. Die Frage „How accurate is voice recognition?“ hat deshalb keine ehrliche Antwort, solange das Einsatzszenario fehlt.

Beim leisen Diktat mit nur einer sprechenden Person können Systeme deutlich besser arbeiten. Trotzdem lagen sie laut deutscher Auswertung automatischer Spracherkennung auch dort nur bei etwa 85 Prozent Trefferquote.

Für dich als Gründer, Freelancer oder Manager zählt also nicht der schönste Laborwert. Entscheidend ist, ob deine Stimme in einem echten Meeting, mit Fachbegriffen, regionaler Aussprache und wechselnder Lautstärke zuverlässig als Text ankommt.

Inhaltsverzeichnis

• Warum die Wahrheit über Spracherkennung komplizierter ist
  • Der Kontext entscheidet
  • WER als gemeinsame Sprache
• So misst du Genauigkeit wirklich
  • CER ergänzt die Wortmessung
  • Warum Benchmarks täuschen können
• Was deine Genauigkeit in der Praxis senkt
  • Dialekt ist kein Randfall
  • Geräusche und mehrere Stimmen
  • Fachbegriffe brauchen Kontext
  • Was du steuern kannst
• Drei Systeme im direkten Vergleich
  • Die Tabelle braucht einen Realitätscheck
• So holst du das Beste aus deinem Setup heraus
• Was die schönen Benchmarks verschweigen
  • Der gleiche Anspruch, völlig anderes Ergebnis
• Was das für deinen Arbeitsalltag bedeutet

Warum die Wahrheit über Spracherkennung komplizierter ist

Viele Anbieter nennen hohe Genauigkeitswerte. Diese Werte können korrekt sein und trotzdem an deinem Arbeitstag vorbeigehen. Ein sauber aufgenommenes Hochdeutsch in einem ruhigen Raum ist eine andere Aufgabe als ein spontaner Gedanke während eines Spaziergangs oder ein Meeting mit mehreren Stimmen.

Die deutsche Vergleichsstudie macht diese Lücke sichtbar. In einer typischen Interviewsituation lag das beste System bei 67,6 Prozent, während ein Mensch über 96 Prozent erreichte. In einem Diktat mit nur einer sprechenden Person kamen Systeme auf ungefähr 85 Prozent, also deutlich näher an den Alltag, aber weiterhin unter menschlichem Niveau.

Der Kontext entscheidet

Die gleiche Software kann bei einem klar gesprochenen Satz fast unsichtbar arbeiten und wenige Minuten später mehrere Korrekturen verlangen. Hintergrundgeräusche, Überschneidungen, Dialekt und Streaming verändern das Audiosignal, bevor das Modell überhaupt den Inhalt bewertet.

Historisch war dieser Fortschritt schrittweise. Im deutschen BMFT-Verbundprojekt ASL und im Nachfolgeprojekt VERBMOBIL liefen ab dem Winter 1992/1993 halbjährliche Erkennungstests zur signalnahen Spracherkennung. Um 1991 erkannte ein erstes System bis zu 30.000 deutsche Wörter, 1993 kam ein für den Massenmarkt entwickeltes System für rund 1.000 US-Dollar hinzu, wie der historische Forschungsbericht zur Spracherkennung in Deutschland dokumentiert.

Die richtige Frage lautet nicht: „Wie genau ist dieses Modell?“ Sie lautet: „Wie genau ist es mit meiner Stimme, meinem Mikrofon und meinem Arbeitsablauf?“

WER als gemeinsame Sprache

Um diese Frage sachlich zu beantworten, brauchst du die Wortfehlerrate, kurz WER. Sie zeigt, wie viele Wörter in einem Vergleichstext falsch erkannt, ausgelassen oder zusätzlich eingefügt wurden.

Ein einzelner Prozentwert reicht aber nicht. Du musst wissen, ob das Material aus einem Studio, einem Interview, einem Meeting oder einem spontanen Diktat stammt. Erst dann lässt sich ein Benchmark auf deinen Alltag übertragen.

So misst du Genauigkeit wirklich

Die Word Error Rate, kurz WER, ist die wichtigste Kennzahl für automatische Spracherkennung. Sie setzt erkannte Fehler ins Verhältnis zur Gesamtzahl der Wörter im Referenztext. Dabei zählen Ersetzungen, ausgelassene Wörter und zusätzlich eingefügte Wörter.

Ein WER von 5 Prozent bedeutet vereinfacht: In einem Text mit 100 Wörtern müssen ungefähr 5 Wörter korrigiert werden. Bei einem kurzen Satz fällt das kaum auf. Bei langen Diktaten oder vielen täglichen Texten summieren sich solche Stellen jedoch.

Die WER beantwortet trotzdem nicht jede praktische Frage. Ein falsch geschriebenes Fachwort kann wichtiger sein als eine fehlende Füllphrase. Außerdem kann ein Modell den Sinn eines Satzes erhalten, obwohl es nicht exakt dieselben Wörter verwendet.

CER ergänzt die Wortmessung

Die Character Error Rate, kurz CER, misst Fehler auf Zeichenebene. Sie hilft besonders bei kurzen Wörtern, ungewöhnlichen Schreibweisen oder stark abweichender Aussprache. Bei einem langen Fachbegriff kann ein einzelner Wortfehler in der WER grob wirken, während die CER genauer zeigt, wie viel vom Wort tatsächlich falsch ist.

Für einen fairen Vergleich solltest du deshalb mindestens diese Punkte prüfen:

• WER: Wie viele Wörter weichen vom Referenztext ab?

• CER: Wie viele einzelne Zeichen sind betroffen?

• Audioquelle: Wurde im Studio, im Büro, im Meeting oder unterwegs aufgenommen?

• Sprechsituation: Spricht eine Person klar oder reden mehrere Personen durcheinander?

• Ausgabeformat: Werden Satzzeichen, Eigennamen und Fachbegriffe sinnvoll verarbeitet?

Warum Benchmarks täuschen können

Benchmarks verwenden häufig vorbereitete Audiodateien. Die Sprecher sind gut verständlich, das Mikrofon ist passend positioniert und die Aufnahme enthält wenig Störung. Das ist sinnvoll, weil Modelle so vergleichbar werden. Es ist aber nicht automatisch dein Arbeitsalltag.

Ein deutschsprachiger Benchmark mit 26 Stunden Material und über 200.000 Wörtern meldete für voraufgezeichnetes Audio eine WER von 8,8 Prozent und im Streaming-Modus 12,4 Prozent. Die deutschen Benchmark-Ergebnisse von Deepgram weisen zugleich darauf hin, dass Mikrofon, Akustik, Dialekt, Hintergrundgeräusche und Echtzeitverarbeitung die Leistung stark beeinflussen.

Wenn du Testberichte liest, suche also nicht nur nach der kleinsten WER. Prüfe, ob die Aufnahmeart deinem Workflow ähnelt. Die Dokumentation zu Speech-to-Text kann dir dabei helfen, technische Angaben und praktische Anforderungen getrennt zu betrachten.

Was deine Genauigkeit in der Praxis senkt

Vier Faktoren bestimmen, wie viel Nacharbeit am Ende bleibt: regionale Aussprache, Akustik, Fachvokabular und das eingesetzte Modell. Manche kannst du direkt beeinflussen. Andere gehören zu deiner natürlichen Sprache und sollten von einem guten System möglichst sicher verarbeitet werden.

Dialekt ist kein Randfall

Viele Genauigkeitsangaben basieren auf Standarddeutsch. Das sagt wenig darüber aus, wie ein Modell mit regionalen Sprechweisen oder Mischformen umgeht. Eine aktuelle Dialektstudie zeigt den Unterschied beim selben Modell deutlich: Die WER stieg von 9 bei Standarddeutsch auf 31 bei dialektalem Deutsch. Die CER erhöhte sich von 3 auf 16, wie die Studie zu Dialekt-ASR im Deutschen zeigt.

Das ist keine kleine Abweichung. Ein Satz, der im Standarddeutschen fast ohne Korrektur erscheint, kann mit regionaler Aussprache deutlich mehr Nacharbeit erzeugen. Für deutschsprachige Teams ist das relevant, weil Menschen nicht jeden Gedanken in künstlichem Hochdeutsch formulieren.

Geräusche und mehrere Stimmen

Ein gutes Mikrofon kann viel bewirken, aber es löst nicht jede Situation. Tastaturklappern, Verkehr, Raumhall oder ein laufender Ventilator verändern das Signal. Noch schwieriger wird es, wenn mehrere Personen gleichzeitig sprechen.

Bei einem Meeting musst du zusätzlich unterscheiden, wer welchen Satz gesagt hat. Ein Modell kann einzelne Wörter erkennen und trotzdem die Sprecherzuordnung verfehlen. Streaming ist ebenfalls anspruchsvoller als eine aufbereitete Aufnahme, weil das System Entscheidungen in Echtzeit treffen muss.

Fachbegriffe brauchen Kontext

„Skaleneffekt“, Produktnamen, Eigennamen oder interne Abkürzungen kommen im allgemeinen Sprachgebrauch selten vor. Wenn ein Modell für solche Begriffe nicht genügend passende Trainingsdaten oder Kontext hat, ersetzt es sie gern durch ähnlich klingende Wörter.

Die deutsche Forschung ordnet verbleibende Fehler als Zusammenspiel akustischer, linguistischer und trainingsdatenbezogener Ursachen ein. Du kannst die Akustik verbessern. Auf die Trainingsbasis eines externen Modells hast du dagegen keinen direkten Einfluss.

Was du steuern kannst

Du kannst deine Aufnahmeumgebung, dein Mikrofon und deine Sprechweise anpassen. Deine regionale Aussprache musst du nicht verstecken. Für wichtige Texte lohnt sich ein klarer, natürlicher Rhythmus, bei Meetings helfen eindeutige Sprecherwechsel.

Praktische Regel: Teste nicht nur einen perfekten Beispielsatz. Nimm die Sätze auf, die du wirklich diktierst, inklusive Fachbegriffen, Eigennamen und deinem normalen Tempo.

Drei Systeme im direkten Vergleich

Ein Vergleich für Deutsch zeigt, wie stark die Modellwahl ins Gewicht fällt. In einer aktuellen Studie erreichte Whisper large-v2 eine WER von 5,0 Prozent, Speechmatics 8,0 Prozent. Über alle getesteten Systeme lag der Durchschnitt bei 15,3 Prozent, wie die ACM-Vergleichsstudie zu automatischer Spracherkennung berichtet.

Ein WER von 5,0 Prozent kann sich bei einem kurzen, klaren Diktat nahezu fehlerfrei anfühlen. 15,3 Prozent bedeuten dagegen, dass du beim Lesen regelmäßig Stellen prüfen und korrigieren musst. Der Unterschied ist nicht nur technisch. Er entscheidet darüber, ob Sprache deinen Schreibfluss unterstützt oder unterbricht.

Die Tabelle braucht einen Realitätscheck

Diese Werte vergleichen Systeme unter den Bedingungen der jeweiligen Studie. Sie sind keine Garantie für dein Büro, dein Headset oder deine Meetings. Schon der Wechsel von voraufgezeichnetem Audio zu Streaming kann die Fehlerrate erhöhen, wie die deutschen Benchmark-Daten mit 8,8 Prozent beziehungsweise 12,4 Prozent WER zeigen.

Wenn du die Geschwindigkeit von Sprache mit deinem eigenen Arbeitsablauf vergleichen möchtest, kannst du dir fluesta Speed ansehen. Die entscheidende Prüfung bleibt aber dein eigener Test mit realen Sätzen.

So holst du das Beste aus deinem Setup heraus

Die meisten Verbesserungen beginnen nicht beim Wechsel des Modells. Sie beginnen beim Signal, das du dem Modell gibst. Ein klares Audiosignal lässt der Erkennung mehr Spielraum, während schlechte Akustik Fehler wahrscheinlicher macht.

• Positioniere dein Mikrofon: Stelle ein einzelnes Mikrofon klar und stabil auf. Ein Headset im Wind oder ein Mikrofon weit weg vom Mund nimmt mehr Umgebung auf.

• Nutze ruhige Momente: Für wichtige E-Mails oder längere Texte lohnt sich ein ruhiger Raum. Spontane Notizen dürfen unterwegs entstehen, aber du solltest bei hoher Bedeutung nicht gleichzeitig gegen Verkehr und Raumhall diktieren.

• Sprich sauber, nicht künstlich: Du musst nicht jedes Wort überdeutlich aussprechen. Ein gleichmäßiger Rhythmus und kurze Pausen helfen mehr als hektisches Sprechen.

• Vermeide Crosstalk: Bitte in Meetings um klare Sprecherwechsel. Wenn Stimmen überlappen, kann selbst ein gutes Modell die Wörter und ihre Zuordnung schwer auseinanderhalten.

• Starte mit einem Testsatz: Sprich vor dem eigentlichen Diktat einen Satz mit einem Fachbegriff und einem Eigennamen. So merkst du sofort, ob Mikrofon und Raum richtig eingestellt sind.

Mit dem passenden Setup sind 150+ Wörter pro Minute möglich. Sprache kann dadurch deutlich schneller sein als Tippen, aber Geschwindigkeit darf nicht mit blindem Vertrauen verwechselt werden.

Datenschutz gehört ebenfalls zum Setup. Wenn ein Anbieter Audio langfristig speichert, kann ein vermeintlicher Qualitätsvorteil mit zusätzlichem Risiko verbunden sein. Bei weiteren fluesta-Themen solltest du deshalb nicht nur auf Erkennung, sondern auch auf den Umgang mit deinen Aufnahmen achten.

Was die schönen Benchmarks verschweigen

Die bekannten Werte von 95 bis 98 Prozent Genauigkeit beschreiben vor allem günstige Bedingungen. Sie können bei sauberem Hochdeutsch und guter Aufnahme sinnvoll sein, beantworten aber nicht, wie gut ein Modell spontane Erzählungen, Hintergrundgeräusche oder mehrere Sprecher verarbeitet.

Eine Studie zu deutschen Oral-History-Interviews schätzte die menschliche WER auf 8,7 Prozent. Das beste getestete Modell lag bei sauberem Material bei 15,6 Prozent WER und bei verrauschtem Material bei 23,9 Prozent, wie die Forschung zu deutschen Oral-History-Interviews zeigt.

Der gleiche Anspruch, völlig anderes Ergebnis

Eine Praxisanalyse macht die Spannweite noch greifbarer. Bei einem sauberen Zwei-Personen-Interview lag die WER bei 2,38 Prozent. In einem offenen Mehrsprecher-Setting mit Überlappungen stieg sie auf 27,08 Prozent, wie die Praxisanalyse zu deutschsprachigen Aufnahmen berichtet.

Das ist der Kern des Problems. „Das Tool hat eine bestimmte Genauigkeit“ klingt nach einer festen Eigenschaft. Tatsächlich entsteht die Genauigkeit aus dem Zusammenspiel von Modell, Mikrofon, Raum, Sprechtempo, Sprecheranzahl und Sprache.

Die wichtigste Kennzahl ist die WER deines konkreten Workflows, nicht der Best-Case-Wert auf einer fremden Audiodatei.

Für Professionals heißt das nicht, dass Spracherkennung unbrauchbar ist. Es heißt, dass du den Workflow passend bauen musst. Ein kurzer, sauberer Gedanke kann direkt weiterverwendet werden. Bei einem langen Meeting brauchst du dagegen eine realistische Korrekturroutine und solltest wichtige Namen oder Zahlen kontrollieren.

Was das für deinen Arbeitsalltag bedeutet

Spracherkennung kann im Alltag klasse funktionieren, wenn Setup, Sprache, Modell und Datenschutz zusammenpassen. Auch ein spontaner Text mit einzelnen Fehlern kann schneller entstehen als beim Tippen, solange du die Korrektur in deinen normalen Ablauf integrierst.

Bei Sprachdaten zählt außerdem der Zweck. Die DSGVO verlangt, dass Daten nur so lange gespeichert werden, wie es für den jeweiligen Zweck nötig ist. Der Europäische Datenschutzausschuss EDPB erklärt für Sprachassistenten, dass Aufbewahrungsfristen an den Verarbeitungszweck gebunden und für jeden Datensatz geprüft werden müssen.

Zero Data Retention bedeutet in diesem Zusammenhang: Sprache wird verarbeitet und anschließend gelöscht. Für sensible Arbeitsinhalte ist das ein klarer Prüfpunkt, ebenso wie EU-Hosting und die Frage, ob ein Anbieter dem US Cloud Act unterliegt.

Stell dir vor jeder Auswahl drei Fragen:

• Audio: Klingt mein Test mit meiner echten Stimme und meinem echten Mikrofon brauchbar?

• Arbeitsablauf: Wie viel Korrektur akzeptiere ich bei E-Mails, Notizen und Meetings?

• Datenschutz: Wo wird meine Stimme verarbeitet, wie lange bleibt sie gespeichert und wird sie für Training verwendet?

Wenn du diese Fragen beantwortest, wird aus einer Marketingzahl eine belastbare Entscheidung.

---

fluesta verarbeitet Sprache als Desktop-App für Mac und Windows direkt ins aktive Textfeld, funktioniert systemweit in jedem Programm und ist auf 150+ Wörter pro Minute ausgelegt. Wenn du Speech-to-Text alltagstauglich bei voller Privatsphäre testen möchtest, besuche fluesta und prüfe den Ablauf mit deinen eigenen Arbeitsbeispielen.