Zum Inhalt
KI-BlogBriefing zu künstlicher Intelligenz

Lexikon · S

Sprach­erkennung

Kurzantwort

Spracherkennung wandelt gesprochene Sprache in geschriebenen Text um, auf Englisch Speech to Text oder Automatic Speech Recognition. Besonders bekannt ist Whisper von OpenAI, das mit 680.000 Stunden Audio trainiert wurde und dessen Modelle frei verfügbar sind⁠12.

Autor
Veröffentlicht
Geprüft
Lesezeit
3 Minuten
Kleines silbernes Ansteckmikrofon mit dünnem schwarzen Kabel auf einem leeren Spiralblock, daneben ein gespitzter Bleistift auf dunklem Holz
Was gesprochen wird, landet als Text auf dem Block. Bild: KI-generiert

Du sprichst eine Nachricht ins Handy, und auf dem Bildschirm erscheinen die Wörter. Untertitel unter einem Video entstehen automatisch, ein Besprechungsprotokoll schreibt sich fast von selbst. Hinter all dem steckt Spracherkennung. Sie liefert nur den Text. Ein Sprachassistent braucht danach noch weitere Schritte, um zu verstehen, was du willst, und für die gesprochene Antwort den umgekehrten Weg, Text to Speech.

Vom Schall zum Satz

Ein Mikrofon liefert eine Schwingung, also eine lange Folge von Messwerten. Das System wandelt sie in ein Bild der Frequenzen um und sagt daraus Stück für Stück voraus, welche Wörter gesprochen wurden. Früher bestand so ein System aus getrennten Teilen für Laute, Aussprache und Wortfolgen. Whisper ist ein einziges neuronales Netz, das direkt darauf trainiert wurde, zu einer Aufnahme die Abschrift vorherzusagen⁠1.

Whisper und die Modelle danach

OpenAI stellte Whisper im September 2022 vor⁠4; der Fachaufsatz dazu erschien im Dezember 2022. Das Netz lernte aus 680.000 Stunden Audio aus dem Internet samt Abschrift, in vielen Sprachen und für mehrere Aufgaben, und kam laut Aufsatz ohne Nachtraining an frühere Spezialsysteme heran; bei Genauigkeit und Robustheit nähere es sich dem Menschen⁠1. Code und Gewichte stehen unter der MIT-Lizenz⁠2, es handelt sich also um offene Gewichte.

Whisper gibt es in mehreren Größen, vom Modell "tiny" mit 39 Millionen Parametern bis zum großen mit 1.550 Millionen, die je nach Größe etwa 1 bis 10 GB Grafikspeicher belegen; die schnellere Fassung "turbo" kann nicht übersetzen⁠2. Welche Größe zu welcher Grafikkarte passt und wie man sie startet, gehört zur Transkription mit Whisper auf dem eigenen Rechner.

In der Cloud geht OpenAI inzwischen weiter. Für Abschriften empfiehlt die Dokumentation das Modell gpt-transcribe; whisper-1 und die gpt-4o-Transkriptionsmodelle sind abgekündigt und werden am 26.02.2027 abgeschaltet⁠3. Dateien dürfen bis zu 25 MB groß sein⁠3.

Wie genau ist Spracherkennung?

Gemessen wird meist die Wortfehlerrate: Man zählt, wie viele Wörter das System vertauscht, weglässt oder hinzudichtet, und teilt das durch die Zahl der Wörter in der richtigen Abschrift. Eine allgemeine Zahl für "die" Genauigkeit gibt es nicht. Die Whisper-Entwickler schreiben selbst, dass die Leistung je nach Sprache stark schwankt, und verweisen auf Auswertungen je Sprache⁠2. OpenAI nennt für whisper-1 Unterstützung für 98 Sprachen mit unterschiedlicher Genauigkeit⁠3.

Im Alltag drücken vor allem schlechte Aufnahmen, Dialekt, Fachbegriffe und Eigennamen die Qualität. Schwierig sind auch Gespräche, in denen Menschen durcheinanderreden. Wer welchen Satz gesagt hat, ist eine eigene Aufgabe, die Sprechertrennung; OpenAI bot sie nur mit einem eigenen, inzwischen abgekündigten Modell an⁠3.

Häufige Fragen

Ist Spracherkennung dasselbe wie Stimmerkennung?

Nein. Spracherkennung schreibt auf, was gesagt wird. Stimmerkennung stellt fest, wer spricht, etwa um eine Person anhand ihrer Stimme zu erkennen.

Kann ich Whisper kostenlos nutzen?

Die Modelle selbst darfst du laut Lizenz frei verwenden und auf dem eigenen Rechner laufen lassen. Kosten entstehen erst, wenn du einen Cloud-Dienst nutzt, der pro Minute oder Datei abrechnet.

Wie bekomme ich bessere Ergebnisse?

Ein gutes Mikrofon nah am Mund, wenig Hall und kein Durcheinanderreden helfen am meisten. Fachbegriffe und Namen solltest du in der fertigen Abschrift gezielt prüfen.

Quellen

Stand:

  1. arXiv (Radford u. a.): Robust Speech Recognition via Large-Scale Weak Supervision, Stand 06.12.2022, abgerufen am 22.11.2026. zurück
  2. OpenAI (GitHub): openai/whisper, README, abgerufen am 22.11.2026. zurück
  3. OpenAI: Speech to text, abgerufen am 22.11.2026. zurück
  4. OpenAI: Introducing Whisper, Stand 21.09.2022, abgerufen am 22.11.2026. zurück

Weiterlesen

Bilder: KI-generiert

Aus dem Lexikon

Bilder: KI-generiert