Spracherkennung 2026: Was auf dem eigenen Rechner heute wirklich drin ist
Wenn Sie wissen wollen, wie gut eine Spracherkennung ist, hilft Ihnen keine Prozentzahl auf einer Produktseite. Es kommt darauf an, was Sie aufnehmen. Ein diktierter Absatz am Schreibtisch und ein Meeting mit vier Leuten in einem halligen Raum sind zwei völlig verschiedene Aufgaben, und ein Modell kann bei der einen brillant und bei der anderen unbrauchbar sein.
Wir haben deshalb gemessen statt geschätzt. 63 Audiodateien, gut acht Stunden Material, jede Datei mit einem belegten Referenztext, alle auf drei Rechnern durchgelaufen. Macht 168 ausgewertete Transkripte. Dieser Artikel zeigt die Ergebnisse; auch die unangenehmen.
Ein verlässliches Transkript braucht trotzdem Gegenhören, egal wer es geschrieben hat. Deshalb steckt in memozero ein Editor, mit dem man Wort für Wort am Ton nacharbeiten kann.
Wo die Spracherkennung 2026 steht
Seit Whisper 2022 erschienen ist, hat sich zweimal verschoben, was eine brauchbare Spracherkennung ausmacht. Erst wurde die Erkennung gut genug, um brauchbar zu sein. Dann wurde sie klein genug, um auf einem normalen Laptop zu laufen. Genau das macht memozero: Die Aufnahme verlässt Ihren Rechner nicht, die Berechnung geschieht lokal.
Damit ändert sich die interessante Frage. Nicht mehr “geht das überhaupt”, sondern “was kostet mich der Verzicht auf ein Rechenzentrum”? Die öffentlichen Bestenlisten helfen dabei wenig. Sie messen fast immer an vorgelesenen Texten aus Hörbuchsammlungen: eine Stimme, sauberes Mikrofon, ausformulierte Sätze. Der Alltag klingt anders: Das Tonbandgerät liegt auf dem Tisch, jemand trinkt etwas, ein Auto hupt, zwei Personen reden gleichzeitig und verwenden Fachbegriffe, die das Modell nicht kennt.
Also haben wir eine eigene Messreihe gebaut, mit genau den Störfällen, die uns forensische Anwender melden.
Der Testsatz: was genau gemessen wurde
Die 63 Dateien sind keine zufällige Stichprobe. Jede steht für einen Testfall, und zu jeder gehört ein Referenztext, also der belegte Wortlaut dessen, was gesprochen wurde.
| Gruppe | Material | Länge je Datei | Herkunft | Art |
|---|---|---|---|---|
| Aufnahmebedingungen | 8 Varianten derselben sauberen Aufnahme | 2:00 min, je 284 Wörter | LibriVox-Hörbuch, 16 kHz mono, Störgeräusche aus DEMAND | echte Stimme, künstlich verschlechtert |
| Dateiformate | 5 Container derselben Aufnahme | 2:00 min | WAV 48 kHz Stereo, MP3 VBR, M4A/AAC 96k, OGG Vorbis, Opus 32k | echte Stimme, künstlich umgewandelt |
| Spontansprache | 10 frei gesprochene Antworten auf eine Frage | 4 bis 12 s | Common Voice Spontaneous Speech, 23 Sprecher | echte Aufnahme |
| Tiefe Mundart | 10 elsässische Clips | 5 bis 19 s | Common Voice Elsässisch | echte Aufnahme |
| Emotion und Flüstern | Wut, Trauer, Freude, Ekel, Angst, Flüstern | 2 bis 4 s | EmoDB Berlin, Thorsten-Voice | echte Stimmen, gespielt im Studio |
| Mehrere Sprecher | 2 Bundestagsdebatten, 2 Meetings | 3:00 bis 29:47 min | Bundestag-Wortprotokolle, AMI Corpus | echte Aufnahme |
| Fachbegriffe, Zahlen | 4 Sprechproben mit schwierigem Inhalt | 28 bis 46 s | Skripte mit StPO, BKA, DNA, MRT, Datumsangaben | KI-Stimme (Cartesia) |
| Technik-Härtefälle | kurz, sehr lang, beschädigt, still | 3 s bis 4:16 h | abgeschnittene MP3, falsche Endung, 0-Byte-Datei, reine Stille | echte Stimme, künstlich beschädigt |
| Dolmetschen | Simultan und konsekutiv, mehrsprachig | 8:37 bis 46:03 min | öffentliche Pressekonferenzen | echte Aufnahme |
Was echt ist und was nicht
Weil das die Ergebnisse beeinflusst, hier die Aufteilung der 109 Messungen:
- 66 Messungen: echte, unveränderte Aufnahmen. Spontansprache, Mundart, Emotion, Bundestag, Meetings. Das sind Menschen in echten Situationen, aufgenommen mit dem, was sie gerade hatten.
- 33 Messungen: echte Stimme, künstlich verändert. Aufnahmebedingungen, Dateiformate, Technik-Härtefälle. Zugrunde liegt ein echter Sprecher, die Verschlechterung haben wir gerechnet.
- 10 Messungen: KI-Stimme. Die vier Skripte zu Fachbegriffen, Zahlen, Buchstabieren und Sprachwechsel. Hier ging es um den Inhalt, nicht um die Stimme: Wir brauchten Sätze, die StPO, BKA, DNA, MRT und ein Dutzend Datumsangaben in fester, überprüfbarer Reihenfolge enthalten. Keine Person spricht so etwas zweimal gleich ein.
Bei den zehn KI-Stimm-Messungen ist die Aussprache sauberer als bei einem Menschen. Die Fehlerraten in diesen beiden Gruppen sind deshalb eher zu gut als zu schlecht. Was sie zeigen, ist trotzdem belastbar, weil die Fehler dort nicht am Hören liegen, sondern an der Schreibweise von Abkürzungen und Zahlen. Dazu unten mehr.
Bei der Emotionsgruppe ist eine andere Einschränkung wichtig: EmoDB besteht aus zehn Schauspielern, die zehn feste Sätze in verschiedenen Gefühlslagen sprechen, aufgenommen im Studio. Echte Gefühle klingen anders als gespielte, und ein Studio klingt anders als ein Wohnzimmer.
Die wichtigste Konstruktionsentscheidung steckt in den ersten beiden Zeilen der Tabelle. Alle 13 Dateien dort stammen aus einer einzigen Quelldatei, einem sauberen deutschen Hörbuchausschnitt mit einem Sprecher. Wir haben sie mit ffmpeg gezielt verschlechtert: Störgeräusche daraufgemischt, den Pegel abgesenkt, das Frequenzband auf Telefonqualität beschnitten, in andere Formate gepackt. Dadurch ist der gesprochene Inhalt in allen 13 Fällen identisch, und jeder Unterschied im Ergebnis geht ausschließlich auf die Audioqualität zurück.
Wie wir messen
Die Kennzahl ist die Wortfehlerrate, kurz WER. Sie zählt, wie viele Wörter falsch, ausgelassen oder dazuerfunden wurden, geteilt durch die Anzahl der Wörter im Referenztext. Eine WER von 0,05 heißt: 5 von 100 Wörtern weichen ab. Null wäre wortgleich.
Zusätzlich rechnen wir die Zeichenfehlerrate (CER) nach demselben Prinzip auf Buchstabenebene. Der Vergleich beider Werte verrät, welche Art von Fehler vorliegt. Ist die WER hoch und die CER niedrig, stimmt der Inhalt und nur die Schreibweise weicht ab. Sind beide hoch, fehlt echte Information.
Was diese Zahlen nicht abbilden: Zeichensetzung, die Zuordnung zu Sprechern und die Frage, ob ein Fehler den Sinn verdreht. Dafür läuft eine zweite Prüfstufe, dazu am Ende mehr.
Jede Datei lief genau einmal durch. Getestet wurden drei Modelle, alle auf Basis von OpenAI Whisper large-v3-turbo. Diese Basis hat in unserem App-Testing von Beginn an die beste Erkennung geliefert; deshalb messen wir daran, und nicht an einer älteren oder größeren Whisper-Variante.
| Modell | Auswahl in der App | Grundlage | Eingesetzt für |
|---|---|---|---|
mlx-large-v3-turbo-german | Turbo (Deutsch), ab 16 GB RAM | deutsche Feinabstimmung von primeline, MLX-Fassung in voller Genauigkeit (f16) | alle deutschen Dateien |
mlx-large-v3-turbo-german-q4 | Turbo (Deutsch), unter 16 GB RAM | dieselbe Feinabstimmung, auf 4 Bit quantisiert | alle deutschen Dateien auf Geräten mit wenig Arbeitsspeicher |
mlx-large-v3-turbo | Turbo (Mehrsprachig) | Whisper large-v3-turbo ohne Feinabstimmung | die 7 englischen und gemischtsprachigen Dateien |
large-v3-turbo-german | Turbo (Deutsch) auf Windows | dieselbe deutsche Feinabstimmung, umgesetzt für faster-whisper | alle deutschen Dateien auf dem Windows-Rechner |
Welches der beiden deutschen MLX-Modelle läuft, entscheidet die App anhand des Arbeitsspeichers. Im weiteren Text nennen wir sie kurz q4 und f16.
Gemessen wurde auf drei Rechnern:
| Rechner | Hardware | Umsetzung | Modell |
|---|---|---|---|
| MacBook Air M1 (2020), 8 GB | Apple M1, 8 GB gemeinsamer Speicher, macOS 26.5 | MLX (Grafikeinheit) | mlx-large-v3-turbo-german-q4 |
| MacBook Air M1 (2020), 16 GB | Apple M1, 16 GB gemeinsamer Speicher, macOS 26.5.2 | MLX (Grafikeinheit) | mlx-large-v3-turbo-german |
| Windows-Notebook (MSI) | Intel Core i7-11800H, 8 Kerne mit 16 Threads, 32 GB DDR4, NVIDIA GeForce RTX 3080 Laptop mit 8 GB Videospeicher, Windows 11 Pro | faster-whisper auf CUDA | large-v3-turbo-german |
Die beiden Macs sind baugleich: dasselbe MacBook Air von 2020, derselbe M1-Chip, dieselbe macOS-Version. Sie unterscheiden sich nur im Arbeitsspeicher, 8 gegen 16 GB. Deshalb lädt die App dort zwei verschiedene Modelle, und wir bekommen den Vergleich zwischen komprimiertem und vollem Modell ohne Nebenwirkung durch andere Hardware.
Alle drei Durchläufe sind abgeschlossen. Ausgewertet sind 168 Transkripte mit Referenztext. Die restlichen Exporte betreffen die Dolmetsch-Dateien, für die es konstruktionsbedingt keinen Referenztext gibt.
Auf Windows läuft dieselbe Feinabstimmung in einer anderen Umsetzung. Was das für den Vergleich bedeutet, steht im Abschnitt zu Mac und Windows.
Ergebnis: der Durchschnitt sagt wenig, die Aufschlüsselung viel
Über alle 168 Messungen liegt die Wortfehlerrate bei 0,26. Diese Zahl ist für sich genommen wertlos, weil sie sehr unterschiedliche Aufgaben in einen Topf wirft.
168 Transkripte von drei Rechnern: zwei MacBook Air M1 mit 8 und 16 GB (memozero 0.0.26 und 0.0.27) und einem Windows-Notebook mit CUDA (1.0.0-dev.93). Stand 10.08.2026.
Der Abstand zwischen oben und unten ist der eigentliche Befund. Zwischen der leichtesten und der schwersten Aufgabe liegt Faktor 29.
Die Überraschung steht ganz oben. Spontan gesprochenes Hochdeutsch liegt bei 0,026. Kurze Alltagssätze, frei gesprochen, aufgenommen mit dem, was die Leute gerade zur Hand hatten. Rund zwei Drittel dieser Aufnahmen kamen wortgleich zurück. Freie Rede ist für das Modell kein Problem, im Gegenteil: Sie ist der leichteste Fall im ganzen Testsatz.
Ganz unten steht die tiefe Mundart mit 0,82. Diese Zahl braucht eine Einordnung, dazu weiter unten ein eigener Abschnitt.
Dieselbe Aufnahme, dreizehnmal verschlechtert
Hier wird es interessant, weil alle Balken denselben gesprochenen Text zeigen: 2 Minuten, 284 Wörter, ein Sprecher. Nur die Aufnahmequalität ist jedes Mal eine andere.
- Original ohne Verschlechterung
Mittelwert aus allen drei Rechnern. Alle Varianten stammen aus derselben Quelldatei (sauberes deutsches Hörbuch, 16 kHz mono), erzeugt mit ffmpeg. Störgeräusche aus dem DEMAND-Datensatz. Stand 10.08.2026.
Zwölf von dreizehn Bedingungen liegen zwischen 0,067 und 0,090. Das ist praktisch die Streuung, die auch derselbe Testfall auf zwei verschiedenen Rechnern zeigt. Übersetzt heißt das:
- Das Dateiformat ist fast egal. Opus mit 32 kBit/s liegt bei 0,090 gegenüber 0,067 für unkomprimiertes WAV. Der Unterschied entspricht rund sechs Wörtern in zwei Minuten.
- Ein zu leiser Pegel ist kein Problem. Minus 30 dB, also eine Aufnahme, die man kaum noch hört, liefert 0,082. Die Verstärkung geschieht intern.
- Übersteuerung ist auch keins. Plus 20 dB mit hartem Clipping: 0,067, also genau der Wert des unveränderten Originals. Das hätten wir nicht erwartet.
- Telefonqualität kostet wenig. Trotz weggeschnittener Höhen und Tiefen bleibt es bei 0,086.
- Erst wenn der Störschall so laut ist wie die Stimme, bricht es ein. Cafélärm auf Stimmpegel vervierfacht die Fehlerrate auf 0,249. Zum Vergleich: derselbe Lärm 10 dB leiser kostet fast nichts.
Die praktische Regel daraus: Weniger auf Format, Bitrate oder Aussteuerung achten, mehr darauf, dass die Stimme lauter ist als der Raum. Das geht vor allem mit einem leisen Aufnahmeraum und einem Mikrofon, das auf die sprechende Person zeigt. Sitzt mehr als einer am Tisch, hilft ein Mikrofon pro Person.
Nachgezählt: wie stark unterscheiden sich die Formate wirklich?
Eine Fehlerrate ist ein Mittelwert. Einzelne Ausreißer verschwinden darin. Deshalb haben wir die Transkripte der fünf Formate zusätzlich direkt gegeneinander gestellt und ausgezählt, wie viele Wörter sich vom unkomprimierten WAV unterscheiden.
- MacBook Air M1, 8 GB
- MacBook Air M1, 16 GB
- Windows mit CUDA
Dieselbe Zwei-Minuten-Aufnahme in fünf Containern, rund 285 Wörter. Gezählt sind Wörter, die vom WAV-Transkript desselben Geräts abweichen. Stand 10.08.2026.
Bei rund 285 Wörtern je Aufnahme sind das 0,4 bis 3 Prozent. Auf dem 8-GB-Mac lieferten M4A, OGG und Opus sogar ein wortgleiches Transkript, obwohl Opus die Datei auf 32 kBit/s zusammenstaucht.
Eine Ausnahme steht in der Grafik: Opus auf dem Windows-Rechner mit 24 abweichenden Wörtern. Das ist der Grund, warum Opus in der Grafik oben als einziges Format leicht herausfällt. Es bleibt bisher eine einzelne Beobachtung auf einem Gerät, und wir wissen nicht, ob es an der Decodierung auf Windows liegt. Wir behalten es im Blick.
Sprechererkennung: nicht die Anzahl zählt, sondern das Übereinanderreden
Sprechertrennung messen wir getrennt, weil die Wortfehlerrate nur sagt, ob die Wörter stimmen, nicht wem sie zugeordnet wurden. Fünf Dateien im Satz haben mehrere Sprecher.
Bundestagsdebatten (Wortprotokoll als Referenz) und AMI Corpus. Mittelwert aus allen drei Rechnern. Stand 10.08.2026.
Das Ergebnis widerspricht der Intuition. Die Datei mit den wenigsten Sprechern hat die höchste Fehlerrate, die 30-minütige Konferenz mit vier Personen liegt besser als der Fünf-Minuten-Ausschnitt daraus.
Was tatsächlich zählt, ist die Gesprächsdisziplin. Im Bundestag redet einer, die anderen rufen kurz dazwischen. Ergebnis: 0,21 und 0,233, also nicht schlechter als eine verrauschte Einzelaufnahme. In den AMI-Meetings reden die Teilnehmer durcheinander, fallen sich ins Wort, brechen Sätze ab. Dort landen wir bei 0,41 bis 0,48.
Zur Sprecherzahl selbst können wir bisher keine belastbaren Aussagen treffen. Bei den vier Dateien mit fester Vorgabe liefert die App erwartungsgemäß genau diese Anzahl. Bei automatischer Erkennung hat sie in beiden Bundestagsdateien drei Sprecher gefunden, was zur Situation passt. Bei den mehrsprachigen Dolmetsch-Aufnahmen, öffentlichen Pressekonferenzen mit wenigen Personen auf dem Podium, meldet sie durchgängig acht, also deutlich zu viele. Vier Messpunkte reichen nicht für eine Aussage. Als Nächstes nehmen wir Dateien mit bekannter Sprecherzahl in den Testsatz und vergleichen, was die automatische Erkennung findet, mit dem, was tatsächlich gesprochen hat.
Warum eine hohe Fehlerrate nicht immer viel bedeutet
Zwei Testfälle liegen zahlenmäßig fast gleichauf und sind trotzdem grundverschieden. Der Vergleich von Wort- und Zeichenfehlerrate macht das sichtbar.
Beide stammen aus der KI-Stimm-Gruppe, das Gehörte war also technisch sauber. Der Fachbegriffe-Test enthält Abkürzungen wie StPO, BKA, DNA, MRT und StGB. Ergebnis: WER 0,39, aber CER 0,086. Auf Buchstabenebene stimmt also fast alles. Das Modell hört die Abkürzung richtig und schreibt sie nur anders auf, etwa mit Punkten oder auseinandergezogen. Für den Sinn ist das folgenlos, für die Wortfehlerrate zählt jedoch jede Abweichung als Fehler.
Der Zahlen-und-Daten-Test liegt bei WER 0,41 und CER 0,56. Hier ist die Zeichenfehlerrate höher als die Wortfehlerrate: Aus “vierzehnter März” wird “14. März”. Inhaltlich richtig, in der Schreibweise komplett abweichend.
Beide Fälle sind also keine Verständnisfehler, sondern stellen lediglich Formatierungsfragen dar. Sie zeigen zugleich die Grenze der Kennzahl: Eine Wortfehlerrate von 0,4 erscheint katastrophal, ist es aber gar nicht. Deswegen lesen wir jeden auffälligen Fall zusätzlich von Hand nach.
Arbeitsspeicher: gleiche App, zwei verschiedene Modelle
Wie oben beschrieben, wählt memozero das Sprachmodell nach dem verfügbaren Arbeitsspeicher aus. Unter 16 GB läuft mlx-large-v3-turbo-german-q4, die auf 4 Bit quantisierte Fassung, darüber mlx-large-v3-turbo-german in voller Genauigkeit. Beide stammen aus derselben deutschen Feinabstimmung; sie unterscheiden sich nur darin, wie genau die Gewichte gespeichert sind. Das ist kein Marketing-Tiering, sondern eine technische Notwendigkeit: Die volle Fassung braucht mehr Speicher, als kleinere Geräte haben.
Diese Aufteilung ist im Test unfreiwillig entstanden. Zwei Tester, zwei baugleiche MacBook Air M1 von 2020, nur unterschiedlich viel Arbeitsspeicher; damit hatten wir einen sauberen Direktvergleich über 32 identische Dateien. Weil Chip und Betriebssystem gleich sind, bleibt als Unterschied wirklich nur das Modell.
- q4, unter 16 GB RAM
- f16, ab 16 GB RAM
Nur Dateien, die auf beiden Geräten mit identischem Audiomaterial liefen. Stand 10.08.2026.
Über alle 32 Paare liegt das komprimierte Modell bei 0,157, das volle bei 0,144. Bei 19 Dateien war das kleine Modell schlechter, bei 6 besser, bei 7 exakt gleich. Der Unterschied ist also messbar, aber klein: rund ein Prozentpunkt mehr Fehler.
Interessanter ist, wo er auftaucht. Hinsichtlich der Dateiformate und Aufnahmebedingungen sind beide Modelle praktisch identisch. Bei Emotion (0,098 gegen 0,062) und bei den Technik-Härtefällen (0,139 gegen 0,090) zieht das große Modell davon. Das kleine verliert also genau dort, wo das Audio ohnehin schwierig ist. Bei einer sauberen Aufnahme sollte somit kein Unterschied zwischen dem kleinen und großen Modell auftreten.
Die App zeigt bei jeder Transkription, welches Modell gelaufen ist. Wer das nicht weiß, kann seine Ergebnisse nicht einordnen.
Mac gegen Windows: der Unterbau zählt mehr als die Rechenleistung
33 Dateien liefen auf allen drei Rechnern mit identischem Audiomaterial. Das ist der einzige wirklich faire Vergleich, den der Datensatz erlaubt.
Nur Dateien, die auf allen drei Rechnern mit identischem Audiomaterial liefen. Stand 10.08.2026.
Die drei liegen dicht beieinander, aber die Reihenfolge überrascht. Das Windows-Notebook mit RTX 3080 und 32 GB Arbeitsspeicher landet hinter einem MacBook Air M1 von 2020 mit 8 GB. Bei 17 der 33 Dateien war es schlechter als beide Macs, bei nur 7 besser.
Der Gesamtwert verdeckt allerdings, dass sich die drei je nach Aufgabe unterschiedlich verhalten:
- MacBook Air M1, 8 GB (MLX, 4 Bit)
- MacBook Air M1, 16 GB (MLX, f16)
- Windows mit CUDA (faster-whisper)
Nur Dateien, die auf allen drei Rechnern mit identischem Audiomaterial liefen. Stand 10.08.2026.
Der Windows-Rechner verliert dort, wo das Audio schwierig ist: bei Lärm und Hall (0,120 gegen 0,088) und bei mehreren Sprechern (0,331 gegen 0,292). Bei sauber gesprochenem Material dreht sich das Bild, dort liegt Windows vorn (Fachbegriffe 0,243, Zahlen 0,238).
Das ist kein Hardware-Ergebnis, sondern ein Software-Ergebnis. Auf Windows läuft eine andere Umsetzung derselben deutschen Feinabstimmung, faster-whisper statt MLX. Mehr Rechenleistung gleicht das nicht aus.
Was die Grafikkarte sehr wohl bringt, ist Tempo. Die 4-Stunden-Aufnahme war auf dem Windows-Notebook nach 20 Minuten fertig, auf dem 8-GB-Mac dauerte sie 53 Minuten, also das Zweieinhalbfache. Bei den Zwei-Minuten-Dateien liegen die Schnitte bei 42 Sekunden für Windows gegenüber 54 und 70 Sekunden für die beiden Macs.
Für die Anwender bedeutet dies: Die Wahl zwischen Mac und Windows ändert an der Genauigkeit wenig, am Tempo dagegen viel. Wer viel und lange Aufnahmen verarbeitet, profitiert von einer Grafikkarte. Wer auf jedes Zehntel bei der Fehlerrate schaut, sollte nicht danach entscheiden. Das Verhältnis kann sich mit dem nächsten Modell und dem nächsten Chip wieder verschieben. Der Stand hier gilt für die getesteten Versionen.
Was bleibt, wenn man alles gleichzeitig rechnet
Die Grafiken oben betrachten jeweils eine Dimension. Eine lineare Regression (OLS) mit der Wortfehlerrate als Zielgröße rechnet die Aufgabentypen und die drei Software-Stapel gegeneinander. Referenz ist spontanes Hochdeutsch auf dem vollen Mac-Modell. Die Balken zeigen, wie viele Fehlerpunkte zusätzlich bleiben, wenn die übrigen Faktoren konstant gehalten werden. Als signifikant gilt ein Koeffizient, dessen 95-%-Konfidenzintervall null nicht enthält; das entspricht einer Schwelle von α = 0,05. Es gibt keine Korrektur für multiples Testen.
Dolmetschen fehlt in diesem Modell, weil es keinen Referenztext gibt. Unterbrechungen und die Zahl der Fachbegriffe sind im Datensatz nicht als eigene Spalten erfasst; sie stecken in der Aufgabengruppe. Die Gruppen schließen einander aus: Eine Datei ist Spontansprache oder Mundart, nie beides, deshalb gibt es kein Wechselspiel zwischen diesen beiden Faktoren.
- Spontansprache (Referenz)
OLS über 168 Transkripte mit Wortfehlerrate. Referenz: Spontansprache auf mlx-large-v3-turbo-german (f16). R² = 0,89. Signifikanzschwelle α = 0,05, ohne Korrektur für multiples Testen. Die waagerechten Markierungen sind 95-%-Konfidenzintervalle; bei Emotion und Dateiformat beginnt die Markierung bei null, weil das Intervall darunter ragt. Stand 12.08.2026.
Mundart bleibt der mit Abstand stärkste Faktor: plus 0,79, und das Konfidenzintervall liegt weit über null. Mehrere Sprecher, Fachbegriffe und Zahlen bleiben klar sichtbar. Emotion und Dateiformat unterscheiden sich nach dieser Rechnung nicht mehr belastbar von der Spontansprache; ihre Intervalle enthalten null.
- Mac, volles Modell (Referenz)
Dieselbe OLS-Regression. Referenz: mlx-large-v3-turbo-german (f16). Die Konfidenzintervalle von q4 und Windows enthalten null. α = 0,05. Stand 12.08.2026.
Ist die Aufgabe verrechnet, bleibt vom Geräteunterschied fast nichts. Das komprimierte Modell liegt bei plus 0,001, Windows bei plus 0,021; beide Intervalle enthalten null. Das bestätigt den direkten Vergleich der 33 gemeinsamen Dateien: Der Unterbau ändert an der Genauigkeit wenig, sobald dieselbe Art von Aufnahme verglichen wird.
Was noch nicht funktioniert
Tiefe Mundart. Die elsässischen Clips liegen über alle drei Rechner im Schnitt bei einer Wortfehlerrate von 0,82. Das Modell weicht dort auf das ähnlichste hochdeutsche Wort aus, und bei dieser Art Material geht das schief.
Diese Zahl braucht allerdings zwei Einordnungen, sonst führt sie in die Irre.
Erstens ist das Material extrem. Elsässisch ist eine alemannische Mundart und faktisch eine eigene Sprache, kein gefärbtes Hochdeutsch. Wir haben die Aufnahmen selbst abgehört: Als deutscher Muttersprachler ohne Übung versteht man streckenweise nur, worum es ungefähr geht. Was hier scheitert, ist also der äußerste Rand des Spektrums, nicht der Alltagsfall.
Zweitens sind die Referenztexte in Mundart geschrieben, mit eigener Rechtschreibung. Das Modell wird also auch dafür bestraft, dass es Hochdeutsch schreibt, selbst wenn es den Inhalt getroffen hat. Man sieht das am Vergleich der beiden Kennzahlen: Wortfehlerrate 0,82, Zeichenfehlerrate aber nur 0,37. Auf Buchstabenebene liegt das Ergebnis deutlich näher am Gesagten, als die erste Zahl vermuten lässt.
Ehrlich bleibt trotzdem: Für tiefe Mundart taugt das Ergebnis nicht als Transkript. Über regional gefärbtes Hochdeutsch, also den Fall, der in der Praxis viel häufiger vorkommt, sagen diese Zahlen nichts, weil wir ihn schlicht noch nicht gemessen haben. Wir bauen den Testsatz an dieser Stelle aus. Die elsässischen Clips bleiben als Härtefall drin, damit wir Fortschritte sehen, sobald es welche gibt.
Halluzinationen bei englischem Material. Eine englische Aufnahme von 60 Sekunden mit rund 130 gesprochenen Wörtern lieferte auf dem einen Gerät 321 Wörter mit einer Wiederholungsschleife, auf dem anderen nur 74. Beide Ergebnisse sind falsch, und zwar auf die unangenehme Art: Der Text liest sich flüssig, ist aber teilweise erfunden. Der Fall ist dokumentiert und in Arbeit.
Sehr lange Dateien. Die 4-Stunden-Aufnahme ist auf einem der drei Testgeräte bei 46 Prozent stehen geblieben und nie fertig geworden. Der Abbruch ist bei uns als Fehler erfasst.
Auf den anderen beiden lief sie durch, aber mit deutlich unterschiedlichem Ergebnis: 0,053 über 38.649 Wörter auf dem Mac gegenüber 0,160 über 37.101 Wörter auf dem Windows-Rechner. Dem Windows-Transkript fehlen rund 1.400 Wörter. Bemerkenswert bleibt trotzdem, dass eine vierstündige Aufnahme überhaupt zu den besten Werten der Reihe gehört: Lange Aufnahmen sind für die Erkennung leichter als kurze, weil das Modell mehr Kontext hat.
Überlappendes Sprechen. Wenn zwei Leute gleichzeitig reden, geht Text verloren. Das gilt für jedes uns bekannte Modell, lokal wie in der Cloud, und ist keine Frage der Rechenleistung.
Zahlen und Datumsangaben benötigen Korrekturlesen. Der Inhalt stimmt meistens, die Schreibweise selten.
Wie es weitergeht
Als Nächstes nehmen wir die Lücken im Testsatz an: regional gefärbtes Hochdeutsch fehlt bisher ganz, und bei der automatischen Sprecherzahl vergleichen wir, was die App findet, mit der bekannten Sprecherzahl.
Parallel bauen wir die zweite Prüfstufe: Ein Sprachmodell vergleicht Transkript und Referenztext und bewertet, ob ein Fehler den Sinn verändert. Eine falsche Jahreszahl in einem Zitat wiegt schwerer als eine fehlende Konjunktion, und genau das sieht die Wortfehlerrate nicht.
Die Methode selbst bleibt: Jede neue Modellversion läuft durch dieselben 63 Dateien, bevor wir sie ausliefern. Ohne diesen Vergleich wüssten wir nicht, ob ein Update wirklich besser ist oder nur neuer.
Den Testsatz bauen wir weiter aus. An die einfache Regression hier soll später eine umfängliche Auswertung anschließen; die wollen wir gesondert publizieren.
Unabhängig von den Zahlen gilt: Wer ein verlässliches Transkript braucht, hört gegen. Der Editor ist dafür gebaut.
Wenn Sie eine Aufnahmesituation kennen, die in unserem Testsatz fehlt, schreiben Sie uns. Wir nehmen sie auf.