Sprache in Text umwandeln: So funktioniert die Spracherkennung

Von der Redaktion von whispertranscribe.ai · Zuletzt aktualisiert im November 2026 · 12 Min. Lesezeit · Kategorie: Grundlagen der Transkription

Was heißt „Sprache zu Text“? Eine Software erkennt gesprochene Wörter und schreibt sie als bearbeitbaren Text auf. Diese Technik heißt auch Speech-to-Text oder automatische Spracherkennung (ASR). Es gibt zwei Varianten: Bei der Live-Erkennung erscheinen Wörter bereits beim Sprechen. Bei der Dateitranskription entsteht ein Transkript aus einer fertigen Audio- oder Videoaufnahme.

Zur Einordnung: Wir entwickeln whispertranscribe.ai, einen Transkriptionsdienst im Browser. Die Erklärungen zur Technologie stützen sich auf Google, Microsoft, Apple, das W3C oder einen Forschungsüberblick.

Kurz erklärt: Was bedeutet „Sprache zu Text“?

Die Software wandelt Gesprochenes automatisch in Text um. Aus dem Audiosignal ermittelt ein Spracherkennungsmodell die wahrscheinlichsten Wörter. Anschließend ergänzt die Software Satzzeichen.

  • Weitere Namen: Speech-to-Text, Spracherkennung, ASR, Spracheingabe und Diktieren.
  • Zwei Modi: Live-Erkennung (Streaming) für Diktate und Untertitel sowie Dateitranskription (Stapelverarbeitung) für bereits vorhandene Aufnahmen.
  • Grenzen: Die Genauigkeit hängt stark vom Ton ab. Störgeräusche, Abstand zum Mikrofon, starke Akzente, Fachsprache und überlappende Stimmen erhöhen die Fehlerzahl.

Voice-to-Text, Speech-to-Text, Diktieren und Transkription

Voice-to-Text und Speech-to-Text bezeichnen dasselbe. Diktieren ist eine Anwendung: Du sprichst in ein Textfeld. Eine weitere ist die Transkription, bei der aus einer Aufnahme eine schriftliche Fassung entsteht. „Voice Recognition“ bezeichnet dagegen im engeren Sinn die Erkennung der Person, die spricht.

Die Web Accessibility Initiative des W3C verwendet „speech recognition“ für die Umwandlung gesprochener Wörter in Text. „Voice recognition“ oder „speaker recognition“ steht für Systeme, die erkennen, wer spricht.

Begriff Übliche Bedeutung Typisches Ergebnis
Voice-to-Text Alltagsbegriff für die Umwandlung von Sprache in Text Text auf dem Bildschirm oder in einer Datei
Speech-to-Text (STT) Dasselbe Verfahren, gängiger Begriff in Softwaredokumentationen Text, häufig mit Zeitstempeln
Automatische Spracherkennung (ASR) Das technische Fachgebiet und das zugrunde liegende Modell Wahrscheinlichste Wortfolge
Diktieren oder Spracheingabe In ein Textfeld sprechen, statt zu tippen Text an der Cursorposition
Transkription Schriftliche Fassung einer Aufnahme oder eines Ereignisses Transkript zum Bearbeiten, Durchsuchen und Exportieren
Live-Untertitel Text, der während der Audiowiedergabe in Echtzeit eingeblendet wird Untertitel auf dem Bildschirm, meist ohne Speicherung
Stimm- oder Sprechererkennung Feststellen, wer gerade spricht Sprecherangabe statt gesprochener Wörter

Diktieren ist eine Form von Sprache zu Text. Für ein 90-minütiges Interview brauchst du jedoch ein Transkript. Um anschließend eine E-Mail freihändig zu beantworten, kannst du diktieren.

Wie funktioniert Spracherkennung?

Ein Spracherkennungssystem erfasst ein Audiosignal, wandelt es in numerische Merkmale um, lässt ein trainiertes Modell die wahrscheinlichsten Wörter bestimmen und formatiert das Ergebnis. In den vergangenen zehn Jahren hat sich vor allem der Aufbau des Modells verändert.

  1. Erfassung. Ein Mikrofon oder eine Audiodatei liefert ein digitales Signal. Die Dokumentation zu Google Cloud Speech-to-Text empfiehlt, mit 16.000 Hz aufzunehmen, wenn du die Wahl hast. Niedrigere Abtastraten können die Genauigkeit verschlechtern. Höhere bringen keinen nennenswerten Vorteil.
  2. Merkmalsextraktion. Das Signal wird in kurze Abschnitte zerlegt und in Merkmale umgerechnet. Häufig entsteht ein Spektrogramm, das zeigt, wie sich die Schallenergie in verschiedenen Frequenzen über die Zeit verändert.
  3. Erkennung. Das Modell ordnet diesen Merkmalen die wahrscheinlichste Wortfolge zu.
  4. Formatierung. Das System ergänzt Satzzeichen, Groß- und Kleinschreibung und in manchen Fällen Zeitstempel oder Sprecherangaben.

Klassischer Ansatz: Akustikmodell und Sprachmodell

Jahrzehntelang bestand die Spracherkennung aus getrennten Bausteinen. Ein Forschungsüberblick zur End-to-End-Spracherkennung aus dem Jahr 2023 nennt akustische Merkmalsextraktion, akustische Modellierung, Sprachmodellierung und eine Suche, die das insgesamt wahrscheinlichste Ergebnis auswählt.

  • Das Akustikmodell schätzt, welche Sprachlaute in einem kurzen Tonabschnitt vorkommen. Klassische Systeme nutzten Hidden-Markov-Modelle, um verschiedene Sprechgeschwindigkeiten zu verarbeiten.
  • Ein Aussprachelexikon ordnet diese Laute Wörtern zu.
  • Das Sprachmodell bewertet, wie wahrscheinlich eine Wortfolge ist. So zieht das System eine sinnvolle Formulierung wie „Sprache erkennen“ einer ähnlich klingenden, aber unsinnigen Abfolge vor.

Moderner Ansatz: End-to-End-Modelle

Neuere Systeme arbeiten meist nach dem End-to-End-Prinzip: Ein neuronales Netz lernt die gesamte Zuordnung von Audio zu Text aus Sprachaufnahmen mit Transkripten. Laut demselben Forschungsüberblick hat Deep Learning die Wortfehlerrate gegenüber früheren Ansätzen um mehr als 50 % gesenkt. End-to-End-Modelle haben sich durchgesetzt. Ein bekanntes Beispiel ist Whisper von OpenAI. In unserem Ratgeber erklären wir, was Whisper AI ist.

Klassische Verarbeitungskette End-to-End-Modell
Aufbau Getrenntes Akustikmodell, Aussprachelexikon und Sprachmodell Ein neuronales Netz vom Ton zum Text
Voraussetzungen für das Training Manuell erstellte Wortlisten und Phonembestände sowie mehrere Trainingsstufen Große Mengen transkribierter Sprache
Typische Schwäche Getrennt trainierte Komponenten können zusätzliche Fehler und Kosten verursachen Braucht viel transkribierte Sprache. Reine Textdaten lassen sich schwerer nutzen.
Sprachwissen Eigenes Sprachmodell Wird im Netz gelernt. Ein externes Sprachmodell lässt sich ergänzen.

Echtzeit- und Dateitranskription: Was ist der Unterschied?

Bei Sprache zu Text in Echtzeit (Streaming) erscheint der Text schon während des Sprechens. Das passt zu Diktaten und Live-Untertiteln. Bei der Dateitranskription (Stapelverarbeitung) verarbeitet das System eine fertige Aufnahme und gibt danach das vollständige Transkript aus. Das eignet sich für Interviews, Meetings und Vorlesungen.

Google Cloud Speech-to-Text kennt drei Anfragetypen: synchron für Aufnahmen von höchstens 1 Minute, asynchron für Dateien bis 480 Minuten und Streaming mit Zwischenergebnissen während des Sprechens. Die Dokumentation zu Microsoft Azure Speech unterscheidet ähnlich zwischen Echtzeittranskription, schneller Transkription und Stapeltranskription. Beide Angaben wurden im November 2026 geprüft.

Live-Erkennung (Streaming) Dateitranskription (Stapelverarbeitung)
Wann Text erscheint Während du sprichst. Vorläufige Wörter können sich ändern, sobald weiterer Ton ankommt. Nachdem die Aufnahme verarbeitet wurde
Typische Anwendungen Diktieren, Live-Untertitel, Sprachassistenten Interviews, Meetings, Vorlesungen, Podcasts und Videountertitel
Was erhalten bleibt Was im Textfeld oder Untertitelfenster erscheint Ein Transkript zum Bearbeiten und Exportieren
Wichtigster Unterschied Schnelle Ausgabe mit weniger Gelegenheit zur Korrektur Du wartest auf das Ergebnis, kannst die Datei aber mit anderen Einstellungen erneut verarbeiten.

Wenn niemand den Text sofort braucht, nimm möglichst klaren Ton auf und transkribiere die Datei anschließend. Du behältst das Original und kannst jede Zeile damit vergleichen.

Wofür wird Sprache zu Text verwendet?

Mit Sprache zu Text kannst du schreiben, ohne zu tippen, Aufnahmen in durchsuchbare Notizen verwandeln, Videos untertiteln und gesprochene Inhalte zugänglich machen. Die Microsoft-Dokumentation nennt zusätzlich Anwendungen im Kundenservice, etwa die Auswertung von Gesprächen im Anschluss.

Anwendung Üblicher Modus
E-Mails, Nachrichten und Entwürfe per Sprache schreiben Live-Diktat
Notizen zu Meetings und Interviews Dateitranskription oder Live-Erkennung für schnelle Notizen
Notizen zu Vorlesungen und Seminaren Aufnahme, danach Dateitranskription
Untertitel und Captions für Videos Dateitranskription mit SRT- oder VTT-Export
Sprachnotizen und Gesprächsaufzeichnungen Dateitranskription
Zugänglichkeit für gehörlose und schwerhörige Menschen oder Menschen, die keine Tastatur benutzen können Live-Untertitel und Diktieren

In unserem Ratgeber zu Apps für Vorlesungsaufnahmen geht es um den Einsatz im Unterricht.

Wo findest du Spracheingabe auf dem Smartphone oder Computer?

Die meisten Geräte haben bereits eine Diktierfunktion. Unter Windows 11 drückst du Windows-Logo-Taste + H, auf dem Mac und iPhone gibt es die Diktierfunktion und unter Android das Mikrofon von Googles Gboard-Tastatur. Diese Funktionen schreiben in das gerade aktive Textfeld. Bereits vorhandene Aufnahmen verarbeiten sie nicht.

Plattform Integrierte Funktion So startest du sie laut offizieller Hilfe Wird Internet benötigt?
Windows 11 Spracheingabe Setze den Cursor in ein Textfeld und drücke Windows-Logo-Taste + H. Ja. Laut Microsoft verwendet die Spracheingabe die Online-Spracherkennung von Azure Speech.
Mac Diktierfunktion Aktiviere die Funktion unter Systemeinstellungen → Tastatur → Diktierfunktion. Starte sie mit der Mikrofontaste, deinem Tastenkürzel oder über „Bearbeiten“ → „Diktat starten“. Das hängt von der Konfiguration ab. Die Tastatureinstellungen zeigen, ob allgemeine Diktate auf deinem Mac verarbeitet werden.
iPhone Diktierfunktion Öffne Einstellungen → Allgemein → Tastatur → Diktierfunktion aktivieren. Tippe dann auf das Mikrofon der Tastatur. Häufig nicht. In vielen Sprachen verarbeitet das iPhone Diktate laut Apple ohne Internet.
Android Gboard-Spracheingabe Tippe in einer App mit Texteingabe oben auf der Tastatur auf das Mikrofon. Auf der Google-Hilfeseite nicht angegeben.

Weitere Hinweise aus der offiziellen Dokumentation:

  • Windows: In Microsofts Anleitung zur Spracheingabe findest du auch die Einstellung für automatische Satzzeichen.
  • Mac: Laut Apples Anleitung zur Diktierfunktion auf dem Mac endet das Diktat, wenn du 30 Sekunden lang nichts sagst. Unsichere Wörter werden blau unterstrichen, zum Beispiel „flour“, wenn du „flower“ gemeint hast.
  • iPhone: Apples Anleitung zum Diktieren auf dem iPhone nennt gesprochene Befehle für Satzzeichen und Korrekturen.
  • Android: Laut Gboard-Hilfe steht die Spracheingabe nicht für alle Sprachen zur Verfügung. Einige Schritte setzen mindestens Android 7.0 voraus.

Menübezeichnungen ändern sich je nach Version. Richte dich nach der Hilfe für dein Gerät.

Wie genau ist Spracherkennung und wo liegen ihre Grenzen?

Bei einer klaren Aufnahme mit einer Person nah am Mikrofon erkennen moderne Systeme die meisten Wörter richtig. Störgeräusche, Abstand, starke Akzente, Fachsprache und überlappende Stimmen verringern die Genauigkeit. Eine allgemeingültige Genauigkeitszahl gibt es nicht. Die Aufnahme ist ebenso wichtig wie die Software.

Der übliche Maßstab ist die Wortfehlerrate (Word Error Rate, WER). Sie zählt ersetzte, ausgelassene und hinzugefügte Wörter und teilt die Summe durch die Anzahl der Wörter in einem von Menschen geprüften Transkript. Unser Artikel dazu, wie genau Whisper ist, zeigt, wie stark die WER zwischen klaren Hörbuchaufnahmen und Meetings mit entfernten Mikrofonen variiert.

Einschränkung Ursache Was hilft
Akzente und Dialekte Manche Akzente kamen beim Training deutlich seltener vor. Wähle die passende regionale Variante und teste einen kurzen Clip.
Störgeräusche und Abstand Rauschen und Hall machen das Sprachsignal weniger deutlich. Gehe näher ans Mikrofon, verwende einen ruhigen Raum oder ein Headset.
Fachsprache, Namen und seltene Wörter Die Modelle bevorzugen häufig vorkommende Wörter. Verwende eigene Wortlisten (bei Microsoft „Phrase Lists“) oder prüfe Namen und Zahlen.
Mehrere Stimmen und Überschneidungen Überlappende Stimmen sind schwer zu trennen. Ihre Zuordnung ist eine eigene Aufgabe, die Sprecherdiarisierung. Lass möglichst nur eine Person gleichzeitig sprechen und prüfe die Sprecherangaben.
Telefonaufnahmen und schlechter Ton Ältere Telefonaufnahmen haben laut Google meist 8.000 Hz, was die Genauigkeit verringern kann. Nimm in höherer Qualität auf. Eine nachträglich erhöhte Abtastrate verbessert die alte Aufnahme nicht.
Gleich klingende Wörter „Flour“ und „flower“ klingen gleich. Lies den Text vor dem Abschicken noch einmal durch.

Zwei Gewohnheiten helfen gegen die meisten Fehler: Vergleiche jeden Namen, jede Zahl und jeden Fachbegriff mit dem Ton. Nutze Live-Untertitel zur Orientierung und prüfe sie, bevor du sie als schriftlichen Nachweis verwendest.

Sprache zu Text für Barrierefreiheit

Sprache zu Text hilft auf zwei Arten. Per Diktat können Menschen durch Sprechen schreiben. Das W3C nennt unter anderem Menschen mit körperlichen Behinderungen, Überlastungsverletzungen sowie kognitiven Beeinträchtigungen oder Lernbehinderungen. Untertitel und Transkripte machen gesprochene Inhalte für gehörlose und schwerhörige Menschen zugänglich.

Laut der W3C-Seite zu Hörbeeinträchtigungen brauchen Audioinhalte Alternativen wie Transkripte und Captions. Automatische Untertitel sind dafür häufig zu ungenau, weil sie Fachbegriffe falsch erkennen und Sätze zusammenziehen. Prüfe und korrigiere deshalb den Text, bevor du ihn veröffentlichst. Unser Vergleich von Subtitles und Captions erklärt die beiden Varianten.

Auch Smartphones bieten Live-Funktionen. Apples Live-Untertitel (ab iPhone 11) transkribieren Ton aus Apps oder aus der Umgebung in Echtzeit. Apple rät davon ab, sich in Notfällen und anderen Situationen mit hohem Risiko darauf zu verlassen. Googles „Automatische Transkription“ unter Android zeigt Sprache und Geräusche als Text an. Sie benötigt Internet, außer wenn du eine Offline-Sprache nutzt.

Ein Speech-to-Text-Tool wählen: 5 Kriterien

Überlege zuerst, welches Ergebnis du brauchst. Für eine kurze Nachricht reicht die integrierte Diktierfunktion. Prüfe bei langen Aufnahmen diese fünf Punkte:

  1. Live oder aufgezeichnet? Für neue Texte brauchst du eine Diktierfunktion in deinen Apps. Für vorhandene Aufnahmen brauchst du ein Tool, das Dateien und gegebenenfalls Links verarbeitet.
  2. Sprachen und Akzente. Prüfe, ob deine Sprache und regionale Variante im gewünschten Modus verfügbar sind. Live- und Dateimodus bieten nicht immer dieselbe Auswahl.
  3. Verarbeitungsort. Manche Tools verarbeiten den Ton auf dem Gerät, andere senden ihn an einen Server. Lies vor dem Upload vertraulicher Aufnahmen die Datenschutzerklärung und hole vor der Aufnahme anderer Personen deren Zustimmung ein.
  4. Ausgabe. Achte auf Sprecherangaben, Zeitstempel, einen Editor sowie Exportformate wie DOCX, TXT, SRT und VTT.
  5. Dateigrenzen und Kosten. Prüfe die maximale Aufnahmedauer, die maximale Dateigröße und wie sich der Preis mit der Audiomenge ändert.

Wenn das Budget entscheidend ist, vergleicht unsere Übersicht über kostenlose Transkriptionssoftware die Gratisangebote.

Was whispertranscribe.ai bietet

whispertranscribe.ai wandelt Aufnahmen im Browser in Text um und kann live über dein Mikrofon transkribieren. Der Dienst schreibt nicht in andere Apps und bietet keine Desktop-App. Die Produktseiten beschreiben diese Möglichkeiten:

  • Aufnahmen hochladen. Verwende Sprache zu Text online für Audios und Videos zum Beispiel als MP3, WAV, M4A, MP4 oder MOV, bis zu 5 GB und 10 Stunden pro Datei. Die Dateitranskription unterstützt mehr als 130 Sprachen und bietet eine optionale Sprechererkennung.
  • Per Link transkribieren. Füge einen Link von YouTube, Vimeo, Google Drive oder Dropbox in Transkription per URL ein.
  • Im Browser aufnehmen. Nimm deine Stimme auf und transkribiere sie, ohne etwas zu installieren. Alternativ lade Sprachnotizen hoch.
  • Live transkribieren. Die Live-Transkriptionsseite nimmt über dein Mikrofon auf und zeigt das Gesprochene in Echtzeit als Text an. Wähle die Sprache und das Mikrofon und aktiviere bei Bedarf die Sprechererkennung. Die Sprachauswahl ist kleiner als beim Datei-Upload.
  • Exportieren. Verfügbar sind DOCX, PDF, SRT, VTT, TXT und CSV. Der KI-Untertitelgenerator erstellt Untertiteldateien. Auch Gesprächsaufzeichnungen kannst du transkribieren.

Bei klarem Ton ist die Erkennung bis zu 99 % genau. Hintergrundgeräusche, starke Akzente und überlappende Stimmen mindern die Genauigkeit. Kostenpflichtige Tarife beginnen bei 9,99 US-Dollar pro Monat bei jährlicher Abrechnung (Preise). Du kannst kostenlos und ohne Konto starten. Die vollständige Liste steht auf der Funktionsseite.

Häufig gestellte Fragen

Sind Voice-to-Text und Speech-to-Text dasselbe?

Ja. Beide Namen beschreiben Software, die gesprochene Wörter erkennt und als bearbeitbaren Text ausgibt. Google und Microsoft verwenden in ihren Entwicklerdokumentationen häufiger „Speech-to-Text“. Viele Menschen suchen nach „Voice-to-Text“. Beide beruhen auf automatischer Spracherkennung. „Voice Recognition“ meint beim W3C dagegen die Erkennung der Person, die spricht.

Ist Sprache zu Text dasselbe wie Diktieren?

Diktieren ist eine Anwendung von Sprache zu Text. Du sprichst in ein Textfeld und die Wörter erscheinen am Cursor, etwa mit der Windows-Spracheingabe oder der Apple-Diktierfunktion. Dazu kommt die Transkription, bei der eine vollständige Aufnahme eines Interviews, einer Vorlesung oder eines Meetings zu einem bearbeitbaren Transkript wird. Wenn du neuen Text schreiben willst, diktiere ihn. Für eine bereits vorhandene Aufnahme und deren schriftliche Fassung nutze ein Transkriptionstool.

Braucht Sprache zu Text eine Internetverbindung?

Das hängt vom Tool ab. Microsofts Spracheingabe in Windows braucht für die Online-Spracherkennung eine Internetverbindung. In vielen Sprachen verarbeitet das iPhone laut Apple Diktate ohne Internet direkt auf dem Gerät. Beim Mac zeigen die Tastatureinstellungen, ob Diktate auf dem Gerät verarbeitet werden. Googles „Automatische Transkription“ braucht Internet, sofern keine Offline-Sprache verwendet wird. Cloud-Dienste für Transkription, darunter browserbasierte Dienste, benötigen Internet für Upload und Verarbeitung.

Ist Sprache zu Text kostenlos?

Die Grundfunktionen sind auf den meisten Geräten kostenlos. Windows, macOS, iOS und Android bieten Spracheingabe oder Diktieren ohne Zusatzkosten an. Die unterstützten Sprachen unterscheiden sich. Bei langen Aufnahmen fallen eher Kosten an. Viele Dienste bieten einen kostenlosen Test oder Tarif und rechnen danach nach Audiostunden oder im Abonnement ab. Prüfe vor dem Bezahlen maximale Laufzeit und Dateigröße, verfügbare Sprachen und die Exportformate im gewünschten Tarif.

Wie genau ist Sprache zu Text?

Bei klarem Ton mit einer einzelnen Person nah am Mikrofon erkennen moderne Systeme die meisten Wörter richtig. Eine allgemeingültige Genauigkeitszahl gibt es nicht. Hintergrundgeräusche, Hall, Abstand zum Mikrofon, starke Akzente, Fachsprache und überlappende Stimmen erhöhen die Fehlerzahl. Als Maß dient meist die Wortfehlerrate, die ersetzte, fehlende und zusätzliche Wörter berücksichtigt. Prüfe Namen, Zahlen und Fachbegriffe anhand der Aufnahme, bevor du dich auf ein Transkript verlässt.

Kann die Software erkennen, wer gerade spricht?

Manche Tools können das. Die Zuordnung, wer wann gesprochen hat, ist ein eigener Schritt namens Sprecherdiarisierung. Nicht jedes Tool bietet sie an. Integrierte Diktierfunktionen gehen von einer Person aus. Transkriptionsdienste ergänzen häufig Sprecherangaben. Microsoft dokumentiert etwa Diarisierung für bis zu 35 Sprechende in Azure Speech. Ähnlich klingende Stimmen und gleichzeitiges Sprechen erschweren die Zuordnung. Prüfe die Sprecherangaben bei solchen Aufnahmen nach.


Möchtest du eine Aufnahme in Text umwandeln? Lade sie bei whispertranscribe.ai hoch. Du erhältst ein Transkript in mehr als 130 Sprachen und kannst es als DOCX, PDF, SRT oder VTT exportieren.

Quellen

Möchten Sie Ihre Aufnahmen in Text umwandeln?

Transkribieren Sie Audio und Video mit whispertranscribe.ai.

Transkription starten ↗