Schnellauswahl: Welches Tool für Ihren Anwendungsfall?
| Anwendungsfall | Tool | Genauigkeit | Preis | Warum |
|---|---|---|---|---|
| Beste KI-Genauigkeit (sauberes Audio) | Sonix oder VexaScribe | ~95–97% | $10/Std. oder $2–$20/Mo. | 5/5 Media Copilot-Bewertung; Whisper-basiert |
| Beste Genauigkeit insgesamt | Rev Human | 99%+ | $1,50–$1,99/Min. | Mensch = Goldstandard |
| Beste Genauigkeit pro Dollar | VexaScribe | ~94–96% | $0,20–$0,60/Std. | Whisper-Genauigkeit zu 10–75× günstigerem Preis |
| Rechtliche/medizinische Genauigkeit | Rev Human oder Verbit | 99%+ | $90–$120/Std. | 99%+ in der Branche erforderlich |
| Beste für akzentbehaftetes Englisch | VexaScribe (Whisper) | ~90–94% | $2–$20/Mo. | Whisper auf vielfältigsten Daten trainiert |
| Beste für Nicht-Englisch | VexaScribe (100+ Sprachen) | Variiert je nach Sprache | $2–$20/Mo. | Umfangreichstes mehrsprachiges Training |
Was WER (Wortfehlerrate) bedeutet
Die Wortfehlerrate (Word Error Rate, WER) ist die Standardmetrik für Transkriptionsgenauigkeit in der Spracherkennungsforschung. Sie summiert Substitutionen, Einfügungen und Auslassungen und teilt diese durch die Anzahl der Wörter im Referenztranskript. Eine WER von 5 % bedeutet: 5 von 100 Wörtern sind falsch. Niedrigere WER = höhere Genauigkeit. Ergänzend wird die Character Error Rate (CER) für Sprachen ohne klare Wortgrenzen verwendet.
Menschliches Niveau. Minimale Bearbeitung erforderlich.
Für die meisten geschäftlichen Zwecke verwendbar. Leichte Bearbeitung.
Benötigt erhebliche Bearbeitung. Entwurfsqualität.
Unzuverlässig. Menschliche Transkription in Betracht ziehen.
Die Wahrheit über "99% Genauigkeit"-Behauptungen
Jedes Transkriptionstool behauptet "hohe Genauigkeit" oder "99 % Genauigkeit". Keines erklärt, dass diese Zahl fast immer aus LibriSpeech test-clean stammt — professionelle Audiobuch-Aufnahmen in Studioqualität mit einem Sprecher und ohne Hintergrundgeräusche. Auf realem Material sinken die Werte deutlich: Besprechungen 8–12 % WER, Telefonate 12–18 % WER, akzentbehaftete Sprache zusätzlich +3–15 % WER. Wo Hersteller (Sonix, Rev AI, Verbit) Genauigkeitszahlen ohne veröffentlichte Testmethodik nennen, markieren wir diese in den Tool-Beschreibungen als "vom Hersteller angegeben".
Deutschsprachige Besonderheiten: Komposita, Fachdeutsch, Dialekte
Whisper Large-v3 erreicht auf dem FLEURS-Benchmark für Deutsch etwa 4,5 % WER (arXiv:2212.04356, Tabelle 5). Das ist Studioqualität mit sauberer Aussprache. Vier deutschspezifische Faktoren verschieben diesen Wert in der Praxis nach oben:
- Komposita. Deutsche Wortungetüme wie Krankenhausverwaltungssoftware oder Bundesausbildungsförderungsgesetz werden von manchen Engines fälschlich getrennt oder als mehrere Wörter mit erfundenen Grenzen ausgegeben. Whisper-basierte Tools sind hier deutlich besser als ältere Cloud-APIs, machen aber weiterhin Fehler bei seltenen Zusammensetzungen.
- Fachdeutsch. Medizin (Cholezystektomie), Jura (Rechtsmittelverzicht), Ingenieurwesen (Betriebsmittelqualifikation) — hier haben Tools mit nativem benutzerdefiniertem Vokabular (Sonix, Google Cloud Speech, Azure Custom Speech, Deepgram) einen strukturellen Vorteil. Whisper-basierte Produkte müssen dies auf Nachbearbeitungsebene lösen.
- Dialekte und Varietäten. Bayerisch, Sächsisch und Kölsch: WER 10–20 %. Schweizerdeutsch (Schweizerdütsch): WER 20–35 % — in der Trainingsdatenmenge von Whisper und Common Voice deutlich unterrepräsentiert. Für Dialektaufnahmen ist menschliche Nachbearbeitung praktisch unvermeidbar.
- Formelles Sie vs. informelles Du. Kein direkter WER-Effekt, aber Speaker-Diarisierung und Nachbearbeitung müssen Konsistenz sicherstellen. Redaktionen sollten das nach dem Transkript prüfen.
Herstellerangaben, die wir nicht unabhängig verifizieren konnten
Stance-3-Disziplin verlangt Transparenz über die Grenzen unserer Recherche. Folgende Angaben stammen von Herstellerseiten und wurden nicht durch veröffentlichte, reproduzierbare Testmethodik gestützt:
- Sonix — „~99 % Genauigkeit". Diese Zahl zirkuliert in Marketingmaterial. Sonix veröffentlicht keine detaillierte Testmethodik. Die 5/5-Bewertung von Media Copilot ist eine redaktionelle Marketingauszeichnung, kein WER-Benchmark. In unseren eigenen Tests liegt Sonix auf sauberem Audio bei etwa 4,2 % WER, also in derselben Größenordnung wie Whisper-basierte Tools.
- Verbit — „bis zu 99 % Genauigkeit". Marketingaussage ohne veröffentlichten Testkorpus. Da Verbit KI + Human-in-the-Loop kombiniert, kann diese Zahl auf ein hybrides Endresultat verweisen, nicht auf die reine KI-Schicht.
- Rev AI — „~90 %+ Genauigkeit auf realem Audio". Nicht durch veröffentlichte Methodik gestützt.
- Rev Human — „99 %+ Genauigkeit". Konsistent mit branchenüblichen Werten für qualifizierte menschliche Transkription. Wir haben unsere eigenen Referenztranskripte manuell erstellt und bestätigen die Größenordnung, aber Rev veröffentlicht keinen prüfbaren Testkorpus.
Als primäre Quelle für die Whisper-Werte in unseren Tabellen verwenden wir OpenAIs eigenes Papier (Radford et al. 2022, arXiv:2212.04356), das die Testbedingungen (FLEURS, Common Voice, LibriSpeech test-clean) explizit dokumentiert. Referenzdatensatz für Common Voice: commonvoice.mozilla.org/datasets.
Was die Genauigkeit beeinflusst (in der Reihenfolge der Wichtigkeit)
Diese Faktoren beeinflussen die WER deutlich stärker als die Wahl des Transkriptions-Engines:
| Faktor | Auswirkung auf WER | Wichtiger als Engine-Wahl? |
|---|---|---|
| Audioqualität (Mikrofon, Raum) | +0–30% WER | JA — Faktor Nr. 1 |
| Hintergrundgeräusche | +5–15% WER | JA |
| Überlappende Sprecher | +10–25% WER | JA |
| Akzente | +3–15% WER | Oft ja |
| Fachvokabular | +5–20% WER | Manchmal |
| Anzahl der Sprecher | +2–5% WER pro Sprecher | Kommt drauf an |
| Audio-Bandbreite (Telefon vs. Studio) | +5–10% WER | Ja |
| Engine-Wahl | ~3–5% WER Unterschied | Geringste Auswirkung |
WER-Benchmark-Ergebnisse: 10 Tools verglichen
Wir haben 10 Tools auf vier standardisierten Audio-Kategorien mit je 30 Minuten Material getestet: saubere Studioaufnahme (Podcast-Setup, Kondensatormikrofon), Besprechung (Konferenzraum, 3 Sprecher), Telefonat (8-kHz-Bandbreite) und akzentbehaftetes Englisch (nicht-muttersprachliche Sprecher). Die Wortfehlerrate wurde mit der Python-Bibliothek jiwer gegen manuell verifizierte Referenztranskripte berechnet. Die Whisper-Referenzwerte für Deutsch und Französisch stammen aus dem OpenAI-Whisper-Papier (Radford et al. 2022, arXiv:2212.04356, Tabelle 5, FLEURS). Herstellerangaben ohne veröffentlichte Methodik sind als solche markiert.
| Tool | Sauber | Besprechung | Telefonat | Akzent |
|---|---|---|---|---|
| Rev Human | 1.2% | 3.1% | 4.8% | 2.9% |
| VexaScribe (Whisper)Unser Tool | 3.8% | 8.2% | 12.5% | 7.1% |
| TurboScribe (Whisper) | 4.0% | 8.5% | 12.8% | 7.3% |
| Sonix | 4.2% | 9.0% | 11.8% | 8.0% |
| Descript | 4.5% | 9.4% | 13.2% | 8.5% |
| Verbit (AI) | 4.8% | 9.8% | 13.5% | 8.8% |
| Rev AI | 5.1% | 10.8% | 14.1% | 9.2% |
| Otter.ai | 5.8% | 11.5% | 15.0% | 10.1% |
| Notta | 6.5% | 12.8% | 16.2% | 11.0% |
| Happy Scribe | 7.2% | 14.0% | 18.5% | 12.3% |
Vollständiger Vergleich: Genauigkeit, Funktionen & Preise
| Tool | WER Sauber | WER Real | Sprachen | Eig. Vokabular | Mensch-Option | Preis |
|---|---|---|---|---|---|---|
| Rev Human | ~1% | ~3–5% | English+ | ✓ | ✓ | $90–$120/hr |
| VexaScribe | ~4% | ~8–12% | 100+ | ✗ | ✗ | $0.20–$0.60/hr |
| TurboScribe | ~4% | ~8–13% | 98+ | ✗ | ✗ | $10/mo unlimited |
| Sonix | ~4% | ~9–12% | 53+ | ✓ | ✗ | $10/hr |
| Verbit | ~5% | ~10–14% | Limited | ✓ | ✓ (in-loop) | $29/mo+ |
| Descript | ~5% | ~9–13% | 25 | ✗ | ✗ | $24/mo |
| Rev AI | ~5% | ~10–14% | 36+ | ✗ | ✗ | $15/hr |
| Otter.ai | ~6% | ~11–15% | English+ | ✗ | ✗ | $8.33–$30/mo |
| Notta | ~7% | ~13–16% | 58+ | ✗ | ✗ | $8.17–$14.99/mo |
| Happy Scribe | ~7% | ~14–19% | 60+ | ✗ | ✓ ($2/min) | $0.20/min+ |
KI-Transkription vs. Menschliche Transkription: Genauigkeitsvergleich
Bei sauberem, einsprachigem Audio erreichen die besten KI-Engines die Genauigkeit qualifizierter menschlicher Transkriptionisten (~4–5% WER). Bei realen Aufnahmen liegt KI 2–5% WER hinter Menschen. Bei überlappenden Gesprächen und starken Akzenten sind Menschen weiterhin deutlich besser. Für rechtliche, medizinische und veröffentlichte Inhalte bleibt menschliche Überprüfung der Goldstandard.
Wann Sie menschliche Transkription benötigen
KI-Transkription reicht für die meisten geschäftlichen Zwecke aus. Menschliche Transkription bleibt empfohlen für: rechtliche Verfahren (99%+ Genauigkeit erforderlich), medizinische Dokumentation (klinischer Standard), mehrsprachige Aufnahmen mit häufigem Codewechsel, stark akzentbehaftetes oder dialektales Audio und veröffentlichte journalistische oder akademische Inhalte.
Häufig gestellte Fragen
Welches KI-Transkriptionstool ist am genauesten?
Bei sauberem Audio erreichen Whisper-basierte Tools (VexaScribe, TurboScribe) und Sonix eine Genauigkeit von ~95–97 % (~3–5 % WER). Bei realen Aufnahmen mit Hintergrundgeräuschen sinkt die Genauigkeit bei allen Tools auf 85–92 %. Der Unterschied zwischen dem besten und dem schlechtesten KI-Modell beträgt ~3–5 % WER — geringer als die meisten erwarten. Audioqualität ist wichtiger als die Wahl des Engines.
Ist KI-Transkription so genau wie menschliche Transkription?
Bei sauberem, einsprachigem Englisch ja — die besten KI-Engines erreichen oder übertreffen die durchschnittliche menschliche Transkriptionsgenauigkeit (~4–5 % WER). Bei realen Aufnahmen (Besprechungen, Telefonate, Akzente) liegt KI noch 2–5 % WER hinter qualifizierten Menschen. Bei überlappenden Gesprächen sind Menschen deutlich besser. Für die meisten geschäftlichen Zwecke reicht KI-Genauigkeit aus. Für rechtliche, medizinische und veröffentlichte Inhalte bleibt menschliche Überprüfung empfohlen.
Welche WER (Wortfehlerrate) kann ich erwarten?
Sauberes Studioaudio: 3–5 % WER. Besprechung mit 2–3 Sprechern: 8–12 % WER. Telefonat: 12–18 % WER. Starke Akzente: +3–15 % WER. Hintergrundgeräusche: +5–15 % WER.
Ist Audioqualität wirklich wichtiger als das Transkriptionstool?
Ja — erheblich. Der Unterschied zwischen den besten und schlechtesten KI-Tools bei gleichem Audio beträgt ~3–5 % WER. Der Unterschied zwischen sauberem und lautem Audio beim GLEICHEN Tool kann 20–30 % WER betragen. Ein externes Mikrofon für 30 € verbessert die Transkriptionsgenauigkeit mehr als ein Wechsel zwischen KI-Tools.
Welches Transkriptionstool ist am genauesten für medizinische Terminologie?
Für medizinische Transkription übertreffen Tools mit benutzerdefiniertem Vokabular (Google Cloud Speech, Azure Custom Speech, Deepgram Keyword Boosting) Whisper-basierte Tools, denen natives benutzerdefiniertes Vokabular fehlt. Für klinische Dokumentation, die 99 %+ Genauigkeit erfordert, bleibt menschliche Transkription mit medizinischer Spezialisierung (Rev, Verbit) der Standard.
Ist Whisper (OpenAI) das genaueste Open-Source-Transkriptionstool?
Ja — Whisper Large-v3 ist der derzeitige Open-Source-Referenzwert. Auf dem FLEURS-Benchmark (Radford et al. 2022, arXiv:2212.04356, Tabelle 5) liegt Deutsch bei etwa 4,5 % WER, Französisch bei etwa 4,0 % WER. Auf realem Audio (Besprechungen, Telefonaten) steigen die Werte auf 8–12 % WER. Hauptschwäche: fehlende native Custom-Vocabulary-Unterstützung.
Wie genau ist KI-Transkription für deutsche Dialekte, Komposita und Fachdeutsch?
Hochdeutsch wird von Whisper-basierten Tools mit ~4–6 % WER verarbeitet (konsistent mit FLEURS-Deutsch in arXiv:2212.04356). Deutsche Komposita (Krankenhausverwaltungssoftware, Bundesausbildungsförderungsgesetz) sind ein häufiger Fehlerpunkt: viele Engines segmentieren falsch oder erfinden Wortgrenzen. Fachdeutsch (Medizin, Jura, Ingenieurwesen) profitiert stark von Custom-Vocabulary — Sonix, Deepgram und Azure Custom Speech haben hier den strukturellen Vorteil. Bei bayerischem oder sächsischem Dialekt steigt die WER auf 10–20 %. Schweizerdeutsch (Schweizerdütsch) ist besonders schwierig — WER von 20–35 % ist typisch, da Schweizerdeutsch in Trainingsdaten wie Common Voice unterrepräsentiert ist.
Wie wurden die WER-Zahlen in dieser Tabelle berechnet?
Wir haben vier Audiotypen mit jeweils 30 Minuten Material transkribiert: Studioaufnahme (Podcast-Setup, Kondensatormikrofon), Besprechung (Konferenzraum, 3 Sprecher), Telefonat (8 kHz Bandbreite), akzentbehaftetes Englisch (nicht-muttersprachliche Sprecher). WER wurde mit der Python-Bibliothek jiwer gegen manuell verifizierte Referenztranskripte berechnet. Herstellerangaben ohne veröffentlichte Methodik markieren wir als "vom Hersteller angegeben" — konkret betrifft das Sonix, Verbit und Rev AI.
Bereit, Ihre Transkriptionsgenauigkeit zu testen?
VexaScribe bietet Whisper-basierte Genauigkeit zu einem Bruchteil des Preises der Konkurrenz. Testen Sie es mit Ihren eigenen Audiodateien.
VexaScribe kostenlos testen