Transkription genauer machen: die fünf Stellschrauben (2026)

Kurz gesagt: Wie genau eine Transkription wird, entscheidet sich meist, bevor überhaupt Software läuft. Die veröffentlichten Messwerte ergeben eine klare Reihenfolge. An erster Stelle stehen Mikrofonabstand und Raumakustik: Dasselbe Spitzenmodell, das bei nah aufgenommener Sprache auf 2–3 % Wortfehlerrate kommt, liegt bei Meetings mit entferntem Mikrofon um 16 % – das Fünffache. Danach kommen überlappende Sprecher (der Hauptgrund, warum Meeting-Korpora in jedem Benchmark ganz unten stehen), Lärm und lange Stille (in stillen Passagen halluzinieren Sprachmodelle Text, den niemand gesagt hat) sowie Sprache und Wortschatz (die veröffentlichten Fehlerraten je Sprache liegen mehr als einen Faktor zehn auseinander). Erst ganz am Ende folgt die Modellvariante – die einzige der fünf, die eine reine Softwareentscheidung ist. Zu jeder dieser Aussagen steht unten die gemessene Zahl.

Diesen Leitfaden hat das LoroNote-Team am 27. August 2026 geschrieben. Jede Benchmark-Zahl darin stammt aus den Primärquellen, die wir auf unserer Seite mit verifizierten Transkriptionsstatistiken gesammelt haben; die Messmethode am Ende kommt aus unserem Leitfaden zur Wortfehlerrate. LoroNote führt Whisper Large V3 Turbo auf dem Gerät aus – bessere Aufnahmebedingungen verbessern also die Ausgabe unseres eigenen Produkts. Wir haben keinen Anreiz, Ihnen zu erzählen, die Genauigkeit sei schon in Ordnung.

Die fünf Stellschrauben, nach Wirkung sortiert

Auf die Reihenfolge kommt es an. Wer wegen der Genauigkeit eine bessere App sucht, dreht an Stellschraube 5 – den Schaden richten aber meist die Nummern 1 bis 3 an.

Stellschraube 1: der Mikrofonabstand – Faktor fünf

Kein anderer Einzelfaktor beeinflusst die Genauigkeit so stark wie die Entfernung zwischen Mikrofon und Mund. Der sauberste veröffentlichte Beleg: ein und dasselbe Modell, gemessen unter verschiedenen Bedingungen. Whisper Large V3 liegt im Mittel über acht unterschiedliche reale englische Testsets bei etwa 7,4 % WER, bei sauberer, nah aufgenommener vorgelesener Sprache grob bei 2–3 % – und beim AMI-Korpus, aufgenommen in Meetingräumen mit entfernten Mikrofonen, um 16 %. Zwischen diesen Werten hat sich an der Software nichts geändert, nur an der Aufnahme.

Was konkret zu tun ist:

• Rücken Sie erst das Telefon zurecht, dann das Budget. Ein Telefon nahe bei der sprechenden Person schlägt eine teure Anlage am anderen Ende des Raums. Bei einem Interview zu zweit gehört das Telefon zwischen Sie beide, etwas näher an die leisere Stimme.
• Legen Sie das Gerät in Meetings in die Tischmitte, nicht an Ihren Platz. Jeder zusätzliche Meter zum entferntesten Sprecher kostet mehr, als ein App-Wechsel je zurückholt.
• Wer allein diktiert, hat bereits die beste Ausgangslage. Eine Armlänge zum Telefon ist Nahbesprechung – bessere Bedingungen gibt es nicht. Werden Ihre Solo-Aufnahmen trotzdem schlecht transkribiert, liegt das Problem nicht am Abstand, sondern an einer der Stellschrauben weiter unten.

Stellschraube 2: Durcheinanderreden

Überlappende Sprecher sind der zweite Grund, warum Meeting-Audio das Schlusslicht der Benchmarks bildet. Sprechen zwei Personen gleichzeitig, gibt es schlicht kein sauberes Signal zu transkribieren: Das Modell muss sich für eine Stimme entscheiden, und jedes Wort der anderen wird zum Fehler. Das ist ein physikalisches Problem, kein Softwareproblem – und deshalb übersteht es jedes Modell-Upgrade.

Was konkret zu tun ist:

• Immer nur eine Person sprechen zu lassen bringt mehr als jede Einstellung. In Meetings, die Sie moderieren, zahlt die Disziplin, einander ausreden zu lassen, direkt auf die Genauigkeit ein.
• Setzen Sie die wichtigen Stimmen nah ans Mikrofon. Wenn die entscheidende Person aus der hintersten Ecke nuschelt, ist genau diese Ecke die Stelle, an der Ihr Transkript scheitert.
• Rechnen Sie damit, dass beim Durcheinanderreden auch die Sprecher-Labels leiden. Wer was gesagt hat, ist ein eigener Verarbeitungsschritt mit eigenen Fehlerquellen – wie Sprechererkennung funktioniert zeigt, wo sie scheitert. Ein Transkript kann jedes Wort richtig haben und es trotzdem der falschen Person zuschreiben.

Stellschraube 3: Lärm, Musik und Stille

Gleichmäßiger Hintergrundlärm verschlechtert die Transkription allmählich; die Robustheitstests im Whisper-Paper selbst zeigen, dass die Erkennung einbricht, sobald der Lärm die Marke von rund 10 dB Signal-Rausch-Abstand passiert – das Niveau eines lauten Cafés oder einer Kneipe, bei dem konkurrierende Modelle sogar schneller einbrachen als Whisper. Musik ist schlimmer als Lärm, und zwar aus einem zweiten Grund: Sprachmodelle haben im Training riesige Mengen Musik mit Gesang verarbeitet – und versuchen dann, den Songtext mitzuschreiben.

Stille hat ihre eigene Falle. Eine Studie von 2024 zur Whisper-API fand halluzinierte Formulierungen in rund 1 % der Transkriptionen – erfundene Sätze, gehäuft dort, wo das Audio leise wird, und überproportional bei Menschen, die beim Sprechen länger pausieren. (Einfügungen, die aus Stille entstehen, sind auch der Grund, warum eine Wortfehlerrate über 100 % liegen kann.)

Was konkret zu tun ist:

• Wählen Sie den leiseren Raum statt des besseren Mikrofons. Ein Telefon im ruhigen Raum schlägt ein gutes Mikrofon im lauten.
• Schalten Sie Hintergrundmusik aus, wenn es auf die Aufnahme ankommt. Musik überdeckt die Stimme und liefert dem Modell zugleich konkurrierenden Text.
• Schneiden Sie lange stille Passagen vor dem Transkribieren heraus oder nehmen Sie in Abschnitten auf. Stille ist kein neutrales Polster, sondern die Stelle, an der erfundener Text entsteht. Und lesen Sie die leisen Momente des Transkripts mit Misstrauen.

Stellschraube 4: Sprache, Akzent und Wortschatz

Die veröffentlichten Werte je Sprache liegen für dasselbe Whisper-Modell mehr als einen Faktor zehn auseinander – von 4,3 % (Niederländisch) bis 55,7 % (Albanisch) auf Common Voice 15. Auch Unterschiede je nach Akzent sind real und dokumentiert: Begutachtete Forschung maß in Tests mit Systemen von 2019 eine mittlere Fehlerrate von 35 % für schwarze amerikanische Sprecherinnen und Sprecher gegenüber 19 % für weiße, über fünf kommerzielle Systeme hinweg. Aus der Trainingsverteilung eines Modells können Sie sich nicht herauskonfigurieren – zwei Dinge liegen aber wirklich in Ihrer Hand:

• Namen, Fachbegriffe und Produktnamen scheitern zuerst und wiederholen sich endlos. Ein Modell hat den Namen Ihrer Kundin nie gesehen; es rät jedes Mal dasselbe falsche Wort. Das ist das eine Genauigkeitsproblem mit direkter Lösung: Dafür gibt es das eigene Wörterbuch in LoroNote – wiederkehrende Begriffe einmal eintragen, und das Modell hört auf zu raten.
• Sprechen Sie Zahlen, Namen und Codes betont und deutlich. Die Gewohnheit kostet nichts und schützt genau die Wörter, deren Fehler am teuersten sind. Ein verstümmeltes Datum und ein verstümmeltes Füllwort zählen im Benchmark gleich viel – in Ihrem Alltag nicht.
• Steht Ihre Sprache in den veröffentlichten Diagrammen weit unten, sagt ein Zwei-Minuten-Test mit Ihrer eigenen Aufnahme mehr als jede Tabelle. Das Diagramm je Sprache – und warum manche Sprachen per CER statt WER bewertet werden – steht in unserem WER-Leitfaden.

Stellschraube 5: die Modellvariante – die einzige reine Softwarefrage

Ist die Aufnahme so gut, wie die Umstände es zulassen, bleibt die Frage, welches Modell Ihre App ausführt. Der Unterschied ist deutlich: In dem einen Benchmark, der sie nebeneinander laufen ließ, erreichte Whisper Small 3,74 % auf LibriSpeech test-clean und 7,95 % auf test-other, während Large-Engines nahe 2 % und 4,5 % lagen – grob die Hälfte der Fehler, entschieden durch eine Modellgröße, die die App für Sie gewählt hat. „Powered by Whisper“ auf einer App-Seite deckt Größen ab, deren Genauigkeit sich um den Faktor zwei unterscheidet, und mehrere iOS-Apps laden stillschweigend die kleinen Varianten.

Was konkret zu tun ist: Prüfen Sie vor einem App-Wechsel wegen der Genauigkeit, welche Variante jede App tatsächlich lädt. LoroNote führt Whisper Large V3 Turbo – ein Modell der Large-Familie – auf dem Gerät aus; auf einem iPhone 15 Pro transkribiert das mit rund 19-facher Echtzeit (unsere eigene Messung). Auf die Large-Genauigkeit müssen Sie also nicht einmal eine Kaffeepause lang warten.

Was wenig bringt

Drei beliebte Maßnahmen, für die die Messwerte nicht sprechen:

• Mit höherer Abtastrate aufnehmen. Whisper rechnet alles Audio auf 16.000 Hz herunter, bevor es zuhört – das steht ausdrücklich im Paper. Eine 96-kHz-Studiodatei und ein schlichtes Sprachmemo kommen beim Modell gleich an; stecken Sie den Aufwand stattdessen in Abstand und Ruhe.
• Ein neueres Telefon. Das Mikrofon eines halbwegs aktuellen iPhones ist nicht der Engpass; seine Position ist es. (Ein neueres Telefon transkribiert schneller – das ist eine andere Eigenschaft.)
• „Verbesserungs“-Filter vor der Transkription. Aggressive Rauschentfernung kann genau die harmonische Struktur verwischen, die das Modell liest. Wenn Sie einen Filter nutzen, prüfen Sie ihn mit einer Vorher-nachher-Zählung am selben Clip, statt dem sauberer klingenden Audio zu vertrauen. Was fürs Ohr sauberer klingt, ist es für das Modell nicht unbedingt.

Nachmessen statt vermuten

Jede Stellschraube oben lässt sich in zehn Minuten prüfen: Nehmen Sie zwei Minuten unter Ihren aktuellen Bedingungen auf, transkribieren Sie, und zählen Sie die Fehler in einem Abschnitt von 200 Wörtern nach festen Regeln. Dann ändern Sie genau eine Sache – Telefon näher, Musik aus – und lassen dieselbe Passage noch einmal laufen. Die vollständige Zählmethode, samt der Vorab-Entscheidung, was als Fehler gilt, steht in unserem WER-Leitfaden. Weil LoroNote auf dem Gerät transkribiert und die ersten zwei Minuten jeder Aufnahme kostenlos sind, kostet das Vorher-nachher-Experiment nichts – und es funktioniert auch im Flugmodus.

Häufige Fragen

Warum ist meine Transkription so ungenau?

Gehen Sie die Stellschrauben der Reihe nach durch: Wie weit war das Mikrofon von den Sprechenden entfernt, haben Personen durcheinandergeredet, wie laut war der Raum und wie viel Stille enthält die Aufnahme, scheitern vor allem Namen und Fachbegriffe – und welches Modell führt Ihre App aus? In veröffentlichten Benchmarks bewegt allein der Schritt von nah aufgenommenem zu entferntem Mikrofon dasselbe Modell von grob 2–3 % auf rund 16 % Wortfehlerrate – mehr, als ein App-Wechsel zurückholt.

Verbessert ein externes Mikrofon die Transkription?

Was die Genauigkeit verbessert, ist die Nähe zur Stimme; ein externes Mikrofon ist eine Möglichkeit, diese Nähe herzustellen. Ein Ansteckmikrofon an der sprechenden Person ist selbst im großen Raum praktisch Nahbesprechung. Ein nah platziertes Telefon erreicht das meiste davon aber kostenlos – erst die Position, dann die Hardware.

Stört Hintergrundmusik die Transkription?

Ja, doppelt: Sie maskiert die Stimme wie jeder Lärm, und weil Sprachmodelle riesige Mengen Audio mit Gesang verarbeitet haben, transkribieren sie unter Umständen das Lied statt der Person. Die Erkennung bricht zudem deutlich ein, sobald der Lärm die Marke von rund 10 dB Signal-Rausch-Abstand eines lauten Cafés passiert. Schalten Sie Musik aus, wenn es auf die Aufnahme ankommt.

Kann ich Akzentfehler über eine Einstellung beheben?

Nicht über eine Einstellung. Wie gut ein Modell mit Akzenten umgeht, steckt in seinen Trainingsdaten, und die Forschung hat reale Unterschiede zwischen Sprechergruppen dokumentiert. In Ihrer Hand liegt: eine App mit einem Modell der Large-Klasse wählen (größere Modelle verkraften mehr Variation), wiederkehrende Namen und Begriffe ins eigene Wörterbuch eintragen – und an Ihren eigenen zwei Minuten messen, statt Mittelwerten zu vertrauen, die an den Stimmen anderer gemessen wurden.

Werden lange Aufnahmen ungenauer transkribiert?

Die Länge selbst ist kein dokumentierter Genauigkeitsfaktor – die Bedingungen sind es. Eine dreistündige Vorlesung, nah und ruhig aufgenommen, wird bis zum Ende so gut transkribiert wie ihre ersten zehn Minuten. Was mit der Länge wächst, ist der Aufwand für die Fehlerdurchsicht – genau deshalb zählen die Maßnahmen oben umso mehr, je länger Ihre Aufnahmen laufen.

Fazit: Transkription genauer machen

Genauigkeitsratschläge zeigen meist auf die Software, weil Software leicht zu wechseln ist. Die Messwerte zeigen in die andere Richtung: Der Faktor fünf steckt in Mikrofonabstand und Raumakustik, die hartnäckigen Fehler stecken im Durcheinanderreden und in der Stille, und die einzige echte Software-Stellschraube ist die Modellvariante, die Ihre App lädt. Telefon näher, Raum leiser, ausreden lassen, Namen eintragen, Modell prüfen – in dieser Reihenfolge –, und jede Änderung mit einer gezählten Vorher-nachher-Messung an Ihrer eigenen Aufnahme überprüfen. Denn die einzige Genauigkeitszahl, die zählt, ist Ihre.

Quellen

• KI-Transkriptionsstatistiken: jede Zahl verifiziert – die Primärquellen und Prüfdaten für alle oben verwendeten Benchmark-Zahlen (englisch)
• OpenAI, Robust Speech Recognition via Large-Scale Weak Supervision – Resampling auf 16.000 Hz; Robustheit gegen additiven Lärm (Einbruch unterhalb von rund 10 dB SNR Kneipenlärm)
• Open ASR Leaderboard – Mittelwerte über gemischte Benchmarks und AMI-Meetingräume
• Koenecke et al., Racial disparities in automated speech recognition (PNAS, 2020) – die gemessene Akzent- und Dialektlücke
• Koenecke et al., Careless Whisper: Speech-to-Text Hallucination Harms (2024) – Halluzinationen in Stille
• Lyonesse, Apple’s New Speech API vs Whisper – der Direktvergleich Small gegen Large-Klasse
• LoroNote, Was ist die Wortfehlerrate? – die Messmethode für Vorher-nachher-Tests

Alle Zahlen am 26.–27. August 2026 gegen die verlinkten Quellen geprüft.