Was ist die Wortfehlerrate (WER)? So wird Transkriptionsgenauigkeit gemessen (2026)

Die Kurzantwort: Die Wortfehlerrate (englisch Word Error Rate, WER) ist das Standardmaß für die Genauigkeit einer Transkription. Sie zählt die drei Arten, auf die ein Transkript falsch sein kann – ein ersetztes Wort, ein ausgelassenes Wort, ein hinzugefügtes Wort – und teilt die Summe durch die Zahl der tatsächlich gesprochenen Wörter. Eine WER von 10 % bedeutet: Ungefähr jedes zehnte Wort ist falsch. In der Definition stecken drei Überraschungen. Die WER kann über 100 % liegen. Dasselbe Transkript kann zwei verschiedene Werte bekommen, je nachdem, wie der Text vor dem Zählen normalisiert wurde. Und ohne das Audio, an dem sie gemessen wurde, sagt die Zahl nichts aus. Für Sprachen ohne Leerzeichen wie Japanisch und Chinesisch wechselt die Branche außerdem zur Zeichenfehlerrate (CER) – ein anderes Maß, das Anbieter gern zitieren, als wäre es dasselbe.

Diesen Leitfaden hat das LoroNote-Team am 26. August 2026 geschrieben. LoroNote führt Whisper Large V3 Turbo auf dem Gerät aus – WER-Zahlen entscheiden also darüber, was wir bauen und was wir behaupten. Jede Zahl unten stammt aus OpenAIs veröffentlichtem Paper und den Modellkarten oder aus dem öffentlichen Open ASR Leaderboard, alles am Ende verlinkt. Keine davon ist unsere eigene Messung.

Die Formel: drei Arten, auf die ein Transkript falsch sein kann

Die WER vergleicht zwei Texte: die Referenz (was tatsächlich gesagt wurde, von einem sorgfältigen Menschen transkribiert) und die Hypothese (was die Maschine daraus gemacht hat). Jeder Unterschied zwischen beiden fällt in eine von drei Kategorien:

• Ersetzung (Substitution, S) – ein Wort wurde durch ein anderes ersetzt
• Auslassung (Deletion, D) – ein gesprochenes Wort fehlt im Transkript
• Einfügung (Insertion, I) – im Transkript steht ein Wort, das niemand gesagt hat

Der Wert ist die Summe aller drei, geteilt durch die Zahl der Wörter in der Referenz:

WER = (S + D + I) / N, wobei N die Zahl der gesprochenen Wörter ist – nicht die Zahl der Wörter im Transkript.

Ein durchgerechnetes Beispiel. Jemand sagt: „Schicke den Bericht an Priya bis Freitag früh“ – acht Wörter. Im Transkript steht: „Schicke einen Bericht an Prisha bis Freitag.“ Das sind zwei Ersetzungen (den → einen, Priya → Prisha) und eine Auslassung (früh): drei Fehler auf acht Wörter, eine WER von 37,5 %. Beachten Sie, was das Beispiel nebenbei zeigt: Der verstümmelte Name ist der Fehler, der Sie wirklich etwas kosten würde – und er zählt genauso viel wie das den, das zu einen wurde. Dazu unten mehr.

Warum die WER über 100 % liegen kann

Ersetzungen und Auslassungen sind durch die Länge der Referenz begrenzt – mehr Wörter, als gesprochen wurden, lassen sich nicht auslassen. Für Einfügungen gilt diese Grenze nicht. Ein generatives Sprachmodell kann aus einer Passage mit fast völliger Stille ganze Sätze erfinden, und jedes erfundene Wort zählt als Einfügung gegen eine Referenz von beinahe null Wörtern. Das treibt die WER über 100 % – kein Rundungsfehler, sondern die Formel, wie sie gedacht ist. Genau deshalb wiegen Halluzinationen – ein dokumentiertes Verhalten von Whisper bei Stille, Rauschen und Musik – schwerer, als ihr Anteil an der durchschnittlichen WER vermuten lässt. Wie sich zwei Modellarchitekturen genau darin unterscheiden, haben wir in Parakeet V3 vs. Whisper Large V3 verglichen.

WER gegen „99 % genau“

Anbieter werben selten mit einer Wortfehlerrate; sie werben mit Genauigkeit. Die Umrechnung ist simpel – Genauigkeit ist grob 100 % minus WER –, aber die Verpackung leistet stille Arbeit. „99 % genau“ klingt wie eine Eigenschaft des Produkts. Eine WER beschreibt ein Produkt aber immer nur auf einem bestimmten Testset, und das Genauigkeits-Banner nennt fast nie eines. Dieselbe Engine, die bei sauberer, nah aufgenommener vorgelesener Sprache 97 % erreicht, kann bei einem Meeting mit entferntem Mikrofon auf 84 % fallen, ohne dass sich an der Software irgendetwas ändert. Eine präzise Genauigkeitsangabe ohne benanntes Testset ist eine Werbeentscheidung, keine Auswertung.

Die Faustregel: Wo immer Ihnen ein Genauigkeitsprozentsatz begegnet, ziehen Sie ihn von 100 ab und fragen Sie: „Auf welchem Audio?“ Ist die Antwort nicht veröffentlicht, lässt sich die Zahl mit nichts vergleichen – auch nicht mit der Zahl desselben Anbieters vom Vorjahr.

Nicht alle Fehler kosten gleich viel – der WER ist das egal

Die WER ist bewusst demokratisch: Ein verschlucktes „ähm“ und ein falscher Medikamentenname zählen je einmal. Diese Neutralität macht das Maß objektiv und über Systeme hinweg vergleichbar – und sie ist zugleich seine bekannteste Schwäche. Ein Transkript mit fünf verstümmelten Füllwörtern und ein Transkript mit fünf verstümmelten Kundennamen haben dieselbe WER und sehr unterschiedliche Konsequenzen.

Evaluationsteams behelfen sich mitunter mit gewichteten Metriken oder eigenen Fehlerraten für Schlüsselbegriffe. Die Zahlen, denen Sie begegnen werden – in Papers, auf Leaderboards, im Marketing –, sind aber fast immer schlichte WER. Die praktische Folge für alle, die ein Transkriptionswerkzeug auswählen: Lesen Sie nach jedem Test die tatsächlichen Fehler, statt beim Zählen stehen zu bleiben. Wo die Fehler sitzen, zählt mehr als ihre Zahl.

Normalisierung: warum ein Modell zwei verschiedene Werte bekommt

Bevor irgendetwas gezählt wird, werden Referenz und Hypothese normalisiert: kleingeschrieben, von Interpunktion befreit, mit vereinheitlichten Zahlen, Kurzformen und Schreibweisen. Ist „sechsundzwanzig“ ein Fehler gegenüber „26“? Ist „gibt’s“ ein Fehler gegenüber „gibt es“? Jede Auswertung beantwortet diese Fragen mit eigenen Regeln, und die Regeln verschieben den Wert.

OpenAI hielt das für wichtig genug, um zusammen mit Whisper einen eigens gebauten Text-Normalisierer auszuliefern und dem Thema einen Anhang des Whisper-Papers zu widmen – samt Messung, wie dessen Entscheidungen die gemessene WER verändern. Auf einem Benchmark wie LibriSpeech können Normalisierungsunterschiede allein die veröffentlichte Zahl eines Modells um mehr als einen Prozentpunkt bewegen. Das ist ungefähr die Größenordnung des Abstands, den viele Duell-Vergleiche gefunden haben wollen.

Deshalb wiederholen wir in diesem Blog eine Warnung immer wieder, zuletzt im Vergleich zu Apple SpeechAnalyzer: WER-Zahlen aus zwei getrennt veröffentlichten Auswertungen sind grober Kontext, kein Urteil. Sauber vergleichen lassen sich nur zwei Systeme, die im selben Durchlauf bewertet wurden – auf demselben Audio, mit demselben Normalisierer.

Ohne ihr Testset sagt eine WER nichts aus

Der meistzitierte Sprach-Benchmark, LibriSpeech, besteht aus gemeinfreien Hörbüchern und ist in zwei Hälften geteilt, deren Namen alles sagen: test-clean (klare Aufnahmen, leichter verständliche Stimmen) und test-other (der schwierigere Rest). Ein Korpus, zwei Bedingungen – und jedes Modell schneidet auf der zweiten sichtbar schlechter ab. Diese Struktur ist die ganze Lektion der WER im Kleinen: Das Audio ist Teil der Zahl.

Veröffentlichte Werte für Whispers Large-Modelle zeigen denselben Punkt im Großen. Bei sauberer vorgelesener Sprache mit einer Stimme erreichen sie grob 2–3 % WER. Gemittelt über acht unterschiedliche reale englische Testsets des Open ASR Leaderboard sind es etwa 7,4 %. Auf Meetingaufnahmen mit entfernten Mikrofonen und überlappenden Stimmen rund 16 %. Bei einer ressourcenarmen Sprache wie Hindi liegen veröffentlichte Werte nahe 27 %. Dieselben Gewichte, eine Größenordnung Spannweite – wir sind diese Leiter Sprosse für Sprosse in Wie genau ist Whisper? abgegangen.

Im Testset kann noch eine andere Falle stecken: welches Modell überhaupt getestet wurde. Der Benchmark, der 2026 mit der Behauptung viral ging, Apples neue Engine schlage Whisper, hatte Whisper Small gemessen – mehrere Größen unterhalb der Modelle, die On-Device-Apps tatsächlich ausführen. Die Schlagzeilen-Zahl war echt; der Vergleich war es nicht.

Wo „Wort“ nicht mehr funktioniert: CER für Japanisch, Chinesisch und Koreanisch

Die WER setzt voraus, dass sich ein Satz durch Hinsehen in Wörter zerlegen lässt. Japanisch und Chinesisch werden ohne Leerzeichen geschrieben – „wie viele Wörter hat dieser Satz“ ist dort selbst eine Modellierungsentscheidung. Zwei Tokenizer liefern zwei verschiedene Zählungen, und die Fehlerrate erbt die Uneinigkeit. Für diese Sprachen wechseln Auswertungen deshalb zur Zeichenfehlerrate (CER): dieselbe Rechnung aus Ersetzungen, Auslassungen und Einfügungen, nur pro Zeichen statt pro Wort. OpenAIs eigene Modellkarte zu Whisper Large V3 berichtet für Sprachen wie Japanisch, Chinesisch, Koreanisch und Thai CER statt WER.

Koreanisch ist der lehrreiche Zwischenfall: Es hat Leerzeichen, aber Partikeln hängen an den Wörtern davor, und legitime Varianten der Getrenntschreibung verschieben Wortgrenzen, ohne die Bedeutung zu ändern. Eine Zählung auf Wortebene bestraft dort Unterschiede, die kein Leser einen Fehler nennen würde – auch hier ist die Zeichenebene die stabilere Wahl. Ein kleiner Verwandter dieses Problems steckt übrigens im Deutschen selbst: Ob eine Zusammensetzung als ein Wort oder als mehrere transkribiert wird, entscheidet über die Zählung, nicht über die Verständlichkeit.

Die praktische Warnung: 5 % CER und 5 % WER sind nicht dieselbe Aussage. Werte auf Zeichenebene fallen bei derselben Ausgabe numerisch niedriger aus als Werte auf Wortebene, weil ein falsches Wort meist noch mehrere richtige Zeichen enthält. Eine mehrsprachige Genauigkeitstabelle, die beide Maße stillschweigend mischt – und viele tun das –, ist über ihre eigenen Zeilen hinweg nicht vergleichbar. Uns betrifft das direkt: LoroNote transkribiert über 100 Sprachen auf dem Gerät, und „wie genau ist es in meiner Sprache“ lässt sich erst beantworten, wenn klar ist, mit welchem Maß Ihre Sprache überhaupt gemessen wird.

So messen Sie Ihre eigene WER in zehn Minuten

Jede Zahl oben wurde am Audio von jemand anderem gemessen. Der Test, der Ihre Frage beantwortet, läuft auf Ihrem – und braucht nichts außer einem Texteditor:

1. Nehmen Sie rund zwei Minuten repräsentatives Audio auf. Derselbe Raum, derselbe Mikrofonabstand, dieselbe Sprache, echte Namen und Fachbegriffe – der Test ist nur so ehrlich wie die Stichprobe.
2. Transkribieren Sie die Aufnahme mit der App, die Sie bewerten wollen.
3. Legen Sie Ihre Regeln fest, bevor Sie zählen. Diesen Schritt überspringen fast alle, dabei ist er das Normalisierungsproblem von oben im Kleinen: Ignorieren Sie Interpunktion und Groß-/Kleinschreibung, wählen Sie eine Konvention für Zahlen, und entscheiden Sie vorab, ob Füllwörter zählen. Jede Regel funktioniert – solange Sie sie festlegen, bevor Sie die Ausgabe ansehen, und sie beim Test einer zweiten App unverändert lassen.
4. Werten Sie einen Abschnitt von 200 Wörtern aus. Vergleichen Sie das Transkript mit dem tatsächlich Gesagten und zählen Sie jede Ersetzung, Auslassung und Einfügung. Teilen Sie durch 200. Das ist Ihre WER – auf dem einzigen Benchmark, in dem es je um Ihr Audio ging.
5. Und dann: Lesen Sie die Fehler. Fünf verstümmelte Füllwörter und fünf verstümmelte Kundennamen sind derselbe Wert und ein sehr unterschiedlicher Tag. Scheitern wiederkehrende Namen immer wieder, hat genau dieses Problem eine gezielte Lösung – dafür gibt es das eigene Wörterbuch in LoroNote.

Weil LoroNote auf dem Gerät transkribiert und die ersten zwei Minuten jeder Aufnahme kostenlos sind, kostet das ganze Experiment nichts – und die Aufnahme verlässt Ihr iPhone nie: kein Upload, kein Konto, und der Flugmodus ändert nichts.

Häufige Fragen

Wie berechnet man die Wortfehlerrate?

Addieren Sie die drei Fehlerarten – Ersetzungen, Auslassungen und Einfügungen – und teilen Sie durch die Zahl der tatsächlich gesprochenen Wörter: WER = (S + D + I) / N. N stammt aus der Referenz (dem Gesagten), nicht aus dem Transkript. Genau deshalb kann starkes Einfügen die WER über 100 % treiben.

Was ist eine gute Wortfehlerrate?

Das hängt vollständig vom Audio ab. Bei sauberer, nah aufgenommener Sprache mit einer Stimme erreichen moderne große Modelle 2–3 % WER, nahe an der praktischen Obergrenze. Über gemischtes reales englisches Audio sind mittlere einstellige Werte bis etwa 10 % stark. Bei Meetings mit entferntem Mikrofon und Durcheinanderreden liegen selbst Spitzenmodelle um 16 %. Eine „gute“ WER ist eine, die an Audio gemessen wurde, das Ihrem ähnelt – ein Anbieter, der für ein Meeting-Szenario Werte von sauberer Sprache zitiert, beantwortet eine andere Frage.

Kann die Wortfehlerrate über 100 % liegen?

Ja. Einfügungen sind nicht durch die Zahl der gesprochenen Wörter begrenzt. Ein Modell, das Text erfindet – etwa halluzinierte Sätze in einer Passage voller Stille –, kann mehr Fehler ansammeln, als die Referenz Wörter hat. Eine WER über 100 % deutet fast immer auf Einfügungsprobleme hin, nicht auf Verhören.

Warum berichten zwei Auswertungen unterschiedliche WER-Werte für dasselbe Modell?

Aus zwei Gründen, meist kombiniert: anderes Testaudio und andere Textnormalisierung. Allein die Normalisierungsregeln – wie Interpunktion, Groß-/Kleinschreibung, Zahlen und Kurzformen vor dem Zählen vereinheitlicht werden – können eine veröffentlichte LibriSpeech-Zahl um mehr als einen Punkt bewegen. Sauber vergleichbar sind nur zwei Systeme aus demselben Auswertungslauf.

Ist die WER das richtige Maß für jede Sprache?

Nein. Für Sprachen ohne Leerzeichen wie Japanisch und Chinesisch sind Wortgrenzen mehrdeutig; Auswertungen nutzen dort die Zeichenfehlerrate (CER). Auch Koreanisch ist mit einer Zählung auf Zeichenebene meist besser bedient. CER-Werte fallen bei derselben Ausgabe numerisch niedriger aus als WER-Werte – die beiden dürfen deshalb nie direkt verglichen werden.

Misst die WER, ob Sprecher richtig zugeordnet werden?

Nein. Die WER bewertet nur die Wörter. Sie der richtigen Person zuzuordnen ist Diarisierung, ein eigener Schritt mit eigener Fehlermetrik – ein Transkript kann eine niedrige WER haben und trotzdem jede Zeile der falschen Person zuschreiben. Wie Sprechererkennung funktioniert behandelt diese Hälfte des Problems.

Fazit zur Wortfehlerrate

Die Wortfehlerrate ist die nützlichste Zahl der Spracherkennung – und die am leichtesten missverstandene. Die Formel ist ehrlich: drei Fehlerarten, geteilt durch die gesprochenen Wörter. Aber jede veröffentlichte Zahl hat stille Passagiere an Bord: das Testset, an dem sie gemessen wurde, den Normalisierer, der den Text vorbereitet hat, und den Maßwechsel, sobald eine Sprache keine Leerzeichen mehr benutzt. Lesen Sie jede WER mit diesen drei Fragen im Hinterkopf, und die Zahlen werden wirklich aussagekräftig. Noch besser: Investieren Sie zehn Minuten und messen Sie eine an Ihrem eigenen Audio – es ist das einzige Testset, in dem es je um Sie ging.

Quellen

• OpenAI, Robust Speech Recognition via Large-Scale Weak Supervision – das Whisper-Paper; Anhang C behandelt den Text-Normalisierer und seinen Einfluss auf die gemessene WER
• OpenAI, Modellkarte whisper-large-v3 – Werte pro Sprache, je nach Sprache als WER oder CER berichtet
• Open ASR Leaderboard – englische Mittelwerte über mehrere Benchmarks und AMI-Meetingaudio
• LibriSpeech-Korpus – die Aufteilung in test-clean und test-other
• LoroNote, Wie genau ist Whisper? Echte Zahlen – die oben genannten veröffentlichten Werte samt Bedingungen

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