Was ist STT?

Eine STT-Engine nimmt Audio entgegen, extrahiert daraus Spracheinheiten und ermittelt die wahrscheinlichste Wortfolge unter Berücksichtigung von Sprache und Kontext. Moderne Modelle arbeiten im Streaming-Modus (für den Dialog in Echtzeit) oder im Batch-Modus (für die Verschriftung von Aufnahmen). Die Genauigkeit hängt von der Audioklarheit, der Sprache und dem Akzent, dem Fachvokabular und davon ab, ob die Sprecher nach Kanälen getrennt sind.

STT ist die Grundlage zweier großer Anwendungsfälle. In der Gesprächsanalyse liefert es das Transkript, auf dem Diarisierung, Metriken, Themen und Suche aufbauen. In Sprachagenten wandelt es die Sprache des Anrufers in Echtzeit in Text um, den anschließend das Sprachmodell versteht — ohne schnelle und präzise Erkennung ist ein flüssiger Live-Dialog nicht möglich.

Erkennungs-Engines unterscheiden sich in Sprachen, Genauigkeit, Latenz und Kosten, weshalb je nach Aufgabe unterschiedliche gewählt werden. Für manche Szenarien zählt vor allem minimale Latenz, für andere maximale Genauigkeit oder ein niedriger Preis bei hohem Volumen, und manchmal die Möglichkeit, lokal zu erkennen, ohne Audio nach außen zu senden.

Die Genauigkeit von STT lässt sich auch durch Aufbereitungsschritte beeinflussen: Trennung der Sprecher nach Kanälen, Rauschunterdrückung, das Herausschneiden von Stille vor der Erkennung. Von der Qualität dieses Schritts hängt unmittelbar die Verlässlichkeit der gesamten nachfolgenden Analyse ab, denn Erkennungsfehler übertragen sich auf Metriken, Themen und extrahierte Daten.