KI-Transkriptionsgenauigkeit 2026: Was die Forschung wirklich zeigt

Die KI-Transkriptionsgenauigkeit liegt 2026 bei sauberem Audio mit einem Sprecher meist bei etwa 95 bis 98 Prozent, was fast makellos klingt. Das ehrliche Bild ist komplexer. Die Genauigkeit sinkt deutlich bei Akzenten, Hintergrundgeräuschen, sich überlappenden Sprechern und Fachjargon, und veröffentlichte Forschung zeigt, dass sich die Fehler nicht gleichmäßig über alle Sprechergruppen verteilen.

Diese Lücke zwischen der Schlagzeilenzahl und der Leistung im echten Leben ist wichtig. Wenn du entscheidest, ob du einem automatischen Transkript für ein Meeting, ein Interview, eine medizinische Notiz oder ein juristisches Dokument vertrauen kannst, lautet die richtige Frage nicht „Ist KI-Transkription genau?", sondern „Für wen ist sie unter welchen Bedingungen genau genug?" Dieser Artikel zeigt, was die Forschung tatsächlich misst, was die Zahlen bedeuten und wo die Technologie noch an ihre Grenzen stößt.

Was ist die Wortfehlerrate (WER)?

Die Wortfehlerrate (WER) ist das Standardmaß für die Genauigkeit von Sprache-zu-Text. Sie zählt, wie viele Wörter ein System im Vergleich zu einem korrekten Referenztranskript falsch erkennt, und teilt diese Zahl durch die Gesamtzahl der gesprochenen Wörter. Sie erfasst drei Arten von Fehlern.

• Substitutionen: Das System setzt ein Wort anstelle eines anderen ein (im Englischen zum Beispiel "their" statt "there").
• Auslassungen: Das System lässt ein gesprochenes Wort weg.
• Einfügungen: Das System fügt ein Wort hinzu, das nie gesagt wurde.

Die Formel addiert diese drei Werte und teilt sie durch die Anzahl der Wörter im Referenztext:

> WER = (Substitutionen + Auslassungen + Einfügungen) / Gesamtzahl der Wörter

Ein durchgerechnetes Beispiel macht das greifbar. Angenommen, jemand sagt: "I'll send the contract to Sarah on Friday afternoon." Das sind neun Wörter. Gibt das System "I'll send the contract to Sara on Friday after noon" aus, gibt es eine Substitution ("Sarah" wurde zu "Sara") und eine Einfügung ("afternoon" wurde in "after noon" aufgespalten, was ein zusätzliches Wort ergibt). Zwei Fehler bei neun Wörtern ergeben eine WER von etwa 0,22, also 22 Prozent. Die Genauigkeit, die Zahl, die Marketingteams lieber nennen, würde mit rund 78 Prozent angegeben.

Ein paar Dinge sollte man im Hinterkopf behalten. Eine niedrigere WER ist besser, und eine WER von null bedeutet ein perfektes Transkript. Die WER kann technisch 100 Prozent überschreiten, wenn ein System viele zusätzliche Wörter einfügt. Außerdem behandelt sie jedes Wort gleich, sodass ein falsch erkanntes Füllwort wie „ähm" genauso zählt wie ein falscher Name oder eine falsche Dosierung. Wie das MLCommons-Benchmark-Team feststellt, können selbst kleine Formatierungsentscheidungen wie „Dr." statt „Doktor" als Fehler gewertet werden, wenn der Text nicht vorher normalisiert wird.

Was die Benchmarks 2026 zeigen

Moderne automatische Spracherkennung (ASR) ist bei der Art von Audio, für die sie entwickelt wurde, wirklich gut. OpenAIs Whisper Large-v3 ist eines der meistgenutzten frei verfügbaren Systeme und ein nützlicher Referenzpunkt, weil seine Leistung unabhängig gemessen wurde.

2025 wählte MLCommons Whisper Large-v3 als Sprache-zu-Text-Modell für seinen MLPerf-Inference-Benchmark aus. Auf dem LibriSpeech-Datensatz „dev-all", der sauberere und stärker verrauschte vorgelesene Audiodaten kombiniert, erreichte die Referenzimplementierung eine Wortgenauigkeit von etwa 97,9 Prozent, was einer WER von knapp 2 Prozent entspricht. Derselbe Bericht hält fest, dass Whisper die Fehlerrate des vorherigen Benchmark-Modells um mehr als 72 Prozent gesenkt hat – ein deutlicher Generationssprung.

Diese Zahl kommt mit einem wichtigen Vorbehalt. LibriSpeech besteht aus vorgelesener Sprache aus Hörbüchern: ein Sprecher, ein gutes Mikrofon, klare Aussprache, kein Stimmengewirr. Das kommt dem Idealfall nahe. Echte Meetings, Telefonate und Sprachnachrichten sehen ganz anders aus.

Um eine Vorstellung davon zu bekommen, was überhaupt möglich ist, maßen Forscher bei Microsoft die Leistung professioneller menschlicher Transkribierender bei konversationeller Telefonsprache anhand des Standard-NIST-Testsatzes. Geschulte Menschen erreichten eine WER von 5,9 Prozent im Switchboard-Anteil (Fremde, die ein vorgegebenes Thema besprechen) und 11,3 Prozent im CallHome-Anteil (Freunde und Familie in offenen Gesprächen). Selbst geübte Menschen machen also bei relativ formeller Konversation rund einen Fehler auf 17 Wörter, bei lockerem Geplauder eher einen auf neun. Die vielzitierte Behauptung, „Menschen liegen bei 4 Prozent", geht auf eine persönliche Mitteilung ohne belastbare Daten zurück, und dieselbe Studie argumentiert, dass eine einzelne menschliche Genauigkeitszahl irreführend ist, weil die Schwierigkeit je nach Aufnahme stark variiert.

Die praktische Erkenntnis: Eine WER von 2 Prozent bei Hörbuch-Audio und eine WER von 10 bis 15 Prozent bei einem lauten Gruppenanruf können beide für dasselbe Modell zutreffen.

Genauigkeit nach Bedingung: ein grober Leitfaden

Die Tabelle unten fasst das allgemeine Muster aus veröffentlichten Benchmarks und Studien zusammen. Behandle diese Werte als Richtwerte, nicht als Garantien, denn die genauen Zahlen hängen vom Modell, dem Datensatz und der Art der Textbewertung ab.

Die Zahl für sauberes Audio stützt sich auf den MLCommons-Whisper-Benchmark, und die konversationelle Spanne stimmt mit der Arbeit zur Mensch-Maschine-Parität bei Telefonsprache überein.

Wo KI-Transkription noch an ihre Grenzen stößt

Akzente und Dialekte

Ein Akzent ist eine der am besten erforschten Schwachstellen. Eine Studie aus dem Jahr 2024 in JASA Express Letters von Calbert Graham und Nathan Roll bewertete Whisper anhand einer Reihe englischer Akzente aus dem Speech Accent Archive. Die Forscher fanden, dass das Modell amerikanisches Englisch am genauesten erkannte, während britisches und australisches Englisch schlechter abschnitten und kanadisches Englisch in etwa mit amerikanischem vergleichbar war. Muttersprachliche englische Akzente wurden insgesamt genauer transkribiert als nicht-muttersprachliche.

Das ist keine Eigenheit eines einzelnen Modells. Es spiegelt wider, wie diese Systeme aufgebaut sind: Sie lernen aus großen Sammlungen aufgezeichneter Sprache. Wenn diese Sammlungen überwiegend bestimmte Akzente enthalten, schneidet das Modell bei ihnen am besten ab und bei allen anderen schlechter. Die Ursache liegt in den Trainingsdaten, nicht bei der sprechenden Person.

Hintergrundgeräusche und Audioqualität

Lärm ist der große Gleichmacher, und nicht auf gute Weise. Ein Café, ein Auto, eine Freisprechanlage in einem großen Raum oder ein minderwertiges Mikrofon lassen die WER schnell ansteigen. Das MLCommons-Team hat bewusst stärker verrauschte Audio-Teilbereiche einbezogen, gerade weil saubere Benchmarks die Leistung in der Praxis überschätzen. Wenn du selbst ein Wort in einer Aufnahme kaum verstehen kannst, kann das Modell es meist auch nicht.

Mehrere Sprecher und Überlappungen

Wenn zwei Menschen gleichzeitig sprechen, ist das für Maschinen wie für Menschen schwierig. Die meisten ASR-Modelle sind darauf ausgelegt, einen einzelnen Sprachstrom zu transkribieren, sodass das System bei sich überlappenden Sprechern raten muss. Die Microsoft-Studie zeigt das direkt: Die beiden am schlechtesten transkribierten Sprecher in den Daten waren Nebenstimmen, die sich eine Gesprächsseite mit einem dominanten Sprecher teilten, mit Fehlerraten von 37,5 und 64,7 Prozent, weit über dem Durchschnitt. Herauszufinden, wer was gesagt hat, sogenannte Sprecherdiarisierung, ist eine verwandte und weiterhin unvollkommene Aufgabe, und Fehler dabei verstärken die Transkriptionsfehler.

Fachjargon, Namen und Akronyme

Ein Modell kann nur Wörter zuverlässig transkribieren, die es effektiv schon einmal gesehen hat. Fachvokabular wie Medikamentennamen, juristische Begriffe, Produktcodes oder ungewöhnliche Eigennamen liegt oft außerhalb der Trainingsdaten, sodass das System ein gebräuchlicheres, ähnlich klingendes Wort einsetzt. Deshalb kann ein Transkript flüssig lesbar sein und trotzdem genau an den Stellen falsch liegen, die am wichtigsten sind: beim Namen einer Person, eines Unternehmens, eines Medikaments oder einer Zahl.

Das dokumentierte Verzerrungsproblem bei ASR

Der meistzitierte Befund in diesem Bereich betrifft Fairness. 2020 veröffentlichten Allison Koenecke und Kollegen an der Stanford University die Studie "Racial disparities in automated speech recognition" in den Proceedings of the National Academy of Sciences. Das Team testete fünf führende kommerzielle Systeme von Amazon, Apple, Google, IBM und Microsoft.

Über alle fünf Systeme hinweg lag die durchschnittliche Wortfehlerrate bei 0,35, also 35 Prozent, für Schwarze Sprecher, gegenüber 0,19, also 19 Prozent, für weiße Sprecher. Anders gesagt: Die Systeme verstanden etwa 35 Prozent der Wörter von Schwarzen Sprechern falsch, aber nur 19 Prozent bei weißen Sprechern, selbst wenn die Sprecher nach Alter und Geschlecht abgeglichen waren und dieselben Wörter sprachen. Die Fehlerraten waren bei afroamerikanischen Männern am höchsten, und die Lücke wurde größer bei Sprechern, die stärker African American Vernacular English verwendeten.

Die Studie untersuchte auch katastrophale Fehlschläge, bei denen ein Transkript so falsch war, dass es faktisch unbrauchbar wurde. Das kam bei mehr als 20 Prozent der Aufnahmen von Schwarzen Sprechern vor, gegenüber weniger als 2 Prozent bei weißen Sprechern. Die Forscher führen die Diskrepanz auf Trainingsdaten zurück, die die Sprache Schwarzer Amerikaner unterrepräsentieren, und argumentieren, dass die Lösung in repräsentativeren Audiodaten beim Training sowie unabhängigen Prüfungen liegt.

Zwei ehrliche Vorbehalte. Die Tests fanden 2019 statt, und die Unternehmen haben ihre Systeme seitdem aktualisiert, die genauen Zahlen spiegeln also diesen bestimmten Zeitpunkt wider. Und die Studie konzentrierte sich auf US-amerikanisches Englisch und speziell den Vergleich zwischen Schwarzen und weißen Sprechern. Die Richtung des Befunds, dass ASR-Fehler nicht gleichmäßig verteilt sind, hat sich in späterer Akzentforschung bestätigt. Die zentrale Lehre bleibt bestehen: Eine einzelne Genauigkeitszahl verbirgt, für wen das System gut funktioniert und bei wem es versagt.

Wie genau ist KI-Transkription also wirklich?

Fasst man die Belege zusammen:

• Bei sauberem Audio mit einem Sprecher erreichen moderne Systeme etwa 95 bis 98 Prozent Genauigkeit, nahe an der Leistung sorgfältiger menschlicher Transkribierender.
• Bei klarer konversationeller Sprache unter guten Bedingungen sind mehr Fehler zu erwarten als bei Hörbuch-Audio, aber immer noch in der breiten Spanne, die ein professioneller menschlicher Transkribierender erreicht, rund 6 bis 12 Prozent WER.
• Bei akzentbehafteter Sprache, verrauschtem Audio, sich überlappenden Sprechern oder Fachvokabular kann die Genauigkeit stark sinken, manchmal um die Hälfte oder mehr.
• Die Fehler sind nicht gleichmäßig verteilt, und dokumentierte Unterschiede bedeuten, dass manche Sprecher zuverlässig schlechtere Ergebnisse bekommen als andere.

Für Anwendungen mit geringem Risiko, etwa einen groben Entwurf für einen Podcast, ein durchsuchbares Archiv oder eine persönliche Sprachnachricht, ist die heutige KI-Transkription schnell, günstig und gut genug. Für Anwendungen mit hohem Risiko – alles Medizinische, Juristische oder Finanzielle oder alles, was an einen Namen, eine Zahl oder eine Entscheidung geknüpft ist – weist die Forschung durchgängig auf einen Rat hin: Behandle das KI-Transkript als starken ersten Entwurf, nicht als endgültige Aufzeichnung, und überprüfe die Teile, auf die es ankommt.

Das ist auch unsere ehrliche Haltung. Transcribbit macht aus einer weitergeleiteten WhatsApp-Sprachnachricht in Sekunden sauberen, lesbaren Text, und ein Transkript schlägt das erneute Abspielen des Audios, weil du es überfliegen, durchsuchen und einen Namen oder eine Zahl auf einen Blick prüfen kannst, statt dich durch die Aufnahme zurückzuspulen. Es lohnt sich trotzdem, diese entscheidenden Details zu lesen, statt anzunehmen, ein sauber wirkendes Transkript sei automatisch korrekt, und genau deshalb sind Sprachnachrichten als Text einfacher zu handhaben. Der kostenlose Tarif deckt 50 Transkriptionen im Monat ab, und dein Audio wird direkt danach gelöscht. Kostenlos testen.

Häufig gestellte Fragen

Was ist eine gute Wortfehlerrate für Transkription?

Bei sauberem Audio gilt eine WER von unter etwa 5 Prozent allgemein als sehr gut und nahe an professioneller menschlicher Qualität. Bei schwierigerem Audio, mit Lärm, Akzenten oder mehreren Sprechern, kann selbst ein gut gebautes System im Bereich von 10 bis 25 Prozent oder höher landen, „gut" hängt also stark von den Aufnahmebedingungen ab.

Ist KI-Transkription genauer als menschliche Transkription?

Bei sauberem Audio mit einem Sprecher sind die besten KI-Systeme mittlerweile mit geübten Menschen konkurrenzfähig, bei der reinen WER teils sogar leicht besser. Menschen haben weiterhin einen Vorteil bei schwierigem Audio, sich überlappenden Sprechern, unbekannten Namen und beim Verständnis des Kontexts – genau dort, wo KI meist versagt.

Warum erkennt KI-Transkription Akzente falsch?

Weil diese Systeme aus aufgezeichneter Sprache lernen, und wenn die Trainingsdaten manche Akzente überrepräsentieren, schneidet das Modell bei diesen am besten ab und bei anderen schlechter. Studien haben eine geringere Genauigkeit bei nicht-muttersprachlichen Akzenten und große Unterschiede zwischen Sprechergruppen dokumentiert. Der Fehler spiegelt die Daten wider, mit denen das Modell trainiert wurde, nicht den Sprecher.

Kann man KI-Transkription für medizinische oder juristische Aufzeichnungen vertrauen?

Sie kann ein nützlicher erster Entwurf sein, aber die Forschung rät davon ab, sie in Situationen mit hohem Risiko als endgültige, ungeprüfte Aufzeichnung zu behandeln. Die WER behandelt jedes Wort gleich, sodass ein System insgesamt gut abschneiden und trotzdem genau den einen Namen, die eine Dosierung oder Zahl falsch transkribieren kann, auf die es ankommt. Die menschliche Überprüfung kritischer Details bleibt die sichere Praxis.

Wie genau ist KI-Transkription bei einer WhatsApp-Sprachnachricht?

Das hängt vollständig von der Aufnahme ab. Eine klare Sprachnachricht von einer Person in einem ruhigen Raum liegt am oberen Ende der Spanne, während eine hastige Nachricht, aufgenommen auf einer windigen Straße, mit starkem Akzent oder mit Musik im Hintergrund, deutlich darunter fallen kann. Weil so viele Sprachnachrichten genau diese unordentlichen Aufnahmen unterwegs sind, ist es die sichere Gewohnheit, das Transkript zu lesen und Adressen, Uhrzeiten oder Zahlen zu prüfen.

Fazit

KI-Transkription ist 2026 wirklich beeindruckend und wirklich uneinheitlich. Dasselbe Modell, das ein Hörbuch perfekt trifft, kann bei einem lauten Gruppenanruf, einem starken Akzent oder einem Namen, den es noch nie gesehen hat, deutlich stolpern, und die Forschung zeigt klar, dass diese Stolperer manche Sprecher härter treffen als andere.

Die nützliche Antwort auf die Frage „wie genau ist KI-Transkription?" lautet also: genau genug, um dir echte Zeit zu sparen, nicht genau genug, um bei den Dingen, die zählen, blind darauf zu vertrauen. Lies das Transkript, behalte Namen und Zahlen im Auge, und lass die Maschine die mühsame Arbeit erledigen. Transcribbit macht aus deinen WhatsApp-Sprachnachrichten durchsuchbaren Text in über 50 Sprachen, mit einem kostenlosen Tarif von 50 Transkriptionen im Monat und ohne dass danach Audio gespeichert bleibt, auf transcribbit.io.

Quellen

1. Whisper: An MLPerf Inference Benchmark for Automatic Speech Recognition (MLCommons, 2025) - mlcommons.org
2. Comparing Human and Machine Errors in Conversational Speech Transcription (Stolcke and Droppo, Microsoft, 2017) - arxiv.org
3. Evaluating OpenAI's Whisper ASR: Performance across diverse accents and speaker traits (Graham and Roll, JASA Express Letters, 2024) - pubs.aip.org
4. Racial disparities in automated speech recognition (Koenecke et al., PNAS, 2020) - pnas.org