Automatische Spracherkennung
Auch: ASR
Aktualisiert:
Definition
Automatische Spracherkennung (Automatic Speech Recognition, ASR) ist das Gebiet des maschinellen Lernens und die Klasse von Modellen, die Audio mit menschlicher Sprache in Text verwandeln. ASR-Modelle sind die Engine in jedem Diktier- und Transkriptionsprodukt.
Moderne ASR-Modelle sind neuronale Netze, die mit großen Mengen aufgenommener Sprache trainiert wurden. Bekannte Familien sind Whisper (OpenAI, Open Source), Parakeet (NVIDIA, Open Source) und die proprietären Engines in den Cloud-Diensten von Google, Apple und anderen.
Die Qualität von ASR wird meist als Wortfehlerrate (WER) auf Benchmark-Audio angegeben. Die Qualität im Alltag hängt außerdem von deinem Mikrofon, deinem Raum, deinem Akzent und deinem Wortschatz ab. Deshalb zählen Wörterbücher pro Nutzer und Fachwortschätze genauso viel wie das Modell, mit dem geworben wird.
Wie die Modelle entstehen
Ein ASR-Modell wird mit Paaren aus Audio und korrektem Transkript trainiert, Hunderttausende Stunden davon, bis es den Text für Audio vorhersagen kann, das es nie gehört hat. Ältere Systeme trennten das akustische Modell (Laute zu Phonemen) vom Sprachmodell (Phoneme zu wahrscheinlichen Wörtern). Heutige Systeme sind End-to-End: Ein einziges Netz bildet Audio direkt auf Text-Tokens ab. Das ist einfacher, genauer und leichter auf Consumer-Hardware auszuführen.
Heute dominieren zwei Architekturen. Encoder-Decoder-Modelle wie Whisper lesen einen ganzen Audioabschnitt und schreiben dann das Transkript. Das macht sie genau und auf Batch-Verarbeitung ausgelegt. Transducer-Modelle wie Parakeet geben Tokens aus, während das Audio ankommt. Das macht sie streamingfähig.
Was in der Praxis über die Genauigkeit entscheidet
Modellgröße und Trainingsdaten legen die Obergrenze fest. Alles darunter liegt bei dir: Mikrofonqualität, Abstand zum Mikrofon, Raumhall, Hintergrundgeräusche, Akzent und Wortschatz. Bei Namen, Fachjargon und Produktbegriffen tut sich jedes Modell schwer, weil sie in Trainingsdaten selten vorkommen. Deshalb verbessern ein persönliches Wörterbuch und ein Korrekturschritt, der den Kontext kennt, die Genauigkeit im Alltag meist mehr als der Wechsel zu einem größeren Modell.
Offene Modelle haben die Kategorie verändert
Bis 2022 lag konkurrenzfähige ASR hinter Cloud-APIs. Die offene Veröffentlichung von Whisper, gefolgt von Parakeet und anderen, gab jedem Spracherkennung auf dem neuesten Stand in die Hand, und Apple silicon gab Laptops die Rechenleistung, sie auszuführen. Deshalb wurde privates, lokales Diktieren in wenigen Jahren vom Kompromiss zum Standard.
So vergleichst du zwei ASR-Modelle mit deiner eigenen Stimme
Benchmark-Werte beschreiben Benchmark-Audio. Wie ein Modell mit deiner Stimme, deinem Raum und deinem Wortschatz umgeht, erfährst du nur, wenn du es auf eine Aufnahme von dir anwendest. Mit dem offenen Kommandozeilen-Tool von Whisper ist das im Terminal schnell erledigt. Vorher müssen Python und ffmpeg installiert sein.
- Nimm ein oder zwei Minuten auf, in denen du so sprichst, wie du sonst diktierst, mit ein paar Namen und Fachbegriffen, und speichere das als Audiodatei.
- Installiere Whisper im Terminal mit: pip install -U openai-whisper
- Transkribiere die Datei mit einem kleinen Modell: whisper myclip.m4a --model small --output_format txt
- Benenne die geschriebene Textdatei um und führe dann denselben Befehl mit --model turbo aus.
- Vergleiche die beiden Transkripte mit dem, was du tatsächlich gesagt hast, und zähle in jedem die falschen, fehlenden und überzähligen Wörter.
- Teile die Zahl der Fehler durch die Zahl der gesprochenen Wörter. Das ist deine persönliche Wortfehlerrate für jedes Modell.
Was ein ASR-Modell außer Wörtern liefert
Ältere Erkenner lieferten eine flache Folge kleingeschriebener Wörter. Aktuelle offene Modelle liefern mehr, und wenn du weißt, was verfügbar ist, weißt du, was ein Produkt auf ihrer Basis ohne Zusatzaufwand kann.
- Satzzeichen und Groß-/Kleinschreibung. Parakeet TDT 0.6B nennt beides als eingebaute Funktionen.
- Zeitstempel. Parakeet liefert Zeitstempel auf Wort- und Segmentebene, und Whisper hat eine Option word_timestamps.
- Untertiteldateien. Das Kommandozeilen-Tool von Whisper kann txt, vtt, srt, tsv und json ausgeben.
- Die Sprache. Whisper und Parakeet TDT 0.6B v3 erkennen beide die gesprochene Sprache, wenn du sie nicht angibst.
- Eine Übersetzung. Die mehrsprachigen Modelle von Whisper können Sprache aus anderen Sprachen in englischen Text übersetzen.
Ist ASR genau? Warum ein Modell viele Werte hat
Für ein ASR-Modell gibt es nicht die eine Genauigkeitszahl. NVIDIA gibt für Parakeet TDT 0.6B v3 eine durchschnittliche Wortfehlerrate von 6,34 % über die acht englischen Testsets des Hugging Face Open ASR Leaderboard an, aber die einzelnen Sets reichen von 1,93 % bei LibriSpeech test-clean bis 11,42 % bei Earnings-22, einer Sammlung von Aufnahmen aus Telefonkonferenzen zu Quartalszahlen.
Die Sprache zählt so viel wie die Art des Audios. Laut der Model Card von Whisper zeigen die Modelle in etwa 10 Sprachen starke Ergebnisse, und bei Sprachen mit weniger Trainingsdaten ist die Genauigkeit geringer. Wenn du einen Wert liest, prüfe, auf welchem Testset und in welcher Sprache er gemessen wurde, bevor du ihn mit einem anderen vergleichst.
Fragen, die Leute stellen.
Was ist das beste ASR-Modell zum Diktieren?
Für Live-Diktat ein streamingfähiges Modell wie Parakeet, weil Wörter erscheinen, während du sprichst. Für die breiteste Sprachabdeckung ein Modell, das mit vielen Sprachen trainiert wurde, etwa Whisper mit 99 oder Omnilingual ASR von Meta mit mehr als 1.600. Die meisten guten Tools nutzen mehr als eines und wählen nach Sprache und Aufgabe. Auf Apple silicon laufen sie alle lokal.
Ist ASR dasselbe wie Sprache-zu-Text?
ASR ist der Fachbegriff für die Modelle und das Forschungsgebiet. Sprache-zu-Text ist der allgemeinverständliche Name für das, was sie tun. Auf einer Produktseite sind beide austauschbar.
Warum schreibt die ASR meine Namen falsch?
Weil ein Modell einen Namen nur so oft gesehen hat, wie er im Trainingsaudio vorkam, und das ist bei den meisten Namen und Produktbegriffen selten. Es schreibt die wahrscheinlichste Schreibweise der Laute. Ein Wörterbuch mit deinen eigenen Begriffen und eine Korrektur anhand von Namen, die es auf dem Bildschirm oder in deinem Projekt sieht, beheben das besser als jeder Modellwechsel.
Wofür steht ASR?
ASR steht für Automatic Speech Recognition, also automatische Spracherkennung. Das ist die Technik, die aufgenommene oder live gesprochene Sprache in Text verwandelt.
Kann ich ein ASR-Modell auf meinem eigenen Computer ausführen?
Ja. Offene Modelle wie Whisper und Parakeet lassen sich herunterladen und lokal ausführen. Whisper wird mit pip installiert und läuft auf dem Mac im Terminal.
Setzen ASR-Modelle Satzzeichen?
Viele aktuelle Modelle tun das. NVIDIA nennt automatische Zeichensetzung und Groß-/Kleinschreibung als Funktionen von Parakeet TDT 0.6B, und auch Whisper schreibt Text mit Satzzeichen.
