Begriff
Automatic Speech Recognition (ASR)
Automatic Speech Recognition (ASR), auch Speech-to-Text (STT) genannt, bezeichnet die automatische Umwandlung gesprochener Sprache in geschriebenen Text durch ein akustisches Modell.
Automatic Speech Recognition — ausführlicher erklärt
ASR steht für Automatic Speech Recognition und ist synonym mit Speech-to-Text (STT). Klassische Pipelines durchlaufen mehrere Stufen: Audio-Capture, Vorverarbeitung (Resampling, Normalisierung, optional Noise-Reduction), Feature-Extraktion in ein Mel-Spektrogramm, ein akustisches Modell für die Laut-Wahrscheinlichkeiten und ein Sprachmodell, das daraus den finalen Text formt. Moderne End-to-End-Architekturen wie Whisper, NVIDIA Parakeet oder Conformer ziehen Feature-Extraktion und Decoding in einen Transformer-Stack zusammen — die Pipeline-Stufen existieren konzeptionell weiter, sind aber nicht mehr als separate Module sichtbar.
Beispiel / Praxisbezug
In der Praxis stehen Cloud-APIs (Google Cloud Speech, AWS Transcribe, Azure Speech, Deepgram, AssemblyAI) und offene Modelle (Whisper, Distil-Whisper, Parakeet, Canary) nebeneinander. Anwendungsfelder reichen von Voice Input in Editoren und CLIs über Diktat, Untertitelung und Meeting-Transkripte bis zu Call-Center-Analytik und Sprachsteuerung. Bewertet wird ASR vor allem über die Word Error Rate (WER); für Sprachen ohne klare Wortgrenzen (z. B. Chinesisch, Japanisch) zusätzlich über die Character Error Rate (CER). WER-Werte hängen stark von Audio-Qualität, Sprecher-Akzent und Domain-Vokabular ab — eine ASR liefert keine „korrekte” Transkription, sondern eine wahrscheinlichkeitsbasierte Vorhersage.
Abgrenzung zu ähnlichen Begriffen
TTS (Text-to-Speech) ist die umgekehrte Richtung — synthetisiert Sprache aus Text. Speaker Diarisierung beantwortet die Frage „wer spricht wann” und läuft meist als separates Modell parallel oder nach der ASR. NLU (Natural Language Understanding) setzt auf der ASR-Ausgabe auf und extrahiert Intent und Entities aus dem schon transkribierten Text — ASR selbst liefert nur den Text, keine Bedeutung.
Entdecke mehr
KI-Workflows per Keyword: Wie wir wiederkehrende Abläufe erzwingbar machen
Ein getipptes Keyword löst bei uns einen festen KI-Ablauf aus — und jeder Schritt muss committet werden, bevor der nächste kommt. Warum das der Trick ist.
GlossarReasoning Effort
Reasoning Effort ist ein Steuerparameter moderner Reasoning-Modelle, der festlegt, wie viel internes Schritt-für-Schritt-Denken (Thinking-Tokens) ein Modell vor der Antwort aufwendet — höhere Stufen erhöhen Qualität, aber auch Latenz und Kosten.
LexikonHalluzinationen bei LLMs — Ursachen und Gegenmittel
Warum LLMs selbstbewusst Falsches erfinden, welche Typen von Halluzinationen es gibt und welche Gegenmittel wirklich helfen — RAG, Quellenzwang, Verifikation.