Begriff
Speech-to-Text (STT)
Speech-to-Text bezeichnet die automatische Umwandlung gesprochener Sprache in Text durch ein KI-Modell. Im KI-Workflow ersetzt STT die Tastatur als Eingabekanal — entscheidend ist die Modellgröße und das domänenspezifische Vokabular.
Speech-to-Text — ausführlicher erklärt
STT-Modelle hören rohes Audio (16-kHz-Mono ist Standard) und geben Text aus. Aktuelle Open-Source-Modelle wie Whisper (OpenAI), Distil-Whisper oder Faster-Whisper laufen lokal auf CPU oder GPU; kommerzielle APIs wie OpenAI, Deepgram oder AssemblyAI nehmen Audio entgegen und liefern Transkripte zurück. Modellgrößen reichen von tiny (~40 MB, sehr schnell, viele Fehler) über small und medium bis large (>1 GB, am genauesten). Größere Modelle erkennen mehr Sprachen und Fachvokabular zuverlässig, brauchen aber mehr Speicher und Rechenzeit. Schwächen aller Modelle: Eigennamen, Markennamen, schnelle Sprache, technisches Vokabular und seltene Begriffe.
Beispiel / Praxisbezug
Im KI-Alltag ersetzt STT zunehmend die Tastatur: Prompts, Code-Anweisungen und Notizen werden gesprochen statt getippt — schneller, natürlicher, und parallel zur Arbeit am Bildschirm möglich. Ein typisches Setup: Push-to-Talk-Taste oder Fußschalter → Audio-Aufnahme → Whisper-small lokal → Text landet im Editor oder direkt im Prompt. Probleme entstehen bei domänenspezifischen Begriffen: aus „Claude” wird „Kloat”, aus „boostN” wird „Boosten”. Lösungen reichen von initial_prompt-Hints über einen Korrektions-Layer bis zum Wechsel auf ein größeres Modell.
Abgrenzung zu ähnlichen Begriffen
Voice Assistant (Alexa, Siri) ist ein End-to-End-System aus STT, Intent-Erkennung und Text-to-Speech — STT ist nur die erste Stufe. Diktiersoftware (z. B. Dragon) ist klassische STT mit fokussiertem Profil, oft sprecherabhängig trainiert. Speech-to-Speech-Modelle (GPT-4o Realtime, Gemini Live) überspringen den Textzwischenschritt und reagieren direkt auf Audio — leistungsfähiger, aber teurer und schwerer in eigene Workflows einzubinden.
Entdecke mehr
Mit KI arbeiten: dasselbe Wort, zwei Aktionen — und eine Stunde Fehlersuche
Ein Wort, zwei Bedeutungen: Ich blockierte einen Git-Commit, die KI verstand Deploy. Warum gemeinsames Vokabular beim Arbeiten mit KI über alles entscheidet.
GlossarKI-Bildgenerierung
KI-Bildgenerierung bezeichnet das Erzeugen von Bildern aus Text-Prompts durch generative Modelle. Werkzeuge wie Midjourney, DALL-E, Adobe Firefly und Stable Diffusion werden im Marketing für Konzepte, Visuals und Bildbearbeitung genutzt.
LexikonKI-Workflows automatisieren
No-/Low-Code-Automation mit Make, Zapier und n8n: Bausteine, Use-Cases für Agenturen und KMU, Pricing-Modelle und die teuersten Stolperfallen.