Veröffentlicht: · KI-Version (Markdown)
Eine Spracherkennungs-Engine (STT) für Anrufe wählt man nicht nach behaupteter „Genauigkeit im Allgemeinen“, sondern danach, wie gut sie mit genau Ihren Gesprächen zurechtkommt: in Ihrer Sprache, im Telefonklang bei 8 kHz, innerhalb Ihres Minutenbudgets und mit Ihren Anforderungen daran, wohin die Daten wandern. Die eine „beste“ Engine gibt es nicht – nur die passende für die Aufgabe. Im Folgenden sechs Kriterien für die Entscheidung – und warum Sie diese an Ihrem eigenen Archiv prüfen sollten, nicht anhand fremder Benchmarks.
Schritt 1: Beginnen Sie bei Sprache und Akzenten
Das erste Ausschlusskriterium ist die Sprache. Eine Engine, die im Englischen brilliert, kann im Deutschen spürbar schwächeln – und umgekehrt. Wenn Ihre Anrufe mehrsprachig sind oder starke regionale Akzente haben, suchen Sie eine mehrsprachige Engine statt eines Bündels von Einzelsprachmodellen. Für einige Sprachen sind traditionell lokale Engines stark, für Dutzende Sprachen eignen sich mehrsprachige Cloud-Modelle.
Wichtig ist, Oberflächensprache und Erkennungssprache nicht zu verwechseln – das sind unterschiedliche Dinge. Klären Sie, in welchen Sprachen Ihre Anrufe tatsächlich stattfinden und in welchem Verhältnis. Laufen 95 % der Gespräche in einer Sprache, optimieren Sie darauf; ist der Strom gemischt, kommt es auf die Fähigkeit der Engine an, innerhalb eines Gesprächs zwischen Sprachen zu wechseln, ohne in eine Standardsprache „abzurutschen“.
Schritt 2: Prüfen Sie die Genauigkeit im Telefonklang bei 8 kHz
Das ist die Hauptfalle. Die meisten beeindruckenden Genauigkeitswerte stammen von sauberem Studio-Audio mit 16 kHz und mehr, während Telefonie schmalbandiger Klang mit 8 kHz ist – Codecs, Leitungsrauschen, Echo, überlappende Sprache. Eine Engine, die bei Podcasts glänzt, kann bei echten Anrufen ein deutlich schlechteres Ergebnis liefern. Prüfen Sie die Genauigkeit deshalb an Aufzeichnungen, die Ihren möglichst ähnlich sind – mit derselben Telefonie, denselben Bedingungen, demselben Fachjargon.
Ein praktischer Ansatz: Nehmen Sie ein Dutzend typischer Anrufe, deren Inhalt Sie genau kennen, lassen Sie sie durch mehrere Engines laufen und vergleichen Sie die Transkripte manuell. Achten Sie nicht auf die Gesamtquote, sondern auf das, was für Sie entscheidend ist: Werden Namen, Nummern, Summen, Produktbezeichnungen, Fachbegriffe korrekt erkannt? Ein Fehler bei einer Vertragssumme wiegt schwerer als ein überhörtes „äh“. Verlassen Sie sich nicht auf fremde Benchmarks – Ihre Akustik ist einzigartig.
Schritt 3: Berechnen Sie den Preis pro Minute
Die Engines unterscheiden sich preislich um ein Vielfaches, und bei größerem Volumen ist das der entscheidende Faktor. Zu berechnen ist nicht ein abstrakter Preis, sondern die Minutenkosten genau Ihres Szenarios: Gesprächsdauer, Kanalanzahl (Stereo-Aufnahme Mitarbeiter/Kunde verdoppelt die Kosten bei Engines, die pro Kanal abrechnen) und monatliches Volumen fließen ein.
Die Selbstkosten der Engines unterscheiden sich stark – von Bruchteilen eines Cents bis zu mehreren Cent pro Minute. Auf der Plattform werden Vorgänge zu Selbstkosten der jeweiligen Engine vom Guthaben abgebucht, ohne Aufschlag – der Preis pro Minute entspricht also genau dem Engine-Preis; ein Vergleich der Tarife findet sich bequem auf der Preise-Seite. Eine teure mehrsprachige Engine lohnt sich dort, wo maximale Genauigkeit gefragt ist und viele Sprachen im Spiel sind; bei großen einheitlichen Volumina gewinnt meist eine günstige lokale Engine für die konkrete Sprache.
Schritt 4: Klären Sie Sprechertrennung und Kanäle
Für die Anrufanalyse reicht Text allein nicht – Sie müssen wissen, wer was gesagt hat: wo die Repliken des Mitarbeiters liegen, wo die des Kunden. Es gibt zwei Wege. Ist die Aufnahme stereo und die Rollen sind kanalgetrennt (Mitarbeiter auf einem Kanal, Kunde auf dem anderen), gelingt die Trennung nahezu automatisch präzise – das ist die beste Variante und sollte bereits bei der Telefonie-Konfiguration eingeplant werden. Ist die Aufnahme mono, übernimmt die Sprechertrennung (Diarisierung) die Rollenaufteilung – sie zerlegt die einzelne Spur in die einzelnen Sprechenden.
Bedenken Sie, dass die Sprechertrennung ein eigener Vorgang mit eigener Kostenposition ist und ihre Qualität im Telefonklang niedriger ausfällt als bei sauberem Audio. Zeichnen Sie deshalb Anrufe nach Möglichkeit in Stereo mit Kanaltrennung auf: Das ist sowohl präziser als auch günstiger, als sich auf die Sprechertrennung über einer Mono-Spur zu verlassen. Wie die Erkennungs- und Rollenzuordnungsebene aufgebaut ist, erklärt die Seite automatische Gesprächsanalyse.
Schritt 5: Wählen Sie den Modus – Echtzeit oder Batch-Verarbeitung
Nicht jede Aufgabe muss sofort erkannt werden. Analysieren Sie ein Archiv oder verarbeiten Sie Anrufe nachträglich für Kennzahlen und Qualitätskontrolle, brauchen Sie keine Echtzeit – und der zeitversetzte Batch-Modus ist meist deutlich günstiger. Bei manchen Engines kostet der zeitversetzte Modus bei gleicher Qualität ein Vielfaches weniger als der synchrone, und bei größerem Volumen macht sich das spürbar bemerkbar.
Echtzeit (Streaming-Erkennung) brauchen Sie dort, wo der Text direkt während des Gesprächs benötigt wird: Souffleur für den Mitarbeiter, Live-Transkript, Sprachagent. Für alles andere – Nachbearbeitung, Analytik, retrospektive Auswertung des Archivs – wählen Sie den Batch-Modus. Zusätzlich senken das Herausschneiden von Stille vor der Erkennung (kürzere Datei – geringere Kosten) und ein Cache für wiederholte Transkriptionen die Rechnung: Dasselbe Audio mit denselben Parametern wird nicht zweimal erkannt.
Schritt 6: Klären Sie die Datenanforderungen (Cloud oder self-hosted)
Das letzte Kriterium ist kein technisches, sondern eine Frage von Vertrauen und Regulatorik. Darf Audio von Anrufen laut Unternehmensrichtlinie oder Gesetz Ihren Perimeter nicht verlassen, kommt eine Cloud-Engine unabhängig von Genauigkeit und Preis nicht infrage. In diesem Fall wählen Sie eine self-hosted Erkennung: Das Modell läuft auf Ihrer Infrastruktur, und Daten verlassen das Haus nicht.
Für dieses Szenario eignen sich Engines wie Whisper oder Vosk, betrieben auf eigener Hardware: Sie lassen sich lokal betreiben und ohne minutenbasierte Bezahlung an einen externen Anbieter und ohne Audio-Versand in die Cloud erkennen. Auf der Plattform ist dieser Modus über einen lokalen Worker realisiert: Sie laden ihn herunter, starten ihn bei sich, koppeln ihn per Code – und Transkription sowie Sprechertrennung laufen innerhalb Ihres Perimeters, Audio verlässt ihn nicht. Mehr zu Isolationsmodellen und On-Prem-Varianten auf der Seite Sicherheit.
So bringen Sie die Kriterien zusammen
Die eine „beste“ Engine gibt es nicht, aber einen einfachen Weg zur Entscheidung. Filtern Sie zunächst nach harten Einschränkungen: Sprache (die Engine muss Ihre Sprachen gut verstehen) und Daten (brauchen Sie self-hosted, fällt Cloud sofort weg). Prüfen Sie dann bei den verbleibenden Kandidaten die Genauigkeit im Telefonklang Ihres eigenen Archivs und berechnen Sie den Minutenpreis Ihres realen Stroms. Berücksichtigen Sie schließlich Kanäle/Sprechertrennung und Verarbeitungsmodus – hier steckt Einsparpotenzial, das leicht übersehen wird.
Es ist praktikabel, sich nicht dauerhaft auf eine Engine festzulegen. Verschiedene Szenarien können verschiedene Engines erfordern: teuer und präzise für wichtige Sprachen oder komplexe Anrufe, günstig im Batch-Modus für den Massenstrom, self-hosted für sensible Daten. Die Plattform erlaubt es, Systemengines anzubinden, einen eigenen Schlüssel bei einem externen Anbieter einzubringen oder einen lokalen Worker zu betreiben – die Wahl ist also nicht endgültig, sondern lässt sich mit wachsendem Bedarf anpassen und an den eigenen Daten präzisieren.
Wie geht es weiter?
Die Wahl der Engine ist das Fundament, aber nicht der Selbstzweck: Der erkannte Text ist wertvoll durch das, was daraus entsteht. Der nächste Schritt besteht darin, die Transkripte in Kennzahlen, Themen und Qualitätskontrolle über alle Anrufe hinweg zu verwandeln. Wenn Sie den Ansatz selbst vergleichen – eine Analyseplattform gegenüber „nur Transkription“ –, lesen Sie worin sich Anrufanalyse von reiner Transkription unterscheidet.