Kurz gesagt
Gespräche, Diktate, Sitzungen: Sprache in Text umwandeln ist eine der nützlichsten KI-Anwendungen. Das muss nicht über die Cloud laufen. Offene Modelle laufen auf einem eigenen Computer, so dass Aufnahmen das Unternehmen nicht verlassen.
Die Modelle
- Whisper (large-v3) ist ein offenes Modell, das viele Sprachen versteht, darunter Niederländisch, Englisch und Deutsch. Sehr genau, etwas langsamer.
- Parakeet ist ein kleineres, sehr schnelles Modell, vor allem stark im Englischen.
Was wir gemessen haben
Mit unseren eigenen Testaufnahmen, auf einem Mac mit Apple Silicon:
| Modell | Wortfehler | Geschwindigkeit |
|---|---|---|
| Whisper large-v3 | 0% in Niederländisch, Englisch und Deutsch | 7- bis 9-mal schneller als Echtzeit |
| Parakeet | 3,3% im Niederländischen, 0% in Englisch und Deutsch | 35- bis 42-mal schneller als Echtzeit |
Eine Stunde Aufnahme ist mit Whisper also in weniger als zehn Minuten transkribiert, mit Parakeet in wenigen Minuten. Eine Einschränkung: Das ist ein kleiner Testsatz. Bei viel Hintergrundgeräusch oder Dialekt liegen die Fehlerquoten höher.
Eine Überraschung: Eine Aufnahme zuerst "bereinigen" zu lassen, indem Musik und Stimme getrennt werden, machte die Spracherkennung schlechter. Die Fehlerquote stieg von etwa 6% auf 15 bis 21%.
Wofür Sie es nutzen
- Sitzungsprotokolle und Gesprächsnotizen, danach von einem Sprachmodell zusammengefasst.
- Diktieren statt tippen.
- Ein Sprachassistent, der zuerst prüft, ob er Sie richtig verstanden hat.
Worauf Sie achten sollten
- Wählen Sie pro Sprache. In unserem Test machte Whisper im Niederländischen weniger Wortfehler. Für Englisch waren beide Transkripte fehlerfrei, und Parakeet war schneller.
- Lassen Sie wichtige Texte gegenlesen, besonders Namen und Zahlen.
- Holen Sie die Zustimmung ein, bevor Sie Gespräche aufnehmen.
Wünschen Sie Beratung zu lokaler Spracherkennung? Fordern Sie ein kostenloses Beratungsgespräch an.
Aktualisiert am