Welche KI transkribiert Meetings und Audio am besten, auch gehostet in Deutschland oder der EU?

Was ihr in der EU und in Deutschland aufgebt

In der EU gebt ihr nichts auf: Azure LLM Speech bei Azure Speech ist derselbe Favorit wie weltweit. In Deutschland ist es Whisper Large V3 bei T-Systems AI Foundation Services, aus der Gruppe „Sehr gut“.

Worauf es beim Transkribieren ankommt

Ein gutes Transkript spart euch das Mitschreiben. Die Fehlerquoten aus Ranglisten gelten aber für kurze, vorgelesene Aufnahmen. In echten Meetings mit Pausen, Durcheinanderreden und schlechtem Ton sieht es häufig anders aus.

• Stille ist das Risiko: Whisper erfindet in Sprechpausen manchmal ganze Sätze. Eine Studie fand solche Passagen in rund einem Prozent der Transkripte. Tools wie WhisperX schneiden Stille vorher automatisch raus.
• Die Aufnahme behalten: Behaltet das Original und verknüpft das Transkript per Zeitstempel damit. Ein Tool für Arztgespräche löschte die Aufnahmen, danach ließ sich nicht mehr prüfen, was wirklich gesagt wurde.
• Wer hat was gesagt: Die Zuordnung zu Sprechern ist der schwächste Aspekt bei allen Modellen. Gute offene Tools liegen bei Meetings noch bei 17 bis 20 Prozent Fehlern. Am zuverlässigsten ist eine eigene Tonspur pro Person, Zoom kann das lokal aufnehmen.
• Fachbegriffe als kurze Liste: Namen von Kunden, Produkten und Abkürzungen kennt kein Modell. Manche Dienste nehmen eine Liste mit Begriffen an. Deepgram erlaubt bis zu 100 und empfiehlt, sich auf die wichtigsten 20 bis 50 zu beschränken.
• Einwilligung und Betriebsrat: Wer nichtöffentlich gesprochene Worte ohne Erlaubnis aufnimmt, macht sich nach § 201 StGB strafbar. Holt die Zustimmung aller ein. Weil sich Aufnahmen zur Überwachung eignen, hat außerdem der Betriebsrat mitzureden.

Häufige Fragen