Glossar

Audio-Transkription

Was ist Audio-Transkription?

Audio-Transkription wandelt gesprochene Sprache aus Aufnahmen in geschriebenen Text um. Moderne Systeme der automatischen Spracherkennung erkennen dabei auch Satzzeichen, verschiedene Sprecherinnen und Sprecher und mitunter Zeitstempel. Genutzt wird das für Besprechungsprotokolle, Interviews, Untertitel oder die Dokumentation von Kundengesprächen. Die Qualität hängt stark von Tonqualität, Dialekt und Fachvokabular ab; bei personenbezogenen Gesprächen sind Einwilligung und Datenschutz zu beachten.

Themen

Spracherkennung
Audio
Protokoll

KI.ordo ausprobieren

Agenten, Abläufe und Vorlagen in einem Arbeitsbereich – 24 Stunden kostenlos als Demo.

Demo starten

← Alle Begriffe

Verwandte Begriffe

Spracherkennung (Sprache zu Text)

Spracherkennung, auch ASR (Automatic Speech Recognition) genannt, wandelt gesprochene Sprache automatisch in geschriebenen Text um. Moderne Systeme nutzen neuronale Netze, die auf großen Mengen von Audioaufnahmen trainiert wurden, und kommen auch mit Akzenten und Hintergrundgeräuschen recht gut zurecht. Anwendungen sind Diktierfunktionen, Untertitel, Sprachassistenten oder die Transkription von Besprechungen und Kundengesprächen. Fachbegriffe, Eigennamen und schlechte Tonqualität bleiben häufige Fehlerquellen.

ASR
Audio
+1

Whisper

Whisper ist ein Modell zur automatischen Spracherkennung, das OpenAI im September 2022 veröffentlicht hat. Es wandelt gesprochene Sprache in vielen Sprachen in Text um und kann Aufnahmen auch ins Englische übersetzen. Code und Modellgewichte stehen unter der Open-Source-Lizenz MIT, sodass Whisper auch auf eigener Hardware betrieben werden kann – ein Vorteil, wenn Audiodaten das Haus nicht verlassen sollen. Typische Einsätze sind Transkripte von Besprechungen, Interviews oder Untertitel.

Spracherkennung
Open Source
+1

Text-to-Speech (TTS)

Text-to-Speech wandelt geschriebenen Text in gesprochene Sprache um und ist damit das Gegenstück zur Spracherkennung (Sprache-zu-Text). Moderne Systeme erzeugen mit neuronalen Netzen natürlich klingende Stimmen mit passender Betonung. Eingesetzt wird TTS etwa in Telefonansagen, Navigationsgeräten, Vorlesefunktionen für barrierefreie Websites oder Sprachassistenten.

Sprachausgabe
Audio
+1