Speech-to-Text (STT)

Kurz erklärt

Speech-to-Text wandelt gesprochene Sprache aus einer Aufnahme oder einem Live-Audiosignal in geschriebenen Text um. Die Abkürzung lautet STT.

Was ist Speech-to-Text?

Ein Spracherkennungsmodell verarbeitet akustische Signale und ordnet ihnen Wörter, Satzzeichen und manchmal Sprecherwechsel oder Zeitmarken zu. Das Ergebnis bildet die technische Grundlage einer Transkription.

Wie funktioniert das?

Audiosignal
    ↓
akustische Analyse und Spracherkennung
    ↓
Text + optionale Zeitmarken/Sprecher

Qualität und Funktionen unterscheiden sich je nach System. Hintergrundgeräusche, Dialekte, mehrere gleichzeitige Stimmen und Fachbegriffe sind besondere Herausforderungen.

Konkretes Beispiel

Eine aufgezeichnete Produktionsbesprechung wird automatisch in Text umgewandelt. Das System erkennt den Großteil korrekt, verwechselt aber einen Eigennamen und ordnet einen Zwischenruf der falschen Person zu. Vor der Weiterverwendung werden kritische Stellen mit dem Audio verglichen.

Warum ist das wichtig?

STT macht Audio durchsuchbar und kann Untertitel, Protokolle und Barrierefreiheit unterstützen. Aufnahmen können personenbezogene oder vertrauliche Inhalte enthalten; Aufnahme, Verarbeitung, Speicherung und Zugriff müssen daher geregelt sein.

Typisches Missverständnis

Missverständnis: Eine automatische Spracherkennung liefert ein fertiges, korrektes Protokoll.

STT erzeugt zunächst erkannten Text. Inhaltliche Zusammenfassung, Freigabe und Korrektur sind weitere Arbeitsschritte.

Merksatz

Speech-to-Text erkennt gesprochene Wörter – ein geprüftes Protokoll entsteht erst durch weitere Bearbeitung.