Sprach-zu-Text-Benchmark: Deepgram vs. Whisper
Wir haben die führenden Sprach-zu-Text-(STT)-Anbieter getestet, mit besonderem Fokus auf Anwendungen im Gesundheitswesen. Unser Benchmark verwendete reale Beispiele, um die Transkriptionsgenauigkeit in medizinischen Kontexten zu bewerten, wo Präzision entscheidend ist.
Ergebnisse des Sprach-zu-Text-Benchmarks
Sowohl nach der Wortfehlerrate (WER) als auch nach der Zeichenfehlerrate (CER) zeigt GPT-4o-transcribe die höchste Transkriptionsgenauigkeit unter allen bewerteten Sprach-zu-Text-Systemen. Deepgram Nova-v3 und Gladia schneiden ebenfalls stark ab und halten bei beiden Metriken niedrige Fehlerraten aufrecht.
Methodik
Datensatz
Wir wollten die Leistung der Modelle sowohl bei kleinen und verschiedenen Stichproben als auch bei einer langen Stichprobe bewerten, daher führten wir zwei Aufgaben durch:
Aufgabe 1: Gesundheitswesen-Stimmdaten
- Gesamtzahl der Stichproben: 100
- Gesamtdauer: 9 Minuten und 25 Sekunden
- Durchschnittliche Dauer pro Stichprobe: 5,65 Sekunden
- Inhalt: Gesundheitswesen-Stimmdaten, einschließlich medizinischer Terminologie, Patienteninteraktionen und klinischer Diskussionen
- Vielfalt: Unterschiedliche Sprecher, variierende Audioqualität und diverse medizinische Kontexte, gesprochen auf Englisch
Audio-Spezifikationen:
- Format: WAV
- Kanäle: 1 (Mono)
- Sample-Breite: 16-Bit
- Abtastrate: 16 kHz
- Konstante Bitrate: 256 kbps
- Dauerbereich: ~4,5 bis 11,5 Sekunden pro Datei
Aufgabe 2: Ein Anatomievortrag
- Gesamtzahl der Stichproben: 1
- Gesamtdauer: 8 Minuten und 35 Sekunden
- Inhalt: Ein Anatomievortrag von einem Arzt, einschließlich medizinischer Terminologie
- Vielfalt: Ein Sprecher spricht in der ersten Hälfte des Videos auf Englisch; im Hintergrund spielt Musik.
Audio-Spezifikationen:
- Format: WAV
- Kanäle: 2 (Stereo)
- Sample-Breite: 16-Bit
- Abtastrate: 48 kHz
- Konstante Bitrate: 1536 kbps
Bewertungsmetriken
Wir verwendeten die Wortfehlerrate (WER) und die Zeichenfehlerrate (CER) als Bewertungsmetriken für die Transkriptionsgenauigkeit. Die Wortfehlerrate wird wie folgt berechnet:
WER = (S + D + I) / N
Wobei:
- S = Anzahl der Ersetzungen
- D = Anzahl der Löschungen
- I = Anzahl der Einfügungen
- N = Gesamtzahl der Wörter in der Grundwahrheit
Die Formel berechnet die minimale Anzahl von wortbasierten Operationen, die erforderlich sind, um die Hypothese in die Referenz zu transformieren, geteilt durch die Anzahl der Wörter in der Referenz. Eine niedrigere WER zeigt eine bessere Genauigkeit an, wobei 0% eine perfekte Übereinstimmung bedeutet.
Die Zeichenfehlerrate (CER) wird berechnet, indem die Gesamtzahl der Zeichenfehler (einschließlich Einfügungen, Löschungen und Ersetzungen) durch die Gesamtzahl der Zeichen im Referenztext geteilt wird.
Wir verwendeten Sprach-zu-Text-APIs, um Audiodateien in Text umzuwandeln.
Die maximale Eingabedateigröße, die von den Anbietern gleichzeitig verarbeitet werden kann, ist in der Tabelle dargestellt:
*Da Vosk lokal ausgeführt wird, gibt es keine Begrenzung der Eingabedateigröße. Lange Audiodateien können jedoch das Beam-Limit überschreiten, wodurch einige Wahrscheinlichkeiten verloren gehen. Daher wird empfohlen, die Dateien in 1–2 Minuten lange Segmente zu unterteilen.
Google MedASR arbeitet ebenfalls lokal und setzt kein maximales Dateigrößenlimit. Für optimale Leistung und Ressourcenverwaltung wird empfohlen, lange Dateien in kleinere Segmente zu verarbeiten.
Hinweis: Für Anbieter mit kleineren Dateigrößenlimits (wie Google und OpenAI) müssen größere Audiodateien vor der Verarbeitung in kleinere Blöcke aufgeteilt werden. Dies haben wir in Aufgabe 2 durchgeführt.
Spracherkennung
Spracherkennung ermöglicht es Computern, Audiodateien mithilfe von Maschinellen Lernalgorithmen in Text zu transkribieren. Die API eines Transkriptionsdienstes kann mit verschiedenen Programmiersprachen für die Batch-Transkription verwendet werden. Diese Plattformen unterstützen sowohl Echtzeit- als auch asynchrone Transkription.
Spracherkennungstechnologie hat zahlreiche Anwendungen, einschließlich Transkription, Sprachassistenten und Sprachübersetzung.
Vorteile der Verwendung von Spracherkennung für die Transkription
- Schnelle Transkription von Audiodateien
- Ersparnis von Zeit und Aufwand
- Echtzeit-Transkription und -Übersetzung
- Zugänglichkeit für Menschen mit Behinderungen
Wie funktionieren Sprach-zu-Text-KI-Tools?
Der Transkriptionsprozess umfasst:
- Audio-Daten werden hochgeladen oder an das Sprach-zu-Text-Tool gestreamt
- Verwendung von Maschinellen Lernalgorithmen zur Analyse der Audio-Daten und Identifizierung von Mustern in der Sprache
- Das Tool wandelt die Sprache mithilfe einer Sprach-zu-Text-Engine in Text um
- Der transkribierte Text wird dann dem Benutzer angezeigt.
Als bevorzugte Quelle hinzufügenFAQs
Transkription von Audio- und Videoaufnahmen kann verwendet werden in:
Sprachassistenten und virtuellen Assistenten
Sprachübersetzung und Dolmetschen
Sprach-zu-Text-(ASR)-Systeme für Menschen mit Behinderungen
Ihre vortrainierten Modelle ermöglichen die automatische Spracherkennung (ASR) für aufgezeichnete Audio- und Videodateien. Hochgenaue Audio-Transkriptionen umfassen automatische Zeichensetzung und Themenerkennung.
Eine Open-Source-Engine oder ein Spracherkennungsanbieter eines Dienstes, mit dem Ihr Unternehmen bereits zusammenarbeitet (z. B. Google Cloud, AWS transcribe), kann als Transkriptionslösung für die Bedürfnisse Ihres Unternehmens gewählt werden. Einige bieten auch kostenlose Guthaben an, aber wir empfehlen Vorsicht hinsichtlich der Datensicherheit.
Eine Sprach-zu-Text-API kann helfen, Audiodateien in Text zu transkribieren. Verarbeitung und Analyse von Audio-Daten:
Audio-Daten werden mit Techniken wie Rauschunterdrückung und Echokompensation verarbeitet
Die Audio-Daten werden dann mithilfe von Maschinellen Lernalgorithmen analysiert, um Muster in der Sprache zu identifizieren
Die Algorithmen verwenden akustische Modelle und Sprachmodelle, um gesprochene Wörter und Phrasen zu erkennen
Umwandlung von Sprache in Text mithilfe von Maschinellen Lernalgorithmen:
Maschinelle Lernalgorithmen werden mit großen Datensätzen aus Audio- und Textdaten trainiert
Die Algorithmen lernen, Muster in der Sprache zu erkennen und sie in Text umzuwandeln
Die Algorithmen können für spezifische Anwendungsfälle und Sprachen feinabgestimmt und angepasst werden
Weiterführende Literatur
Zitieren Sie diesen Benchmark
Wählen Sie das Format, das zu Ihrem Veröffentlichungsort passt. Wenn Sie die Link-Version in Ihr CMS einfügen, bleibt der Backlink erhalten.
@misc{dilmegani2026,
author = {Dilmegani, Cem and Alper, Şevval},
title = {{Sprach-zu-Text-Benchmark: Deepgram vs. Whisper}},
year = {2026},
month = jan,
howpublished = {\url{https://aimultiple.com/speech-to-text}},
note = {AIMultiple. Abgerufen am 22. Januar 2026}
}
Seien Sie der Erste, der kommentiert
Ihre E-Mail-Adresse wird nicht veröffentlicht. Alle Felder sind erforderlich. Kommentare werden in ihrer Originalsprache belassen.