Speech-to-Text-Benchmark: Deepgram vs. Whisper

Wir haben die führenden Speech-to-Text-Anbieter (STT) einem Benchmark unterzogen, wobei wir uns speziell auf Anwendungen im Gesundheitswesen konzentrierten. Unser Benchmark verwendete reale Beispiele, um die Transkriptionsgenauigkeit in medizinischen Kontexten zu bewerten, in denen Präzision entscheidend ist.

Ergebnisse des Speech-to-Text-Benchmarks

Basierend auf den Ergebnissen sowohl der Wortfehlerrate (WER) als auch der Zeichenfehlerrate (CER) zeigt GPT-4o-transcribe die höchste Transkriptionsgenauigkeit unter allen bewerteten Speech-to-Text-Systemen. Deepgram Nova-v3 und Gladia schneiden ebenfalls stark ab und halten die Fehlerraten bei beiden Metriken niedrig.

Methodik

Dataset

Wir wollten die Leistungen der Models sowohl in kleinen und verschiedenen Samples als auch in einem langen Sample bewerten, daher haben wir zwei Aufgaben durchgeführt:

Aufgabe 1: Sprachdaten aus dem Gesundheitswesen

• Gesamtzahl der Samples: 100
• Gesamtdauer: 9 Minuten und 25 Sekunden
• Durchschnittliche Dauer pro Sample: 5,65 Sekunden
• Inhalt: Sprachdaten aus dem Gesundheitswesen, einschließlich medizinischer Terminologie, Patienteninteraktionen und klinischer Gespräche
• Vielfalt: Verschiedene Sprecher, unterschiedliche Audioqualität und vielfältige medizinische Kontexte, auf Englisch gesprochen

Audiospezifikationen:

• 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: Eine Anatomievorlesung

• Gesamtzahl der Samples: 1
• Gesamtdauer: 8 Minuten und 35 Sekunden
• Inhalt: Eine Anatomievorlesung eines Arztes, einschließlich medizinischer Terminologie
• Vielfalt: Ein Sprecher spricht in der ersten Hälfte des Videos auf Englisch; im Hintergrund läuft Musik.

Audiospezifikationen:

• 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 Substitutionen
• D = Anzahl der Löschungen
• I = Anzahl der Einfügungen
• N = Gesamtzahl der Wörter im Referenztext

Die Formel berechnet die minimale Anzahl an Wortoperationen, die erforderlich ist, um die Hypothese in die Referenz zu überführen, geteilt durch die Anzahl der Wörter in der Referenz. Ein niedrigerer WER weist auf eine bessere Genauigkeit hin, wobei 0 % eine perfekte Übereinstimmung darstellt.

Die Zeichenfehlerrate (CER) wird berechnet, indem die Gesamtzahl der Zeichenfehler (einschließlich Einfügungen, Löschungen und Substitutionen) durch die Gesamtzahl der Zeichen im Referenztext geteilt wird.

Wir verwendeten Speech-to-Text-APIs, um Audiodateien in Text zu transkribieren.

Die von den Anbietern maximal auf einmal verarbeitbare Dateigröße ist in der Tabelle dargestellt:

*Da Vosk lokal ausgeführt wird, gibt es keine Begrenzung der Eingabedateigröße. Allerdings können lange Audiodateien das Beam-Limit überschreiten, wodurch einige Wahrscheinlichkeiten verloren gehen können. Daher wird empfohlen, die Dateien in Segmente von 1–2 Minuten aufzuteilen.

Google MedASR wird ebenfalls lokal ausgeführt und legt keine maximale Dateigrößenbeschränkung fest. Für optimale Leistung und Ressourcenverwaltung wird empfohlen, lange Dateien in kleineren Segmenten zu verarbeiten.

Hinweis: Bei Anbietern mit kleineren Dateigrößenbeschränkungen (wie Google und OpenAI) müssen größere Audiodateien vor der Verarbeitung in kleinere Teile aufgeteilt werden. Wir haben dies in Aufgabe 2 durchgeführt.

Spracherkennung

Die Spracherkennung ermöglicht es Computern, Audiodateien mithilfe von Algorithmen des maschinellen Lernens in Text zu transkribieren. Die API eines Transkriptionsdienstes kann mit verschiedenen Programmiersprachen für die Stapeltranskription verwendet werden. Diese Plattformen unterstützen sowohl Echtzeit- als auch asynchrone Transkription.

Die Spracherkennungstechnologie hat zahlreiche Anwendungen, darunter Transkription, Sprachassistenten und Sprachübersetzung.

Vorteile der Nutzung von Spracherkennung für die Transkription

• Schnelle Transkription von Audiodateien
• Zeit- und Arbeitsersparnis
• Echtzeit-Transkription und -Übersetzung
• Barrierefreiheit für Menschen mit Behinderungen

Wie funktionieren Speech-to-Text-KI-Tools?

Der Transkriptionsprozess umfasst:

• Die Audiodaten werden auf das Speech-to-Text-Tool hochgeladen oder dorthin gestreamt
• Verwendung von Algorithmen des maschinellen Lernens, um die Audiodaten zu analysieren und Sprachmuster zu erkennen
• Das Tool wandelt die Sprache mithilfe einer Speech-to-Text-Engine in Text um
• Der transkribierte Text wird dann dem Benutzer angezeigt.

FAQs

Verpassen Sie nicht unsere Benchmarks und datengestützten Erkenntnisse. Die Schaltfläche öffnet Google; die Auswahl von AIMultiple bestätigt, dass Sie AIMultiple häufiger in den Google-Suchergebnissen sehen möchten.

Als bevorzugte Quelle hinzufügen

Weiterführende Literatur

• 10+ Dienste für die Erfassung von Sprachdaten

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  = {{Speech-to-Text-Benchmark: Deepgram vs. Whisper}},
  year   = {2026},
  month  = aug,
  howpublished    = {\url{https://aimultiple.com/speech-to-text}},
  note   = {AIMultiple. Abgerufen am 21. August 2026}
}

Änderungsprotokoll

1 Aktualisierungen

2025

1. 20. Okt

   Die Benchmark-Ergebnisse im Abschnitt „Benchmark-Ergebnisse“ wurden aktualisiert.

Cem Dilmegani

Leitender Analyst

Folgen auf

Cem ist seit 2017 leitender Analyst bei AIMultiple.

Cems Arbeit bei AIMultiple wurde von führenden globalen Publikationen wie Business Insider, Forbes, Morning Brew und Washington Post, von globalen Unternehmen wie Deloitte und HPE, von NGOs wie dem World Economic Forum und von supranationalen Organisationen wie der European Commission zitiert. [1], [2], [3], [4], [5]

Im Laufe seiner Karriere war Cem als Tech-Berater, Tech-Einkäufer und Tech-Unternehmer tätig. Er beriet Unternehmen bei ihren Technologieentscheidungen bei McKinsey & Company und Altman Solon über mehr als ein Jahrzehnt. Er veröffentlichte außerdem einen McKinsey-Bericht zur Digitalisierung.

Er leitete Technologiestrategie und -beschaffung eines Telekommunikationsunternehmens und berichtete dabei direkt an den CEO. Außerdem verantwortete er das kommerzielle Wachstum des Deep-Tech-Unternehmens Hypatos, das innerhalb von zwei Jahren von 0 einen siebenstelligen jährlich wiederkehrenden Umsatz und eine neunstellige Bewertung erreichte. Cems Arbeit bei Hypatos wurde von führenden Technologiepublikationen wie TechCrunch und Business Insider aufgegriffen.

Cem spricht regelmäßig auf internationalen Technologiekonferenzen. Er absolvierte die Bogazici University als Computeringenieur und hat einen MBA von der Columbia Business School.

Vollständiges Profil anzeigen

Recherchiert von

Şevval Alper

KI-Forscherin

Folgen auf

Şevval ist KI-Forscherin bei AIMultiple. Sie hat bereits Forschungserfahrung in der Erzeugung von Pseudozufallszahlen mithilfe chaotischer Systeme.
Şevval konzentriert sich auf KI-Programmierwerkzeuge, KI-Agenten und Quantentechnologien.

Vollständiges Profil anzeigen

Seien Sie der Erste, der kommentiert

Ihre E-Mail-Adresse wird nicht veröffentlicht. Alle Felder sind erforderlich. Kommentare werden in ihrer Originalsprache belassen.

Name

E-Mail-Adresse

Kommentar

0/450

Kommentar posten