Speech to Text ist Software, die gesprochene Sprache automatisch in geschriebenen Text umwandelt. Auf Deutsch sagt man Sprache zu Text, Spracherkennung oder automatische Transkription. Sie begegnet Ihnen in der Diktierfunktion am Handy, in Untertiteln von Videos, in Protokollen von Besprechungen und immer öfter am Telefon, wo aus einem Kundengespräch ein durchsuchbarer Text wird.
Dieser Artikel erklärt, wie Speech to Text funktioniert, wovon die Genauigkeit abhängt und wofür Unternehmen die Technik nutzen. Im zweiten Teil geht es um Geschäftstelefonate: wie unsere Plattform aus einem aufgezeichneten Anruf ein Transkript mit Zusammenfassung macht und was Sie dabei beachten sollten. Die Funktion selbst beschreibt die Seite zur Gesprächsaufzeichnung.
Was ist Speech to Text?
Speech to Text, abgekürzt STT, gehört zur künstlichen Intelligenz. Ein Modell hat an sehr vielen Tonaufnahmen mit dazugehörigem Text gelernt, wie gesprochene Wörter klingen, und erkennt sie deshalb auch in einer Aufnahme, die es noch nie gehört hat. Das Ergebnis ist ein Transkript, also ein geschriebener Text dessen, was gesagt wurde.
Man unterscheidet zwei Arten des Einsatzes. Beim Diktat spricht jemand ins Mikrofon, und der Text erscheint fortlaufend auf dem Bildschirm. Bei der Transkription wird eine fertige Aufnahme verarbeitet, etwa eine Besprechung, ein Interview oder ein Telefonat. Für Telefonate im Unternehmen ist die zweite Art die übliche, weil das Gespräch zuerst aufgezeichnet und danach in Text umgewandelt wird.
So funktioniert Sprache zu Text: die Spracherkennung in vier Schritten
Hinter einem Transkript stehen vier Arbeitsschritte, die die Software in kurzer Zeit nacheinander erledigt:
- Aufnahme aufbereiten: Die Tonspur wird in kurze Abschnitte zerlegt, und Störgeräusche werden so weit wie möglich herausgefiltert.
- Laute erkennen: Ein akustisches Modell ordnet den Abschnitten die wahrscheinlichsten Laute zu.
- Wörter und Sätze bilden: Ein Sprachmodell setzt aus den Lauten Wörter zusammen und prüft, welche Wortfolge in diesem Zusammenhang am meisten Sinn ergibt. So unterscheidet es etwa „Rechnung“ von „Rechnen“ anhand des Satzes, in dem das Wort steht.
- Text aufbereiten: Die Software setzt Satzzeichen und Großschreibung und trennt, wenn sie dafür eingerichtet ist, die Beiträge der einzelnen Sprecher.
Neuere Systeme erledigen die Schritte zwei und drei in einem einzigen Modell. Am Prinzip ändert das nichts: Die Software berechnet Wahrscheinlichkeiten und schreibt die Wörter, die am besten zu Ton und Zusammenhang passen.
Wovon die Genauigkeit von Speech to Text abhängt
Spracherkennung ist heute bei klarer Aussprache sehr zuverlässig, aber jedes Transkript kann Fehler enthalten. Wie viele, hängt vor allem von diesen Punkten ab:
- Tonqualität: Eine Aufnahme mit Hintergrundlärm, Hall oder schlechter Verbindung ist schwerer zu verstehen. Eine Telefonverbindung überträgt außerdem weniger Frequenzen als eine Studioaufnahme.
- Aussprache und Dialekt: Deutliches Sprechen hilft. Ein starker Dialekt oder viele Wörter aus der Mundart erhöhen die Fehlerquote, weil die Modelle überwiegend mit Standardsprache trainiert sind.
- Fachbegriffe und Namen: Produktnamen, Straßennamen, Familiennamen und Abkürzungen aus Ihrer Branche erkennt die Software seltener richtig als Alltagswörter.
- Gleichzeitiges Sprechen: Reden zwei Personen durcheinander, wird es für jede Spracherkennung schwierig.
- Sprache: Für weit verbreitete Sprachen sind die Modelle meist besser trainiert als für seltene.
Für die Praxis heißt das: Ein Transkript ist eine verlässliche Grundlage, um ein Gespräch nachzuvollziehen und schnell die richtige Stelle zu finden. Namen, Zahlen und Beträge prüfen Sie aber in der Aufnahme nach, bevor Sie damit ein Angebot schreiben oder eine Buchung vornehmen.
Speech to Text im Unternehmen: Diktat, Besprechung und Telefonat
Unternehmen nutzen Sprache zu Text vor allem an drei Stellen:
- Diktat: Die Ärztin in der Ordination diktiert den Befund, der Sachverständige seinen Bericht, die Geschäftsführerin eine E-Mail zwischen zwei Terminen.
- Besprechungen und Interviews: Aus der Aufnahme einer Sitzung entsteht ein Protokoll, das alle Beteiligten nachlesen können.
- Telefonate: Kundengespräche im Service, Auftragsannahmen und Reklamationen werden als Text festgehalten, damit das Team später nachlesen kann, was vereinbart wurde.
Beim Telefonat spart die Transkription besonders viel Zeit. Wer wissen will, welchen Liefertermin ein Teammitglied einem Kunden genannt hat, sucht im Text nach dem Wort „Liefertermin“ und muss nicht eine zwanzigminütige Aufnahme anhören, bis die Stelle kommt.
Telefongespräche transkribieren: So läuft es bei CallFactory
Bei uns läuft die Transkription auf derselben Plattform wie Ihre Geschäftsnummer. Sie brauchen keine App, kein Aufnahmegerät und keine eigene Software.
- Aufzeichnung einschalten: Eingehende Anrufe auf Ihrer Geschäftsnummer werden auf unserer Plattform aufgezeichnet, wenn Sie die Gesprächsaufzeichnung nutzen. Die Transkription schalten Sie im Dashboard ein.
- Anrufer informieren: Ein Satz in Ihrer Begrüßungsansage sagt Ihren Anrufern, dass das Gespräch aufgezeichnet wird. Die Ansage erstellen Sie mit dem Text-to-Speech-Assistenten aus geschriebenem Text.
- Transkript und Zusammenfassung abrufen: Nach dem Telefonat erstellt die Plattform ein Transkript und eine Zusammenfassung. Aufnahme und Transkript liegen beide im Dashboard, und Sie durchsuchen den Text nach einem Wort.
- Aufnahmen verwalten: Nur der Administrator des Kontos hört die Aufnahmen. Sie werden in der EU gespeichert und bleiben standardmäßig bis zu 30 Tage erhalten; eine längere Aufbewahrung ist gegen Aufpreis möglich. Was Sie dauerhaft brauchen, laden Sie herunter oder holen es über die API in Ihr eigenes System.
Transkribiert werden Gespräche in allen Amtssprachen der EU und auf Englisch, auch mit Anrufern aus Großbritannien und den USA. Das hilft einem Team, das Kunden im Ausland betreut und für sie über eine Nummer in einem anderen Land erreichbar ist.
Gesprächsaufzeichnung mit KI-Transkription und Zusammenfassung ist im Paket Kundenservice enthalten, das €49 pro Monat oder €490 pro Jahr kostet und für bis zu acht Personen gilt. Mit einer österreichischen Nummer ist Telefonieren bei normaler Nutzung inbegriffen. Bei höherer Nutzung kostet die Minute 10 Cent, ins Festnetz wie ins Mobilfunknetz, und wird sekundengenau abgerechnet. In diesen 10 Cent sind auf Wunsch Gesprächsaufzeichnung, Transkription und Protokollierung des Gesprächs enthalten. Wer sich nicht auf die faire Nutzung verlassen möchte, kann diesen Minutenpreis auch von Anfang an wählen.
Datenschutz bei der Transkription von Telefonaten
Ein Transkript enthält dieselben personenbezogenen Daten wie die Aufnahme, oft sogar leichter auffindbar. Für Aufzeichnung und Transkription gelten deshalb die DSGVO und das österreichische Recht. Klären Sie vorab drei Fragen: zu welchem Zweck Sie aufzeichnen, wie Sie Ihre Anrufer informieren und wer im Betrieb auf Aufnahmen und Transkripte zugreifen darf.
Was in Österreich beim Aufzeichnen von Telefonaten erlaubt ist, fasst der Artikel Telefongespräch aufnehmen: Was ist erlaubt? zusammen. Er ersetzt keine Rechtsberatung; im Einzelfall klären Sie die Frage mit Ihrer Rechtsberatung oder Ihrem Datenschutzbeauftragten.
Speech to Text und Text to Speech im Voicebot
Speech to Text hat ein Gegenstück: Text to Speech macht aus geschriebenem Text eine gesprochene Stimme. Ein Voicebot am Telefon braucht beide Richtungen. Er hört dem Anrufer zu und wandelt das Gesagte mit Speech to Text in Text um; ein Sprachmodell versteht das Anliegen und formuliert die Antwort, und Text to Speech liest sie mit einer natürlichen Stimme vor. Weil dieser Weg im laufenden Gespräch ohne spürbare Pause funktionieren muss, sind die Anforderungen höher als bei der Transkription einer fertigen Aufnahme.
Welcher Sprachdienst bei einem Voicebot zum Einsatz kommt, hängt davon ab, welche Sprachen Ihre Anrufer sprechen. Wir nennen ihn Ihnen vor dem Start. Den Auftragsverarbeitungsvertrag dafür unterschreiben wir auf Anfrage. Wie Voicebot und Chatbot zusammenhängen, erklärt der Artikel KI-Chatbot und Voicebot, und was hinter der Antwort des Voicebots steckt, beschreibt der Artikel Generative KI.
CallFactory ist seit 2001 im Geschäft und lizenzierter Betreiber in 14 europäischen Ländern und betreibt eine eigene Telefonplattform. Aufzeichnung, Transkription und Voicebot laufen auf derselben Plattform wie Ihre Nummer.
