2,4 % Wortfehlerrate – und trotzdem keine Ahnung, wer gesprochen hat

Anfang Juni veröffentlichte Microsofts AI-Superintelligence-Team MAI-Transcribe-1.5, und das Modell erreichte auf dem unabhängigen Leaderboard von Artificial Analysis eine Wortfehlerrate von 2,4 Prozent. Ein einziges Modell deckt 43 Sprachen ab, hält Akzenten und lauten Besprechungsräumen stand und verarbeitet eine Stunde Audio in weniger als fünfzehn Sekunden.

Wer anschließend die Azure-Dokumentation von Microsoft zu genau diesem Modell aufschlägt, findet unter den Nutzungshinweisen eine Zeile: „Diarisierung wird nicht unterstützt."

Diarisierung ist der Teil, der Ihnen sagt, wer gesprochen hat. Das meistbeachtete Sprachmodell des Jahres erzeugt also eine nahezu fehlerfreie Wand aus Wörtern, ohne zu wissen, aus welchem Mund sie gekommen sind. Das ist kein Versehen in den Release Notes. Es ist eine präzise Momentaufnahme dessen, wo diese Branche tatsächlich steht. Das Hören ist weitgehend gelöst. Und Hören war nie der schwierige Teil einer Besprechungsnotiz.

In diesem Beitrag geht es um den Abstand zwischen einem korrekten Transkript und einer Notiz, die Sie Ihrem Team tatsächlich schicken würden: was die Wortfehlerrate misst, was sie strukturell nicht messen kann und welche Schichten oberhalb der reinen Spracherkennung im Stillen darüber entscheiden, ob eine Aufnahme brauchbar wird. Wenn Sie schon einmal ein Transkript zurückbekommen haben, das technisch einwandfrei und praktisch wertlos war – hier ist die Erklärung dafür.

TL;DR:

• Die Wortfehlerrate staut sich am unteren Ende: Die besten neun Modelle auf dem unabhängigen Board von Artificial Analysis liegen zwischen 1,73 % und 3,31 %. Ein „genaueres" Modell bringt Ihnen in einer typischen Besprechung also einige Dutzend Wörter pro Stunde.
• WER gewichtet jedes Wort gleich. Ein fehlendes „nicht" in einem Beschluss kostet dieselben 0,016 Prozent wie ein verschlucktes „ähm" – die Kennzahl kann einen Tippfehler nicht von einer umgedrehten Zusage unterscheiden.
• Die verbleibende Arbeit liegt oberhalb des Transkripts: Sprecherzuordnung, Segmentierung, Aufbereitung, Zusammenfassung. Microsofts eigene Modellkarte ist der Beleg – Spitzengenauigkeit, keine Diarisierung, kein Streaming.

Bild: Steve Knight, Rockfield Studios, Wikimedia Commons, CC BY 2.0.

Was 2,4 Prozent bedeuten, wenn Sie derjenige sind, der das liest

Die Wortfehlerrate ist die älteste und gröbste Kennzahl der Spracherkennung – und gerade weil sie so oft zitiert wird, lohnt es sich, sie genau zu verstehen. Man nimmt, was tatsächlich gesagt wurde: die von Menschen erstellte Referenztranskription. Man nimmt, was das Modell geschrieben hat. Dann zählt man die falschen Wörter in drei Varianten: Ersetzungen (das Modell schreibt „Verzug", wo jemand „Bezug" gesagt hat), Auslassungen (ein Wort fehlt vollständig) und Einfügungen (ein Wort wird erfunden, das nie gefallen ist). Diese Summe wird durch die Zahl der Wörter in der Referenz geteilt. Das ist WER. Niedriger ist besser.

2,4 Prozent bedeutet also: etwa jedes zweiundvierzigste Wort ist falsch.

Übertragen wir das auf eine echte Besprechung. Eine Stunde, in der etwa fünfundvierzig Minuten wirklich gesprochen wird, bei einem normalen Sprechtempo von rund 140 Wörtern pro Minute, ergibt ungefähr 6.300 Wörter. Bei 2,4 Prozent WER sind davon rund 150 falsch. Über das Transkript verteilt sind das ein paar Fehler auf jedem Bildschirm.

Und hier kommt die Frage, die die Kennzahl konsequent nicht beantwortet: welche 150?

WER gewichtet jedes Wort der Sprache identisch. Der Artikel „der" und die Verneinung „nicht" sind exakt gleich viel wert. Nehmen Sie ein Transkript, das aus „wir liefern im dritten Quartal nicht aus" ein „wir liefern im dritten Quartal aus" macht. Das ist eine Auslassung. Ein Wort von 6.300 – 0,016 Prozent des Transkripts, ein Rundungsfehler gegenüber einem Budget von 2,4 Prozent. Und die Notiz hält jetzt das genaue Gegenteil dessen fest, was der Raum beschlossen hat.

Dieselbe Asymmetrie zieht sich durch Namen, Produktcodes und interne Abkürzungen – also durch die Wörter mit der höchsten Bedeutungsdichte und der geringsten Häufigkeit in den Trainingsdaten. Ein Transkript kann 6.150 Wörter Bindegewebe fehlerfrei treffen und jeden Eigennamen im Raum verstümmeln, und seine WER sieht weiterhin hervorragend aus. Wer je das Transkript des eigenen Daily gelesen hat, kennt diesen Eindruck: Die Wörter stimmen, und die Besprechung fehlt.

Das Leaderboard staut sich am unteren Ende

Dieser Punkt ordnet die gesamte Kategorie neu. Wir haben das Speech-to-Text-Board von Artificial Analysis am 4. August 2026 abgerufen – ein unabhängiger Benchmark, kein Datenblatt eines Anbieters. Der AA-WER-v2-Index ist ein nach Audiodauer gewichteter Mittelwert über rund acht Stunden aus drei Datensätzen: AA-AgentTalk (50 %), VoxPopuli-Cleaned-AA (25 %) und Earnings22-Cleaned-AA (25 %). Die Spitze sieht so aus:

Quelle: Artificial Analysis Speech-to-Text-Leaderboard, abgerufen am 4. August 2026 (AA-WER v2, non-streaming).

Zwei Dinge fallen auf. Erstens: Microsofts 2,4 Prozent sind real und unabhängig gemessen – und es ist Platz drei, nicht Platz eins. Die weitergehende Aussage, das Modell erreiche über alle 43 Sprachen hinweg die beste Genauigkeit auf FLEURS, stammt von Microsoft selbst und sollte deshalb als Herstellerangabe gelesen werden, solange sie niemand außerhalb des Unternehmens nachmisst.

Zweitens, und das wiegt deutlich schwerer: Neun Modelle drängen sich in einem Band von 1,6 Prozentpunkten. Rechnen wir das auf unsere Besprechung mit 6.300 Wörtern zurück. Das beste Modell des Boards liegt bei etwa 109 falschen Wörtern. Das neuntplatzierte bei etwa 209. Whisper Large v3 – die offene Basis, auf der bis heute sehr viele Produkte laufen – bei etwa 256.

Was das für eine Kaufentscheidung bedeutet, ist bemerkenswert. Der Wechsel von einem soliden Mittelfeldmodell zum Spitzenreiter spart Ihnen rund 100 Wörter pro Stunde. Das ist nicht nichts, und in der medizinischen oder juristischen Transkription zählt es wirklich. Aber es ist weit entfernt vom Unterschied zwischen einer Notiz, der Sie vertrauen, und einer Notiz, die Sie neu schreiben. Jede ernstzunehmende Engine liegt inzwischen über 96 Prozent Genauigkeit. Die Variable, die über die Brauchbarkeit Ihrer Besprechungsnotiz entscheidet, liegt woanders.

Microsofts Release Notes sind das ehrlichste Dokument der Kategorie

Damit sind wir wieder bei der Zeile vom Anfang. Die Azure-Speech-Dokumentation listet die Einschränkungen von MAI-Transcribe nüchtern auf: Diarisierung wird nicht unterstützt, Prompt-Tuning wird nicht unterstützt, und das Modell läuft als Public Preview über die LLM Speech API. Die Berichterstattung zum Launch ergänzt, dass es auch keine native Streaming-API gibt, was den Echtzeiteinsatz einschränkt.

Betrachten Sie die Form dieser Aussage. Das Unternehmen hat enormen Aufwand in das Problem des Hörens gesteckt – 43 Sprachen statt zuvor 25, mit 18 neuen Sprachen ohne Genauigkeitsverlust. Und dann wurde das Modell ohne Sprecherkennzeichnung und ohne Streaming ausgeliefert. Beides ist genau das, was eine laufende Besprechung braucht.

Unsere Einschätzung: Das ist keine Lücke in Microsofts Produkt, sondern eine Aussage über die Schichtung des gesamten Feldes. Erkennung ist heute eine Komponente, kein Produkt. Sie ist zu etwas geworden, das man einkauft, vermisst und austauscht – und die interessante Arbeit ist in alles gewandert, was sich darum legt.

Die Decke des Stenografen

Intern verwenden wir dafür einen festen Begriff: die Decke des Stenografen. Gemeint ist der Punkt, ab dem besseres Hören nicht mehr weiterhilft, weil die verbleibende Arbeit kein Hören mehr ist.

Ein perfekter Stenograf liefert eine perfekte Mitschrift der Wörter. Er wird Ihnen nicht sagen, dass die beiden „ja, klar" von verschiedenen Personen kamen und Verschiedenes bedeuteten. Er markiert nicht, wo ein Thema endete. Und er weist nicht darauf hin, dass die zwanzig Minuten über den Büroumzug in der Notiz nichts verloren haben. Oberhalb des Transkripts liegen vier eigenständige Schichten, und jede scheitert auf ihre eigene Weise.

Sprecherzuordnung – Diarisierung. Das ist die Mechanik, die einen einzelnen Audiostrom in „Sprecher 1, Sprecher 2, Sprecher 3" zerlegt und diese Zuordnung über eine Stunde stabil hält. Es ist ein von der Erkennung klar getrenntes Problem mit eigenen Fehlerbildern: zwei Personen, die einander ins Wort fallen; jemand, der zur Halbzeit dazukommt; eine Person, die über Freisprecheinrichtung anders klingt als über Headset. Und wenn es scheitert, scheitert es zerstörerisch. Ein Transkript, das eine Zusage der falschen Person zuordnet, ist schlechter als eines, das sie niemandem zuordnet – weil die Leserin es glaubt. Genau diese Fähigkeit liefert das bestbewertete Modell nicht mit.

Segmentierung. Rohe Erkennungsausgabe ist ein Fluss. Echte Rede kommt nicht in Sätzen an, sondern in Neuanfängen, abbrechenden Nebensätzen und Unterbrechungen. Das System muss entscheiden, wo Sätze enden, wo der Redebeitrag einer Person aufhört und wo das Gespräch das Thema gewechselt hat. Wird das falsch gemacht, entsteht ein technisch korrekter Absatz, den niemand liest, weil das Auge keinen Halt findet. Wird es richtig gemacht, werden dieselben Wörter überfliegbar. Von dieser Verbesserung taucht kein einziges Zeichen in der WER auf.

Aufbereitung. Zwischen Rohtranskript und Notiz liegt ein Aufräumdurchgang: Füllwörter und Satzabbrüche entfernen, Zahlen und Datumsangaben normalisieren, Fachbegriffe korrigieren, die das akustische Modell gar nicht kennen konnte. Aus „drittes Quartal" wird „Q3". Ein interner Projektname, der als drei plausible Alltagswörter herauskam, wird wiederhergestellt. Das ist die Schicht, in der Domänenwissen einfließt, und sie entscheidet, ob ein Dokument wie ein Gerichtsprotokoll oder wie Notizen liest.

Zusammenfassung. Zuletzt die Bewertung: Welche Teile der Stunde waren Entscheidungen, welche offene Fragen, welche die Zuweisung einer Aufgabe an eine namentlich genannte Person – und welche die zwanzig Minuten über Parkplätze. Das ist die einzige Schicht, die die meisten Leserinnen und Leser überhaupt konsumieren, und sie hängt vollständig von den drei vorherigen ab. Eine Zusammenfassung, die auf einem nicht zugeordneten, nicht segmentierten Transkript arbeitet, rät, wer was zugesagt hat. Gibt man ihr saubere Sprecherwechsel, hört das Raten auf.

Die Abhängigkeit läuft in eine Richtung – und deshalb führt die Genauigkeitsdebatte so leicht in die Irre. Eine Verbesserung der WER von 2,4 auf 1,7 Prozent verbessert die Eingabe einer vierstufigen Kette, die selbst nie gemessen wurde.

Keyword-Biasing ist das stille Eingeständnis der Branche

In der Veröffentlichung von MAI-Transcribe-1.5 steckt eine Funktion, die die ganze Sache offenlegt – und sie ist zugleich das Nützlichste am gesamten Launch.

Das Modell unterstützt Keyword-Biasing, auch Entity-Biasing genannt: Sie übergeben eine Liste von bis zu 200 domänenspezifischen Begriffen – Teilnehmernamen, Produktnamen, interne Abkürzungen – und das Modell gewichtet seine Vorhersagen in Richtung dieser Liste. Es erzwingt dabei keine Treffer, sondern entscheidet anhand des Kontexts, wann die Gewichtung greifen soll. Microsoft berichtet von einer WER-Reduktion um bis zu 30 Prozent auf FLEURS bei aktiviertem Biasing. Das veröffentlichte Beispiel ist sehr konkret: Ohne Stichwortliste erscheinen drei Namen als „Sean", „Oif" und „Societal". Mit Liste stellt das Modell „Shaun", „Aoife" und „Xochitl" wieder her.

Sehen Sie genau hin, was hier passiert ist. Das Audio hat sich nicht verändert. Die Akustik hat sich nicht verbessert. Das Modell hat vorher nicht schlechter gehört – es hat einwandfrei gehört und falsch geraten, weil es nicht wusste, wer im Raum war. Übergibt man ihm die Teilnehmerliste, verschwindet fast ein Drittel der Fehler.

Das ist die gesamte These dieses Beitrags, ausgeliefert als Produktfunktion vom Anbieter mit dem bestbewerteten Modell. Die wirksamste Genauigkeitsverbesserung im wichtigsten Release des Jahres funktioniert, indem sie Information einspeist, die im Audio nie enthalten war. Die verbleibende Grenze in der Transkription ist demnach nicht akustisch, sondern kontextuell – und Kontext ist genau der Stoff, aus dem die Schichten oberhalb des Transkripts gebaut sind.

Parallel dazu wird um immer mehr Audioerfassung gerungen

Der Hardwaremarkt zieht die gegenteilige Schlussfolgerung, und das ist bemerkenswert. INMOs GO3-Brille verspricht für 599 US-Dollar Echtzeitübersetzung in über 98 Sprachen direkt auf dem Brillenglas sowie automatische Aufzeichnung, Transkription und Zusammenfassung jedes Gesprächs und jeder Besprechung, unterstützt von ChatGPT und Gemini. Das sind Herstellerangaben von der Produktseite, und der Anspruch ist eindeutig: alles erfassen, überall, freihändig.

Nur war Erfassung nie der Engpass. Ein Telefon auf dem Tisch nimmt Besprechungen seit einem Jahrzehnt gut genug auf. Erfassung allgegenwärtiger zu machen erhöht lediglich die Menge an Audio, die in dieselbe ungelöste Verarbeitungskette fließt. Wenn überhaupt, verschärft es das Problem: Ein Gerät, das den ganzen Tag jedes Gespräch mitschneidet, produziert weit mehr Material, auf das jemand die Entscheidung anwenden muss, was davon zählt.

Was Sie testen sollten, statt die WER-Zahl zu lesen

Wenn Sie ein Transkriptions- oder Notiz-Werkzeug evaluieren, trennt die veröffentlichte Genauigkeitszahl die Kandidaten nicht, weil alle innerhalb weniger Punkte liegen. Drei Tests tun es.

Nehmen Sie eine echte Besprechung mit mindestens drei Personen und einer Passage mit tatsächlichem Durcheinanderreden auf, und prüfen Sie dann, ob die Sprecherkennzeichnungen von Minute fünf bis Minute fünfzig konsistent bleiben – genau dort baut Diarisierung unauffällig ab. Nehmen Sie zweitens eine Entscheidung, die verneinend formuliert wurde („wir machen die Migration in diesem Quartal nicht"), und suchen Sie sie in der Zusammenfassung; ein System, das Verneinungen umdreht oder verliert, zeigt es hier. Vergleichen Sie drittens die Zusammenfassung mit Ihrer eigenen Erinnerung an die Besprechung und zählen Sie zwei Dinge getrennt: was aufgenommen wurde, obwohl es unwichtig war, und was fehlt, obwohl es wichtig war. Die zweite Zahl veröffentlicht niemand, und sie entscheidet darüber, ob Sie das Werkzeug in drei Monaten noch benutzen.

Fazit

Die Wortfehlerrate beantwortete die Frage: „Hat die Maschine die Wörter gehört?" Diese Frage hat die Branche inzwischen beantwortet. Was kein Leaderboard je beantwortet hat, ist: „Sagt mir das, was in der Besprechung entschieden wurde?"

Das sind zwei verschiedene Fragen, und nur eine davon war je der Punkt. Ein Transkript ist eine Aufzeichnung von Schall. Eine Notiz ist eine Aufzeichnung einer Entscheidung. Der Abstand dazwischen wird nicht in Prozentpunkten gemessen, und er schließt sich weder durch ein besseres Mikrofon noch durch eine niedrigere WER. Er schließt sich durch alles, was Sie darauf aufbauen: zu wissen, wer gesprochen hat, wo der Gedanke endete, welche Wörter Rauschen waren – und welche drei Sätze einer Stunde der Grund waren, aus dem die Besprechung stattfand.

Das Transkript war nie das Ergebnis. Es war das Rohmaterial.

Genau so bauen wir Telli.sh: Spracherkennung ist eine Komponente, und die Arbeit, die wir als Produkt betrachten, liegt darüber – Sprechertrennung, Segmentierung, Aufbereitung und Zusammenfassungen, die Entscheidungen von Nebengesprächen trennen, in 15 Sprachen. Wenn Sie den Unterschied zwischen Transkript und Notiz an einer Ihrer eigenen Besprechungen sehen möchten, nehmen Sie eine auf und lesen Sie das Ergebnis wenige Minuten später.

Live-KI-Notiz starten

Quellen

• MAI-Transcribe in Azure Speech (preview) — Microsoft Learn — die Liste der Einschränkungen, inklusive „Diarisierung wird nicht unterstützt"
• Microsoft AI Introduces MAI-Transcribe-1.5 — MarkTechPost, 8. Juni 2026
• Introducing MAI-Transcribe-1.5 — Microsoft AI
• Artificial Analysis Speech-to-Text-Leaderboard — AA-WER-v2-Werte, abgerufen am 4. August 2026
• INMO GO3 Produktseite — Herstellerangaben zu Übersetzungs- und Transkriptionsfunktionen
• Wikimedia-Commons-Bildseite