Speech-to-Text (STT)

Die Technik heißt auch automatische Spracherkennung (ASR). In einem Telefonassistenten ist sie der erste Schritt: Erst wenn feststeht, was gesagt wurde, kann das System antworten. Am Telefon ist das anspruchsvoller als bei einer Diktierfunktion, weil die Tonqualität schmalbandig ist und Hintergrundgeräusche, Dialekte und schlechte Verbindungen dazukommen.

Fehler entstehen besonders bei Eigennamen, Straßen, E-Mail-Adressen und Zahlenfolgen. Gute Systeme lassen sich deshalb wichtige Angaben bestätigen oder buchstabieren. Neben der Echtzeiterkennung im Gespräch gibt es die nachträgliche Transkription, aus der Protokolle und Zusammenfassungen entstehen. Für die Qualität zählt deshalb nicht nur die Fehlerquote eines Modells, sondern das Ergebnis im eigenen Einsatz. Transkripte enthalten personenbezogene Daten und fallen unter das Datenschutzrecht.