Sprache zu Text: So funktioniert es und was es kostet

Sprechen Sie einen Satz in Ihr Telefon und sehen Sie zu, wie die Wörter erscheinen. Achten Sie dann darauf, wie sich das dritte Wort ändert, nachdem Sie das fünfte beendet haben. Dieses Flackern ist das ganze Feld im Kleinen – eine Maschine, die eine Wette abschließt und sie korrigiert, sobald weitere Belege eintreffen.

Sprache zu Text ist inzwischen so alltäglich, dass sich kaum jemand fragt, was es eigentlich ist. Es untertitelt Videos, reicht Versicherungsansprüche ein, beantwortet Telefonmenüs, schreibt Arztbriefe und protokolliert still mit, was das Mikrofon in Ihrem Auto hört. Es scheitert außerdem auf eine Weise, die zufällig wirkt, bis man die Mechanik versteht – und danach fast zwangsläufig aussieht.

Also: was der Begriff abdeckt, was das System zwischen Ihrem Mund und dem Bildschirm tut, wie genau es ehrlicherweise wird, wer sich darauf stützt, was es kostet und was sich zuletzt verschoben hat. Produktranglisten gibt es hier nicht.

Der Begriff deckt mehr ab, als die meisten annehmen

Sprache zu Text ist die Umwandlung gesprochener Audiosignale in geschriebene Wörter. Der formale Name lautet automatische Spracherkennung, meist zu ASR abgekürzt, und beide Ausdrücke meinen exakt dasselbe. Ingenieurinnen und Anbieter sagen ASR; alle anderen sagen Sprache zu Text oder Spracheingabe, je nach Gewohnheit.

Falsch abgebogen wird dort, wo man es als Produktkategorie behandelt. Das ist es nicht. Es ist eine Fähigkeit, die unter vielen Produkten liegt, in zwei Modi, die sich völlig unterschiedlich anfühlen.

Der Live-Modus läuft, während der Schall noch eintrifft. Wörter landen einen Sekundenbruchteil hinter der sprechenden Person auf dem Bildschirm – eine Diktier-App, ein Untertitelsystem, der Mikrofonknopf in einer Suchleiste. Nichts wird vorher gespeichert; das Audio wird verbraucht, wie es kommt.

Der Datei-Modus läuft auf einer Aufnahme, die es schon gibt. Das Ganze liegt auf einen Schlag vor, also kann das System vor- und zurücklesen, bevor es sich auf irgendein Wort festlegt. Das ist der Modus hinter dem Verwandeln einer Aufnahme in ein Dokument nach einem Meeting oder Interview – eine verwandte Aufgabe mit eigenem Arbeitsablauf.

Vier Technologien, die permanent verwechselt werden

Suchergebnisse zu Sprache zu Text sind von drei benachbarten Technologien verseucht, die wirklich unterschiedliche Aufgaben erfüllen. Es lohnt sich, sie einmal sauber zu trennen.

Die ärgerlichste Verwechslung ist die Stimmerkennung. Lose gebraucht bedeutet sie dasselbe wie Spracherkennung. Streng genommen bezeichnet sie die andere Hälfte des Problems: nicht, was gesagt wurde, sondern wer es gesagt hat. Ein Stimmabdruck-System vergleicht die physikalischen Merkmale einer Stimme mit einer hinterlegten Probe, um die Identität zu bestätigen – genau das tut eine Bank, wenn sie sagt: „Meine Stimme ist mein Passwort." Sprecheridentifikation und Diarisierung stammen aus derselben Familie. Sie nennen Ihnen die Person, nicht die Wörter, und sie laufen unabhängig – weshalb ein Transkript den falschen Sprecher benennen kann, während jedes Wort korrekt geschrieben ist.

Die Sprachsynthese ist das saubere Spiegelbild – eine Stimme, aus Geschriebenem gefertigt, statt Geschriebenes aus einer Stimme. Das Verstehen sitzt oben auf der Erkennung: Sind die Wörter da, muss immer noch etwas entscheiden, dass „schieb das auf nächsten Donnerstag" eine Terminanfrage ist. Ein smarter Lautsprecher verkettet drei der vier in unter einer Sekunde, weshalb Menschen sie als eine einzige Sache erleben.

Was die Maschine tut, während Sie sprechen

Das intuitive Modell – der Computer gleicht jeden Laut mit einem Wörterbucheintrag ab – ist falsch, und alles Nützliche, was Sie zur Verbesserung Ihrer Ergebnisse tun können, folgt aus dem Warum.

Ein Erkenner identifiziert Wörter nicht einzeln. Er sucht nach der Folge von Wörtern, die den empfangenen Schall am wahrscheinlichsten erzeugt hat, und bewertet Kandidaten gleichzeitig nach zwei Dingen: wie gut jeder zur akustischen Evidenz passt und wie plausibel er als Stück Sprache ist. Klassische Systeme hielten das als getrennte Komponenten – ein akustisches Modell, das Schall auf Phoneme abbildet, ein Aussprachelexikon und ein Sprachmodell, das Wortfolgen bewertet. Moderne Ende-zu-Ende-Systeme trainieren die ganze Kette als ein Netz, das direkt Text-Token ausgibt, aber die zugrunde liegende Rechnung ist derselbe Balanceakt.

Diese Balance erklärt den berühmtesten Witz des Fachs. Im Englischen sind „recognize speech" und „wreck a nice beach" klanglich nahezu identisch. Nur die Sprachseite bricht das Patt, und sie bricht es mit der Frage, welche Formulierung Menschen tatsächlich sagen. Denkt man die Logik weiter, erhält man das Verhalten, das allen auffällt: Das System repariert ein genuscheltes Wort, weil seine Nachbarn die Antwort offensichtlich machten.

Es erklärt auch das Versagen, das am meisten nervt. Sagen Sie den Nachnamen einer Kollegin oder einen internen Produktnamen, den das Modell im Training nie gesehen hat, und es kann ihn nicht ausgeben – nicht „will nicht", sondern kann nicht. Es setzt das Nächstliegende ein, das es kennt, und macht weiter. Die Abhilfe heißt kontextuelles Biasing, verkauft als eigenes Wörterbuch, benutzerdefiniertes Vokabular oder Word Boost: Man reicht dem System eine kurze Liste von Begriffen, und es gewichtet die Suche zu deren Gunsten um. In den meisten Werkzeugen die Einstellung mit der größten Hebelwirkung – und die, die man zuletzt findet.

Zehn Minuten Einrichtung, die Ihre Meinung über ein Werkzeug ändern: Bevor Sie eine App für Sprache zu Text beurteilen, füllen Sie ihr benutzerdefiniertes Vokabular mit zwanzig Begriffen – Nachnamen von Teammitgliedern, Produktnamen, die Abkürzungen Ihrer Branche, Ihre zwei größten Kunden. Die meisten testen am ersten Tag, sehen einen Namen dreimal zerlegt und schließen daraus, die Technik tauge nichts. Sie taugt. Sie hat Ihre Welt nur noch nicht kennengelernt.

Live und im Nachhinein sind verschiedene Probleme

Hier trennen sich die beiden Modi, und hier beginnt der Großteil der Verwirrung über Qualität. Ein System, das an einer fertigen Datei arbeitet, kann nach vorn schauen. Es sieht das Satzende, bevor es sich auf den Satzanfang festlegt, und das ist ein erheblicher Vorteil – dieselbe akustische Mehrdeutigkeit löst sich mit drei Sekunden Zukunftskontext weit leichter auf. Deshalb schlägt die Verarbeitung einer Aufnahme in der Regel die Live-Erfassung desselben Audios. Kein Produkt anderer Qualität, sondern ein Problem anderer Schwere.

Ein Live-System hat keine Zukunft, die es befragen könnte. Es muss jetzt etwas ausgeben, also veröffentlicht es eine Teilhypothese – seine aktuell beste Vermutung – und revidiert sie, während mehr Audio eintrifft. Diese Revisionen sind die Wörter, die sich auf dem Bildschirm selbst umschreiben. Kein Fehler, sondern der ehrliche Ausdruck eines Systems, das seine Wette aktualisiert.

Zwei Mechanismen prägen, wie sich Live-Spracherkennung anfühlt:

• Endpointing. Irgendetwas muss entscheiden, ob Sie aufgehört haben zu sprechen oder nur eine Pause machen. Kurze Schwelle, und das System schneidet Sie mitten im Gedanken ab; lange Schwelle, und jeder Satz endet mit einem unangenehmen Warten. Keine Einstellung gefällt allen, weshalb manche Werkzeuge ungeduldig und andere träge wirken.
• Zweistufige Dekodierung. Die übliche Architektur lässt ein schnelles Modell laufen, das nur das bereits Geschehene sieht und die flackernden Teilergebnisse erzeugt, und danach ein langsameres, das nach vorn schauen kann, um die Zeile festzuschreiben. Niedrige Latenz, wo Reaktionsfreude zählt, bessere Genauigkeit dort, wo der Text dauerhaft stehen bleibt.

Auch Latenz ist hier keine einzelne Zahl. Es gibt die Verzögerung bis zum ersten Wort, die Rate, mit der sich Teilergebnisse aktualisieren, und die Wartezeit, bis eine Zeile festgeschrieben ist. Die Chunk-Größe bewegt vor allem das Erste, das Endpointing vor allem das Letzte. Ein Anbieter, der eine einzige Zahl nennt, nennt die, die ihm schmeichelt.

Genauigkeit ist eine Eigenschaft Ihres Audios, nicht des Produkts

Alle wollen eine Zahl. Die ehrliche Fassung braucht zwei Sätze.

Forschende bewerten diese Systeme mit der Wortfehlerrate: Alle ersetzten, ausgelassenen oder erfundenen Wörter addieren, geteilt durch die Zahl der tatsächlich gesprochenen Wörter. Niedriger ist besser, und es ist der Kehrwert der Genauigkeitsprozente aus Werbetexten – 3 % Wortfehlerrate sind 97 % Genauigkeit.

Bei sauberer, gut aufgenommener Sprache einer einzelnen Person liegen führende Engines 2026 grob im Bereich von 2–5 %. ElevenLabs' Scribe v2 wurde im März 2026 bei etwa 2,3 % gemessen; Deepgrams Nova-3 und NVIDIAs Canary Qwen landeten auf unabhängigen englischsprachigen Ranglisten beide nahe 5 %. Ausgezeichnete Zahlen – und für die meisten Leserinnen und Leser irrelevant.

Benchmarks bestehen aus Aufnahmen, die sich benehmen: vorgelesene Sätze, ordentliche Mikrofone, jeweils eine Stimme. Ihr Audio ist eine Videokonferenz mit jemandem am Laptoplautsprecher, einem Hund und zwei Leuten, die einander die Sätze zu Ende sprechen. Über gemischtes Material aus der echten Welt streuen veröffentlichte Genauigkeitswerte von etwa 85 % bis 98 %, und Fehlerraten bei unaufgeräumtem Meeting-Audio mit mehreren Sprechenden werden üblicherweise im Band von 15–25 % berichtet. Dieselben Engines. Andere Welt.

Was Ihre Zahl bewegt, grob nach Schadenshöhe sortiert: wie viele Menschen gleichzeitig reden, wie weit das Mikrofon vom Mund entfernt ist, wie stark der Raum hallt, wie gut der Akzent der sprechenden Person in den Trainingsdaten vertreten ist und wie speziell das Vokabular ist. Akzentlücken sind real und betreffen die ganze Branche – jede heute verkaufte Engine, unsere eingeschlossen, verliert an Boden, wenn Akzente stark sind und Menschen durcheinanderreden. Jeder Anbieter, der etwas anderes andeutet, verkauft gerade.

Es gibt noch ein subtileres Problem: Das System hat keine Ahnung, wann es falsch liegt. Konfidenzwerte existieren, aber ein flüssiges Ende-zu-Ende-Modell kann einen grammatikalisch einwandfreien Satz produzieren, den niemand geäußert hat, und ihn mit derselben Gelassenheit ausgeben wie einen korrekten. Ein menschlicher Transkribent schreibt „[unverständlich]". Ein Modell rät.

Das billigste Genauigkeits-Upgrade auf dem Markt: Ein USB-Mikrofon für 60 $ oder ein kabelgebundenes Headset verbessert Ihre Ergebnisse stärker als ein Anbieterwechsel. Nahbesprechung schneidet Raumhall weg, hebt die Stimme über den Störschall und erhält die hohen Frequenzen, die ähnliche Konsonanten trennen. Jedes Modell hier kämpft gegen dieselbe Physik, und die Physik ist entschieden, bevor die Software an die Reihe kommt.

Die Arbeiten, die Sprache zu Text den ganzen Tag still erledigt

Persönliche Produktivität ist die sichtbare Spitze. Das Volumen liegt woanders.

Kontaktcenter sind vermutlich der größte kommerzielle Einsatzbereich. Live-Erkennung speist Agenten-Assistenzpanels, die die richtige Antwort mitten im Satz nach oben spülen, und sie verwandelt Qualitätssicherung vom Abhören einer 2-%-Stichprobe in die Bewertung jedes einzelnen Anrufs. Routing, Compliance-Prüfungen und Nachbereitungszusammenfassungen sitzen alle auf demselben Transkript.

Barrierefreiheit und Untertitelung sind der Bereich, in dem die Technik aufgehört hat, optional zu sein. In den USA legt die Title-II-Regel des Justizministeriums WCAG 2.1 Stufe AA als Standard für digitale Inhalte von Bundesstaaten und Kommunen fest, mit Fristen im April 2027 und April 2028 je nach Einwohnerzahl, und private Organisationen bauen weithin gegen dieselbe Messlatte. Davon getrennt verlangt die FCC ab dem 17. August 2026 von Herstellern erfasster Geräte und von Anbietern mehrkanaliger Videodistribution, die Anzeigeeinstellungen für Untertitel leicht zugänglich zu machen. Klar gesagt: Automatische Untertitel allein erreichen die Genauigkeitsschwelle, die diese Regeln voraussetzen, in der Regel nicht. Sie interpunktieren schlecht, verstümmeln Namen und überspringen nichtsprachliche Geräusche, die gehörlose Zuschauende brauchen. Das regelkonforme Muster ist Maschinenentwurf plus menschliche Korrektur.

Klinische Dokumentation bleibt ein riesiger Markt, wobei alles, was geschützte Gesundheitsdaten berührt, einen Anbieter braucht, der die entsprechenden Vereinbarungen unterschreibt, und keine Allzweck-App. Gerichte nutzen es als ersten Durchgang unter zertifizierter menschlicher Prüfung. Medien und Bildung nutzen es, um Archive durchsuchbar zu machen – der eigentliche Gewinn beim Untertiteln einer 40-Stunden-Vorlesungsreihe ist, die vier Minuten über Eigenwerte zu finden.

Und Meetings, wo die meisten Büroarbeitenden ihm heute begegnen: Ein System erfasst das Gespräch und erzeugt eine Mitschrift mit Zeitstempeln und Sprecherlabels, zunehmend mit etwas, das danach damit passiert, statt einer Textwand zum Selberlesen.

Systemeigen, eingebettet, dediziert oder eine API

Jedes Produkt für Sprache zu Text fällt in einen von vier Töpfen, und der Topf sagt Ihre Erfahrung besser voraus als die Marke.

Die interessante Trennlinie innerhalb des dritten Topfs verläuft dort, was nach dem Entstehen der Wörter passiert. Manche Werkzeuge hören beim Text auf. Andere behandeln das Transkript als Rohmaterial – Laxis etwa nimmt Zoom-, Google-Meet- und Microsoft-Teams-Gespräche in über 100 Sprachen auf und transkribiert sie, zieht dann Aufgaben heraus und schiebt Ergebnisse nach HubSpot oder Salesforce, was eine andere Arbeit ist als schneller zu tippen. Keiner der Ansätze gewinnt im Abstrakten; sie beantworten unterschiedliche Fragen. Wenn Sie vor allem bis hierher gelesen haben, um herauszufinden, welches Produkt Sie kaufen sollen: Unser praktischer Vergleich der besten Diktierwerkzeuge nennt Namen, was diese Seite bewusst nicht tut.

Drei Preisformen und eine Falle

Die Kosten hängen vollständig davon ab, in welchem Topf Sie sitzen, und die Formen sind nicht vergleichbar.

Kostenlos heißt auf Betriebssystemebene wirklich kostenlos. Jede große Plattform bringt Diktat mit, und für kurze Einsätze ist die Bordlösung in Ordnung und läuft zunehmend auf dem Gerät statt auf einem Server.

Abos pro Platz sind der Standard bei dedizierten Werkzeugen und liegen gebündelt bei etwa 10 bis 20 $ pro Nutzer und Monat, meist mit einem kostenlosen Kontingent zum Einstieg. Unsere eigene Preisgestaltung liegt in diesem Band: eine kostenlose Stufe mit 300 Transkriptionsminuten pro Monat, danach 15,99 $ pro Nutzer für Premium und 29,99 $ für Business. Die Rechnung, auf die es ankommt, ist nicht der Schaufensterpreis, sondern Ihr Volumen – gebündelte Minuten gewinnen, sobald Sie mehrere Stunden pro Woche verarbeiten, die Abrechnung nach Verbrauch gewinnt, wenn Sie es zweimal im Monat anfassen.

Verbrauchsabhängige API-Preise sind der Ort, an dem die echte Stückkostenrechnung wohnt, und die Listenpreise 2026 sind niedrig genug, um zu überraschen. AssemblyAI veröffentlicht asynchrone Transkription ab etwa 0,15 $ pro Audiostunde auf Universal-2 und 0,21 $ auf Universal-3.5 Pro, mit Echtzeit-Streaming zu 0,45 $. Deepgrams Nova-3 wird mit rund 0,0043 $ pro Minute im Batch und 0,0077 $ im Streaming gelistet – ungefähr 0,26 $ und 0,46 $ die Stunde. OpenAIs GPT-4o Transcribe liegt bei etwa 6 $ pro tausend Minuten und Google Clouds Standardstufe bei rund 16 $ pro tausend Minuten vor Mengenrabatten.

Zwei Muster gelten überall. Streaming kostet spürbar mehr als die Batch-Verarbeitung desselben Audios – üblicherweise 40–50 % mehr –, weil Sie für eine offen gehaltene Verbindung und engere Latenz bezahlen. Und der Schaufensterpreis ist eine Untergrenze, kein Preis: Schalten Sie Diarisierung, Zusammenfassung, Schwärzung, Sentiment und eigenes Vokabular zu, und die effektiven Kosten können zwei- bis viermal höher landen, als die Preisseite nahelegt. Das ist die Falle.

Lassen Sie Sprache zu Text in Ihren Gesprächen arbeiten

Laxis nimmt Zoom-, Google-Meet- und Microsoft-Teams-Meetings in über 100 Sprachen auf, transkribiert und fasst sie zusammen, extrahiert Aufgaben und synchronisiert mit HubSpot und Salesforce. Der kostenlose Tarif enthält 300 Transkriptionsminuten pro Monat.

Laxis kostenlos testen

Was sich wirklich geändert hat und was kommt

Drei Verschiebungen erklären, warum das aufgehört hat, frustrierend zu sein, und weiter besser wurde.

Die erste ist architektonisch. Handgebaute Pipelines mit getrennten akustischen, Aussprache- und Sprachkomponenten wichen einzelnen Netzen, die auf riesige Archive aufgezeichneter Sprache samt ihrer schriftlichen Form angepasst wurden. Deshalb verbesserte sich die Abdeckung von Akzenten, Sprachen und lockerer Rede so deutlich – und deshalb änderte sich der Fehlermodus. Ältere Systeme produzierten offensichtliches Kauderwelsch; neuere produzieren selbstsichere, flüssige Fehler.

Die zweite ist, dass die Modelle klein genug wurden, um sich zu bewegen. Erkennung, die einst ein Rechenzentrum brauchte, läuft heute auf einem Telefon, und einige Konferenz- und Untertitelfunktionen verarbeiten standardmäßig lokal – ein echter Gewinn für Privatsphäre und Zuverlässigkeit, da keine Verbindung nötig ist und kein Audio reist. Cloud-Modelle behalten bei schwierigem Audio, ungewöhnlichem Vokabular und Long-Tail-Sprachen die Nase vorn, was der ehrliche Kompromiss hinter cloudbasierten Werkzeugen wie unserem ist.

Die dritte ist die Streaming-Architektur. Encoder, die Audio Frame für Frame aufnehmen und bereits Gesehenes zwischenspeichern, statt es neu zu verarbeiten, drückten die Live-Latenz weit genug, dass das Sprechen mit einer Maschine sich nicht mehr wie Funkverkehr anfühlt. NVIDIAs Arbeit an cache-bewussten Conformern im Jahr 2026 ist ein öffentliches Beispiel.

Was als Nächstes kommt, ist interessanter als ein weiterer Genauigkeitspunkt. Modelle, die direkt auf Audio arbeiten – die eine gesprochene Frage beantworten, ohne sich je auf ein Zwischentranskript festzulegen –, überspringen den Schritt, den dieser Artikel beschreibt, und stecken bereits in Assistenzprodukten. Auch die Bewertung steht unter Druck: Die Wortfehlerrate behandelt ein verlorenes „der" und ein verlorenes „nicht" gleich, was offensichtlich falsch ist, und Forschende drängen zu Maßen, die Bedeutung gewichten. Unser Bericht zur Lage der Kategorie 2026 enthält die Verbreitungs- und Marktzahlen hinter all dem.

Das Fazit

Das verbleibende Problem ist nicht das Hören. Bei sauberem Audio ist die Technik fertig – besser als die meisten Menschen, schneller als alle, für den Bruchteil eines Cents pro Minute. Ungelöst sind die menschlichen Teile: zu wissen, wer gesprochen hat, zu wissen, was zählte, zu wissen, wann man nicht verstanden hat.

Das Letzte ist die eigentliche Grenze. Ein System, das sagen könnte „bei dieser Zeile bin ich mir nicht sicher", wäre mehr wert als eines, das zwei Punkte genauer ist und über seine Fehler schweigt. Bis dahin behandeln Sie automatischen Text als starken Entwurf eines schnellen, selbstsicheren Kollegen, der noch nie gesagt hat: „Entschuldigung, könnten Sie das wiederholen?"

Häufig gestellte Fragen

Was ist Sprache zu Text?

Sprache zu Text ist die Technologie, die gesprochene Audiosignale in geschriebene Wörter umwandelt; ihr formaler Name ist automatische Spracherkennung. Sie umfasst sowohl die Live-Nutzung, bei der Wörter beim Sprechen auf dem Bildschirm erscheinen, als auch die Offline-Nutzung, bei der eine gespeicherte Audio- oder Videodatei nachträglich verarbeitet wird. Diktier-Apps, Live-Untertitel, Telefonassistenten und Meeting-Werkzeuge sind alles Produkte, die darauf aufsetzen.

Wie funktioniert automatische Spracherkennung?

Ein System zur automatischen Spracherkennung wandelt das Mikrofonsignal zunächst in eine numerische Beschreibung des Schalls um, dann sucht ein neuronales Netz die Wortfolge, die es am wahrscheinlichsten erzeugt hat. Diese Suche wiegt akustische Evidenz gegen die Plausibilität einer Formulierung in der Sprache ab, weshalb Kontext Laute repariert, die das Mikrofon schlecht eingefangen hat. Formatierung und Sprecherlabels kommen danach hinzu.

Wie genau ist Sprache zu Text?

Bei sauberen Aufnahmen einer einzelnen Person erreichen führende Engines grob 2 bis 5 Prozent Wortfehlerrate, also 95 bis 98 Prozent korrekte Wörter. Veröffentlichte Werte über gemischtes reales Audio streuen deutlich breiter, von etwa 85 bis 98 Prozent, und unaufgeräumtes Meeting-Audio mit mehreren Sprechenden wird häufig im Fehlerbereich von 15 bis 25 Prozent berichtet. Ihr Mikrofon und Ihr Raum zählen mehr als Ihr Anbieter.

Was ist der Unterschied zwischen Spracherkennung und Stimmerkennung?

Spracherkennung ermittelt, welche Wörter gesagt wurden. Stimmerkennung, streng gebraucht, ermittelt, wer sie gesagt hat, indem sie Stimmmerkmale mit einem hinterlegten Stimmabdruck vergleicht – weshalb Banken sie zur Verifizierung von Anrufenden einsetzen. Beide laufen als getrennte Systeme und beantworten getrennte Fragen, auch wenn der Alltagssprachgebrauch „Stimmerkennung" oft lose für beides verwendet.

Ist Sprache zu Text kostenlos?

Ja, im kleinen Maßstab. Windows, macOS, iOS und Android enthalten alle Diktat ohne Aufpreis, und Browser wie Office-Pakete bringen ihre eigene Spracheingabe mit. Kostenpflichtige Werkzeuge verlangen entweder einen monatlichen Platzpreis, üblicherweise um die 10 bis 20 Dollar, oder einen verbrauchsabhängigen Tarif über eine API, wo die Listenpreise 2026 von rund 0,15 bis 1 Dollar pro Audiostunde reichen.

Funktioniert Sprache zu Text offline?

Teilweise. Telefone und Notebooks liefern inzwischen komprimierte Erkennungsmodelle mit, die lokal laufen, sodass einfaches Diktat und ein Teil der Live-Untertitelung ohne Verbindung weiterarbeiten und kein Audio das Gerät verlässt. Größere Cloud-Modelle sind bei schwierigem Audio, breitem Vokabular und vielen Sprachen in der Regel weiterhin stärker, weshalb die meisten geschäftlichen Werkzeuge, Laxis eingeschlossen, in der Cloud verarbeiten.

Was ist der Unterschied zwischen Sprache zu Text und Text zu Sprache?

Sie laufen in entgegengesetzte Richtungen. Sprache zu Text hört Audio und erzeugt geschriebene Wörter. Text zu Sprache liest geschriebene Wörter und erzeugt synthetisches Audio, was Screenreader, Hörbuchvertonung und Antworten von Sprachassistenten antreibt. Ein Sprachassistent nutzt beides: Erkennung, um die Anfrage zu hören, Synthese, um sie zu beantworten.