Speech to Text: Was STT kann und wie Firmen es am Telefon nutzen

Speech to Text (STT) wandelt gesprochene Sprache automatisch in Text um. Für Unternehmen zählt weniger das Prinzip als die Frage, welche Art von Werkzeug zum Zweck passt und wo die Audiodaten dabei landen.

Wer „Speech to Text“ sucht, landet fast immer bei kostenlosen Online-Tools: Datei hochladen, Text herunterladen. Für eine Sprachnotiz ist das in Ordnung. Für Kundentelefonate, Bewerbungsgespräche oder Besprechungen mit Zahlen aus der Buchhaltung ist es ein Datenschutzrisiko, über das die meisten dieser Seiten kein Wort verlieren.

Dieser Eintrag ordnet ein, welche Arten von Speech-to-Text-Werkzeugen es gibt, welche Funktionen im Unternehmen wirklich zählen und wie STT am Telefon eingesetzt wird. Wie die Erkennung technisch funktioniert und wie man ihre Qualität misst, steht ausführlich im Eintrag Spracherkennung.

Was bedeutet Speech to Text?

Speech to Text (STT) ist die automatische Umwandlung gesprochener Sprache in geschriebenen Text. Im Deutschen spricht man von automatischer Spracherkennung, englisch Automatic Speech Recognition (ASR). Die Begriffe meinen dasselbe. „Speech to Text“ hat sich vor allem bei Produktnamen und Programmierschnittstellen durchgesetzt.

Den umgekehrten Weg geht Text to Speech: Aus Text wird eine Stimme. Ein Voicebot am Telefon braucht beides, dazwischen ein Sprachmodell, das den Text versteht und eine Antwort formuliert. Mehr dazu unter Conversational AI.

Vier Arten von Speech-to-Text-Werkzeugen

Hinter dem Begriff stecken sehr unterschiedliche Produkte. Wer sie auseinanderhält, spart sich Fehlkäufe.

1. Diktierfunktionen. In Betriebssysteme, Textverarbeitungen und Smartphones eingebaut. Sie tippen mit der Stimme, der Text erscheint direkt im Dokument. Geeignet für E-Mails und Notizen, nicht für Gespräche mit mehreren Personen.

2. Transkriptionsdienste für Dateien. Sie laden eine Aufnahme von einem Interview, Meeting oder Podcast hoch und erhalten einen Text mit Zeitstempeln, oft auch mit Sprechertrennung und Zusammenfassung. Das ist die Kategorie, die die Suchergebnisse dominiert.

3. Programmierschnittstellen (APIs). Cloud-Dienste wie Google Cloud Speech-to-Text, Microsoft Azure Speech oder Deepgram und Open-Source-Modelle wie Whisper von OpenAI liefern die Erkennung als Baustein für eigene Software. Abgerechnet wird meist nach Audiominuten. Ohne Entwickler kommen Sie damit nicht weit.

4. Speech to Text als Teil einer Telefonlösung. Hier kaufen Sie keine Transkription, sondern ein Ergebnis: einen KI-Telefonassistenten, der Anrufe annimmt, oder eine Telefonanlage, die Gespräche mitschreibt und zusammenfasst. Die STT-Komponente steckt im Produkt und wird von einem Dienstleister im Hintergrund geliefert.

Für die meisten KMU ist Variante 4 die relevante, sobald es um Telefonate geht. Die Varianten 2 und 3 lohnen sich, wenn Sie bereits aufgezeichnetes Material haben oder selbst eine Anwendung bauen.

Echtzeit oder Datei: der wichtigste Unterschied

Datei-Transkription (Batch) arbeitet mit einer fertigen Aufnahme. Das System kann die ganze Datei auswerten, auch Stellen, die erst später im Gespräch Sinn ergeben. Das verbessert die Genauigkeit, dauert aber, und Sie brauchen zuerst eine Aufnahme.

Echtzeit-Transkription (Streaming) liefert den Text, während gesprochen wird. Das System muss sich nach Bruchteilen von Sekunden festlegen und zusätzlich erkennen, wann der Sprecher fertig ist. Für einen Telefonassistenten gibt es keine Alternative: Jede Verzögerung bei der Erkennung verlängert die Pause vor der Antwort. Warum das am Telefon so empfindlich ist, erklärt der Eintrag Latenz. Ebenso wichtig ist, dass die Erkennung weiterläuft, während die KI spricht, damit sie auf Unterbrechungen reagieren kann (Barge-in).

Funktionen, die im Unternehmen zählen

Fast jedes Tool wirbt mit hoher Genauigkeit. Prozentangaben ohne Angabe des Testmaterials sagen wenig, weil vorgelesene Texte viel besser abschneiden als Telefonate mit Straßenlärm. Achten Sie stattdessen auf diese Punkte:

• Zeichensetzung und Formatierung: Ohne automatische Satzzeichen ist ein langes Transkript kaum lesbar. Wichtig sind auch Zahlen als Ziffern, Datumsangaben und E-Mail-Adressen.
• Sprechertrennung (Diarisierung): Das System ordnet Abschnitte verschiedenen Sprechern zu. Bei Telefonaten mit zwei Leitungsseiten ist das einfacher als bei einem Meeting mit sechs Personen an einem Mikrofon.
• Fachvokabular: Produktnamen, Fachbegriffe, Ortsnamen. Gute Dienste lassen sich mit eigenen Wortlisten ergänzen.
• Sprachen und Dialekt: Deutsch allein reicht nicht, wenn ein Teil Ihrer Kundschaft auf Türkisch, Polnisch oder Englisch anruft. Siehe mehrsprachige Telefonannahme.
• Weiterverarbeitung: Zusammenfassung, Aufgabenliste, Übergabe an CRM oder Ticketsystem. Ein Transkript, das niemand liest, bringt nichts.
• Speicherort, Speicherdauer, Training: Wo wird das Audio verarbeitet, wie lange bleiben Aufnahme und Text gespeichert, und nutzt der Anbieter Ihre Daten zum Training seiner Modelle?

Die Datenschutzfrage bei Gratis-Tools

Die Startseiten der großen Online-Transkriptionsdienste versprechen Verschlüsselung und Sicherheit. Was Unternehmen brauchen, steht dort selten: ein Auftragsverarbeitungsvertrag, eine Liste der Subunternehmer und eine verbindliche Aussage zum Training.

Sobald eine Aufnahme personenbezogene Daten enthält, und das ist bei fast jedem Geschäftsgespräch der Fall, verarbeitet der STT-Dienst diese Daten in Ihrem Auftrag. Dafür verlangt Art. 28 DSGVO einen Auftragsverarbeitungsvertrag. Sitzt der Dienst oder einer seiner Unterauftragsverarbeiter außerhalb der EU, gelten zusätzlich die Regeln für Drittlandübermittlungen nach Art. 44 ff. DSGVO.

Hinzu kommt die Aufnahme selbst. Wer das nichtöffentlich gesprochene Wort eines anderen unbefugt aufnimmt, macht sich nach § 201 StGB strafbar. Ein Telefonat heimlich mitzuschneiden, um es anschließend transkribieren zu lassen, ist deshalb keine Option. Was erlaubt ist und wie Sie Anrufer informieren, behandelt der Ratgeber Telefongespräche aufzeichnen. Spricht am Telefon eine KI, müssen Anrufer nach Art. 50 Abs. 1 der KI-Verordnung (EU) 2024/1689 erfahren, dass sie mit einem KI-System sprechen, sofern das nicht offensichtlich ist.

Diese Hinweise ersetzen keine Rechtsberatung. Für Ihren Einzelfall ist Ihr Datenschutzbeauftragter oder eine Anwältin zuständig. Den Überblick gibt der Ratgeber Datenschutz in der KI-Telefonie.

Speech to Text am Telefon: was Anbieter daraus machen

Telefonlösungen mit eingebauter STT nehmen Ihnen die Werkzeugwahl ab, unterscheiden sich aber deutlich darin, was sie speichern und wie lange. Die folgenden Angaben stammen aus den Unterlagen der Anbieter, Stand unserer Methodik:

Auch die Dienstleister hinter der Erkennung unterscheiden sich. fonio nennt unter seinen Subprozessoren Soniox, SpeakKI nennt Deepgram und Azure Speech, ebuero setzt von Deepgram lizenzierte Software im eigenen EU-Rechenzentrum ein, sipgate gibt Whisper auf eigenen Servern an, nennt in der Unterauftragnehmerliste aber zusätzlich ElevenLabs. Fragen Sie deshalb nicht nur, wo der Anbieter sitzt, sondern wer die Spracherkennung liefert und wo sie läuft.

Selbst bauen oder fertig kaufen?

Eine STT-API ist schnell angebunden. Bis daraus ein Telefonassistent wird, fehlen aber Telefonanbindung, Sprachmodell, Sprachausgabe, Gesprächslogik, Kalenderanbindung und ein Plan für Ausfälle. Für Entwicklerteams gibt es Plattformen, die diese Bausteine bündeln; einen Überblick gibt der Vergleich Voicebot-Plattformen für Entwickler.

Wenn Sie ein Unternehmen führen und kein Softwareprojekt starten möchten, ist ein fertiger Telefonassistent der kürzere Weg. Testen Sie die Erkennung dort mit echten Bedingungen: schwierige Nachnamen, Telefonnummern diktieren, ein Anruf aus dem Auto. Danach lesen Sie das Transkript und sehen, was angekommen ist. Weitere Prüfpunkte enthält die Checkliste zur Anbieterauswahl.

Der in unserer Methodik am besten bewertete Anbieter lässt sich direkt ausprobieren:

Welche Lösung zu Branche, Anrufvolumen und Datenschutzanforderungen passt, zeigt der Anbietervergleich. Was Sie pro Monat einplanen sollten, rechnen Sie im Kostenrechner durch.

Häufige Fragen

Passend zum Thema