Speech to Text ist Software, die gesprochene Sprache automatisch in geschriebenen Text umwandelt. Auf Deutsch heisst das Spracherkennung, automatische Transkription oder schlicht Sprache zu Text. Sie steckt in der Diktierfunktion des Handys, in den Untertiteln von Videos, in Sitzungsprotokollen und immer häufiger am Telefon, wo aus einem Kundengespräch ein durchsuchbarer Text wird.
Dieser Artikel erklärt, wie Speech to Text funktioniert, wovon die Genauigkeit abhängt, gerade bei Mundart, und wofür Unternehmen die Technik einsetzen. Im zweiten Teil geht es um Geschäftstelefonate: wie unsere Plattform aus einem aufgenommenen Anruf ein Transkript mit Zusammenfassung macht und was Sie dabei beachten sollten. Die Funktion selbst beschreibt die Seite zur Gesprächsaufnahme.
Was ist Speech to Text?
Speech to Text, abgekürzt STT, ist eine Anwendung der 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 die schriftliche Fassung dessen, was gesagt wurde.
Die Technik wird auf zwei Arten eingesetzt. Beim Diktat spricht jemand ins Mikrofon, und der Text erscheint fortlaufend auf dem Bildschirm. Bei der Transkription verarbeitet die Software eine fertige Aufnahme, etwa eine Sitzung, ein Interview oder ein Telefonat. Für Geschäftstelefonate ist die zweite Art üblich, weil das Gespräch zuerst aufgenommen und danach in Text umgewandelt wird.
So wird aus Sprache Text: die Spracherkennung in vier Schritten
Hinter jedem Transkript stehen vier Arbeitsschritte, die die Software kurz 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 jedem Abschnitt die wahrscheinlichsten Laute zu.
- Wörter und Sätze bilden: Ein Sprachmodell setzt aus den Lauten Wörter zusammen und prüft, welche Wortfolge im Zusammenhang am meisten Sinn ergibt. So unterscheidet es etwa «Offerte» von «offerieren» anhand des Satzes, in dem das Wort vorkommt.
- 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 abhängt, gerade in der Schweiz
Spracherkennung ist bei klarer Aussprache heute sehr zuverlässig, doch jedes Transkript kann Fehler enthalten. Wie viele, hängt vor allem von diesen Punkten ab:
- Tonqualität: Eine Aufnahme mit Lärm, Hall oder schlechter Verbindung ist schwerer zu verstehen. Eine Telefonleitung überträgt ausserdem weniger Frequenzen als ein Studiomikrofon.
- Mundart: Schweizerdeutsch ist für jede Spracherkennung eine besondere Herausforderung, weil es keine einheitliche Schreibweise hat und die Modelle überwiegend mit Standardsprache trainiert sind. Bei einem Gespräch in Mundart ist deshalb mit mehr Fehlern zu rechnen als bei einem Gespräch auf Hochdeutsch.
- 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 eine Offerte schreiben oder eine Buchung vornehmen.
Speech to Text im Unternehmen: Diktat, Sitzung und Telefonat
Schweizer Unternehmen nutzen Sprache zu Text vor allem an drei Stellen:
- Diktat: Die Ärztin in der Praxis diktiert den Bericht, der Treuhänder eine Aktennotiz, die Geschäftsführerin eine E-Mail zwischen zwei Terminen.
- Sitzungen 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 eine Kollegin einem Kunden genannt hat, sucht im Text nach dem Wort «Liefertermin», statt eine zwanzigminütige Aufnahme bis zur richtigen Stelle anzuhören.
Telefongespräche transkribieren: So läuft es bei CallFactory
Bei uns läuft die Transkription auf derselben Plattform wie Ihre Geschäftsnummer. Sie brauchen kein Aufnahmegerät und keine eigene Software.
- Gesprächsaufnahme einschalten: Eingehende Anrufe auf Ihrer Geschäftsnummer werden auf unserer Plattform aufgenommen, wenn Sie die Gesprächsaufnahme nutzen. Die Transkription schalten Sie dort im Dashboard dazu.
- Anrufer informieren: Ein Satz in Ihrer Begrüssungsansage sagt Ihren Anrufern, dass das Gespräch aufgenommen wird. Die Ansage erstellen Sie mit dem Text-zu-Sprache-Assistenten aus geschriebenem Text.
- Transkript und Zusammenfassung abrufen: Nach dem Telefonat erstellt die Plattform ein Transkript und eine kurze Zusammenfassung. Aufnahme und Transkript liegen beide im Dashboard, und Sie durchsuchen den Text nach einem Stichwort.
- Aufnahmen verwalten: Nur der Administrator des Kontos hört die Aufnahmen. Sie bleiben standardmässig bis zu 30 Tage gespeichert, 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 in Englisch, auch mit Anrufern aus Grossbritannien und den USA. Damit sind Deutsch, Französisch und Italienisch abgedeckt, was einem Team hilft, das Kundinnen aus der Romandie und dem Tessin betreut oder über eine Nummer in einem anderen Land für Kunden im Ausland erreichbar ist.
Die Gesprächsaufnahme mit KI-Transkription und Zusammenfassung ist im Paket Kundenservice enthalten, das CHF 49 pro Monat oder CHF 490 pro Jahr kostet und für bis zu acht Personen gilt. Mit einer Schweizer Nummer ist Telefonieren bei normaler Nutzung inklusive. Bei höherer Nutzung kostet die Minute 10 Rappen, ins Festnetz und aufs Handy gleich, sekundengenau abgerechnet, und in diesen 10 Rappen sind auf Wunsch Gesprächsaufnahme, Transkription und Protokollierung des Gesprächs enthalten. Wer sich nicht auf die faire Nutzung verlassen möchte, kann diesen Minutenpreis auch von Anfang an wählen. Alle Pakete finden Sie auf der Preisseite.
Datenschutz beim Transkribieren von Telefonaten
Ein Transkript enthält dieselben Personendaten wie die Aufnahme, oft sogar leichter auffindbar, weil der Text durchsuchbar ist. Für Aufnahme und Transkription gelten deshalb das Datenschutzgesetz und das Strafgesetzbuch, das das unbefugte Aufnehmen von Gesprächen unter Strafe stellt (Art. 179bis ff. StGB). Klären Sie vorab drei Fragen: zu welchem Zweck Sie aufnehmen, wie Sie Ihre Anrufer informieren und wer im Betrieb auf Aufnahmen und Transkripte zugreifen darf.
Nehmen Sie nur auf, wofür Sie einen klaren Zweck haben, und löschen Sie, was Sie nicht mehr brauchen. Diese Hinweise sind allgemeine Information und keine Rechtsberatung; im Einzelfall klären Sie die Frage mit Ihrer Rechtsberatung oder Ihrer Datenschutzberaterin. Mehr zum Datenschutz bei automatisierten Gesprächen lesen Sie im Artikel Voicebot und Datenschutz.
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 der Anruferin zu und wandelt das Gesagte mit Speech to Text in Text um; ein Sprachmodell erfasst das Anliegen und formuliert die Antwort, und Text to Speech spricht sie mit einer natürlichen Stimme aus. Weil das während des laufenden Gesprächs ohne spürbare Pause geschehen muss, sind die Anforderungen höher als bei der Transkription einer fertigen Aufnahme. Wie ein Voicebot diese Schritte verbindet oder in einem Echtzeitmodell zusammenfasst, lesen Sie im Artikel Stitching oder Echtzeitmodell.
Welcher Sprachdienst bei einem Voicebot zum Einsatz kommt, hängt davon ab, welche Sprachen Ihre Anrufer sprechen, und wir nennen ihn Ihnen vor dem Start. Einen Auftragsverarbeitungsvertrag dafür unterzeichnen wir auf Wunsch. Wie Voicebot und Chatbot zusammenhängen, erklärt der Artikel Chatbot und Voicebot, und was hinter der Antwort des Voicebots steckt, beschreibt der Artikel Generative KI.
CallFactory ist seit 2001 in der Geschäftstelefonie tätig, lizenzierter Netzbetreiber in 14 europäischen Ländern und betreibt eine eigene Telefonplattform. Gesprächsaufnahme, Transkription und Voicebot laufen auf derselben Plattform wie Ihre Nummer.
