KI News KI-Glossar › Grundlagen
Spracherkennung (Speech-to-Text)
Kurz gesagt: KI, die gesprochene Sprache in Text verwandelt – die Grundlage für Diktat, Untertitel und Sprachassistenten.
Stand: 08.11.2026 · Redaktion KI News Kompakt
Spracherkennung (Speech-to-Text) wandelt Gesprochenes in geschriebenen Text um. Moderne Systeme sind Deep-Learning-Modelle, trainiert mit sehr vielen Stunden Audio samt Abschrift. Sie kommen mit Dialekten, Hintergrundgeräuschen und Fachbegriffen deutlich besser zurecht als frühere Verfahren.
Wo sie gebraucht wird
- Diktieren und automatische Untertitel,
- Protokolle von Meetings und Telefonaten,
- als „Ohr“ von Sprachassistenten und Voice Agents – zusammen mit Sprachsynthese als „Mund“.
Als Google 2026 in den USA eine Funktion startete, bei der die KI für einen telefoniert, bekam der Nutzer laut TechCrunch ein Live-Transkript des Gesprächs – mit der Möglichkeit, jederzeit selbst zu übernehmen.
Worauf du achten solltest
- Fehler: Namen, Zahlen und Fachwörter werden gern falsch verstanden. Wichtige Stellen gegenhören.
- Datenschutz: Gespräche aufzunehmen und abschreiben zu lassen, braucht in Deutschland grundsätzlich das Einverständnis aller Beteiligten. Und viele Dienste verarbeiten das Audio in der Cloud (On-Device-KI als Alternative).
Mehr dazu im Podcast
Hängt zusammen mit
Sprachsynthese (Text-to-Speech)
KI, die geschriebenen Text in natürlich klingende Sprache verwandelt – von Vorlesefunktion bis Telefon-Agent.
KI-Telefonie & Voice Agents
KI, die selbst anruft oder ans Telefon geht – vom Tischreservieren bis zum Kundenservice.
Multimodale KI
Modelle, die nicht nur Text verstehen, sondern auch Bilder, Audio und Video.