Speech-to-Text (KI-Transkription)
Definition
Speech-to-Text ist eine Technik, die gesprochene Sprache in geschriebenen Text umwandelt. KI-Transkriptionsmodelle machen das mit Aufnahmen wie Meetings und Telefonaten, damit du die Inhalte danach durchsuchen, zusammenfassen oder in Aufgaben verwandeln kannst.
Von Ronan Liedmeier, Fractional Head of Growth und Kursautor · Veröffentlicht 17. Oktober 2026 · Zuletzt aktualisiert 17. Oktober 2026
Auch genannt: Spracherkennung, AI Transcription, Automatic Speech Recognition (ASR)
Bei der Arbeit macht das Gesprochenes nutzbar: Aus einem Kundentelefonat werden Notizen, die du durchsuchen kannst, und aus einer Sprachnotiz beim Spaziergang wird ein erster Entwurf.
So funktioniert es
Ein Transkriptionsmodell bekommt eine Audiodatei oder einen Live-Stream und gibt Text zurück, oft mit Zeitstempeln. Manche Dienste kennzeichnen auch, wer gerade spricht. Das heißt Sprechererkennung oder Speaker Diarization. Die Speech-to-Text-API von OpenAI hat zum Beispiel ein eigenes Modell für Sprecherkennzeichnung und einen eigenen Endpunkt, der Sprache in englischen Text übersetzt.
Diktieren und Sprachmodus nutzen beide Speech-to-Text, erfüllen aber verschiedene Aufgaben. Beim Diktieren schreibt das System auf, was du sagst. Der Sprachmodus ist ein gesprochenes Hin und Her mit einem Assistenten, praktisch zum lauten Nachdenken.
In einem Workflow ist die Transkription der erste Schritt: aufnehmen, transkribieren, Entscheidungen und Aufgaben als strukturierte Ausgabe herausziehen, dann dorthin schicken, wo sie hingehören.
Beispiel
Nach jedem wöchentlichen Kundentermin wird die Aufnahme einer Kundenberaterin automatisch transkribiert. Ein Modell zieht Entscheidungen, Zuständige und Termine heraus und entwirft eine Zusammenfassung per E-Mail und eine CRM-Notiz. Sie prüft beides, bevor etwas gespeichert oder verschickt wird. Bei einem Termin ändert sie „Budget freigegeben“ in „Budget wahrscheinlich, Freigabe durch den CFO steht noch aus“.
Häufiger Fehler
Menschen aufnehmen, ohne zu fragen. Die Regeln zur Einwilligung unterscheiden sich je nach Land und Region. Frag deshalb zu Beginn jedes Gesprächs, ob du aufnehmen und transkribieren darfst. Mach die Frage zum festen Teil deiner Meetings, dann muss niemand daran denken.
In AI Academy lernen
- Stimme & AudioEinsteiger · 9 Min.
- Sprache & Bild in WorkflowsFortgeschritten · 13 Min.
- Meeting-Intelligence-StackFortgeschritten · 15 Min.
Verwandte Begriffe
- Multimodale KI
- Multimodale KI ist KI, die im selben Gespräch mit mehr als einer Art von Eingabe oder Ausgabe arbeiten kann, etwa Text, Bildern, Audio und Video. Du kannst ihr ein Foto oder einen Screenshot zeigen und Fragen dazu stellen oder ein Bild beschreiben und es erstellen lassen.
- KI-Workflow
- Ein KI-Workflow ist eine feste Abfolge von Schritten, die ein Mensch oder Code vorab festlegt und in der ein KI-Modell einen oder mehrere Schritte übernimmt. Die Schritte laufen jedes Mal in derselben Reihenfolge, deshalb lässt sich ein Workflow leicht testen und prüfen.
- Strukturierte Ausgabe (JSON-Modus)
- Strukturierte Ausgabe ist ein Verfahren, mit dem ein KI-Modell in einem festen, maschinenlesbaren Format antwortet statt mit Fließtext, meist als JSON mit benannten Feldern. So kann ein Programm sie zuverlässig lesen, etwa um eine Tabellenzeile zu füllen oder den nächsten Workflow-Schritt zu wählen.
- Human in the Loop
- Human in the Loop ist ein Ansatz, bei dem ein KI-System an festgelegten Stellen anhält, damit ein Mensch seine Arbeit freigeben oder korrigieren kann, bevor sie wirksam wird. Das nutzt man für Aktionen, die sich schwer rückgängig machen lassen, etwa E-Mails an Kunden oder Zahlungen.