Wie genau ist KI-Transkription je nach Sprache? WER-Benchmarks pro Sprache (2026)
Die Genauigkeit von KI-Transkription unterscheidet sich je nach Sprache enorm. Wir haben die Wortfehlerraten aus dem FLEURS-Benchmark des Whisper-Papers zusammengestellt: welche Sprachen nahezu menschliche Qualität erreichen, welche Nachbearbeitung brauchen und welche allgemeine Modelle praktisch nicht transkribieren können.
Die Transkriptionsgenauigkeit unterscheidet sich dramatisch je nach Sprache. Im FLEURS-Benchmark erreicht OpenAIs Whisper Word Error Rates von etwa 3-5 % in Englisch, Spanisch, Italienisch und Deutsch, hohe einstellige Werte bei Sprachen mit mittlerem Ressourcenstand wie Niederländisch, Türkisch und Vietnamesisch, und über 75 % in vielen ressourcenarmen Sprachen wie Amharisch, Yoruba und Birmanisch - dort kann ein allgemeines Modell praktisch keinen brauchbaren Text erzeugen. Entscheidend sind Trainingsdatenmenge, phonetische Komplexität und Schriftsystem.
Dieser Leitfaden zeigt WER-Werte pro Sprache, zusammengestellt aus den veröffentlichten FLEURS-Ergebnissen des Whisper-Papers (OpenAI, 2022), geordnet nach Genauigkeitsstufen. Wenn Sie Transkription für eine bestimmte Sprache bewerten oder verstehen wollen, warum deutsches Audio nahezu fehlerfrei transkribiert wird, thailändisches Audio aber nicht, erklären die Daten unten den Unterschied.
Was diese Zahlen sind (und nicht sind). Alle Werte unten sind Whisper large-v2 WER auf dem FLEURS-Benchmark, aus Anhang D.2.4 des Whisper-Papers - der vollständigsten WER-Tabelle pro Sprache, die ein großes Labor veröffentlicht hat. Es ist ein Modell auf einem Lesesprache-Benchmark, kein Live-Test, den wir selbst durchgeführt haben. Verstehen Sie die Werte als vergleichbare Baseline, nicht als heutiges Best-Case-Niveau: neuere Systeme (Whisper large-v3, NVIDIA Canary und sprachspezialisierte Anbieter) schneiden bei vielen schwierigeren Sprachen deutlich besser ab - large-v3 reduziert Maltesisch zum Beispiel von rund 77 % WER auf etwa 26 % Zeichenfehlerrate. Bei Chinesisch, Japanisch, Thai, Laotisch und Birmanisch fügt das Whisper-Paper Leerzeichen zwischen Zeichen ein und berichtet Character Error Rate (CER); diese Werte sind also bereits zeichenbasiert, nicht WER auf Wortebene. Koreanisch nutzt normale Wortabstände, daher ist der Wert eine echte WER (durch koreanische Abstandsregeln aber nach oben verzerrt).
Kurzfassung: Genauigkeitsstufen auf einen Blick
| Stufe | WER-Bereich | Sprachen (repräsentativ) | Was Sie erwarten sollten |
|---|---|---|---|
| Stufe 1 | unter ~6 % WER | Englisch, Spanisch, Italienisch, Deutsch, Japanisch (CER), Polnisch, Russisch | Nahezu menschliche Genauigkeit bei sauberem Audio |
| Stufe 2 | ~6-11 % WER | Niederländisch, Indonesisch, Katalanisch, Französisch, Türkisch, Schwedisch, Malaiisch, Vietnamesisch | Produktionsreif, nur kleinere Korrekturen nötig |
| Stufe 3 | ~11-16 % WER | Thai, Griechisch, Tschechisch, Kroatisch, Dänisch, Koreanisch, Rumänisch, Mandarin (CER), Arabisch | Nutzbar, aber mit spürbarer manueller Nachbearbeitung |
| Stufe 4 | ~16-40 % WER | Tamil, Hindi, Urdu, Hebräisch, Serbisch, Kannada, Marathi, Suaheli | Rohentwurfqualität, menschliche Prüfung erforderlich |
| Stufe 5 | ~45 % bis >100 % WER | Nepali, Maltesisch, Yoruba, Khmer, Laotisch, Bengalisch, Birmanisch, Amharisch | Allgemeine Modelle wie Whisper scheitern faktisch; Spezialmodelle nötig |
Die Zahlen sind Whisper large-v2 FLEURS WER (OpenAI, 2022). Die exakten Werte und Einschränkungen stehen in den Tabellen der einzelnen Stufen.
Wie WER-Benchmarks gemessen werden
Wenn klar ist, was ein Benchmark misst, vermeidet man den häufigen Fehler, Laborwerte direkt mit realer Audioqualität gleichzusetzen.
LibriSpeech (nur Englisch) nutzt saubere Hörbuchaufnahmen. Es ist der leichteste verbreitete Benchmark; seine Werte zeigen also die Untergrenze dessen, was ein Modell unter Idealbedingungen leisten kann. Moderne englische WER auf LibriSpeech test-clean liegt bei etwa 1,4-2,7 %.
FLEURS (Few-shot Learning Evaluation of Universal Representations of Speech) umfasst 102 Sprachen mit ungefähr 12 Stunden Sprache pro Sprache. Es verwendet dieselben Sätze in allen Sprachen (Übersetzungen von Wikipedia-/FLoRes-Inhalten), wodurch sprachübergreifende Vergleiche sinnvoll werden. FLEURS ist der meistzitierte mehrsprachige Benchmark und die Quelle der Zahlen in diesem Leitfaden.
Common Voice (Mozilla) enthält Crowdsourcing-Aufnahmen in mehr als 100 Sprachen. Weil die Sprecherinnen und Sprecher keine Profis sind und in unterschiedlichen Umgebungen aufnehmen, liegt Common-Voice-WER für dieselbe Sprache und dasselbe Modell meist höher als FLEURS.
Reales Audio - mit Akzenten, überlappenden Stimmen, Hintergrundgeräuschen und nicht perfekter Technik - fügt typischerweise 5-15 WER-Punkte zu diesen Benchmark-Werten hinzu. Ein Modell mit 5 % auf FLEURS kann auf einer normalen Zoom-Aufnahme 10-15 % liefern.
Stufe 1: sehr hohe Genauigkeit (unter ~6 % WER)
Diese Sprachen haben die größten Trainingskorpora und erhalten die meiste Aufmerksamkeit von Modellentwicklern. Bei sauberem Audio sind produktionsreife Transkripte mit minimaler Nachbearbeitung realistisch.
| Sprache | Whisper large-v2 FLEURS WER | Hinweise |
|---|---|---|
| Spanisch | 3,0 % | Einer der stärksten Werte in praktisch jedem Benchmark |
| Italienisch | 4,0 % | Eine der am besten abgedeckten europäischen Sprachen |
| Englisch | 4,2 % | Referenzsprache; die meisten Benchmarks konzentrieren sich darauf |
| Deutsch | 4,5 % | Stark bei Standarddeutsch; Schweizer und österreichische Dialekte schwächer |
| Japanisch | 5,3 % (CER) | Whisper misst Japanisch auf Zeichenebene; die Satzqualität ist exzellent |
| Polnisch | 5,4 % | Außergewöhnlich stark für eine slawische Sprache |
| Russisch | 5,6 % | Gut bei Standardrussisch; regionale Akzente verschlechtern die Ergebnisse |
Wenn Sie eine dieser Sprachen mit sauberem Audio transkribieren, ist die Modellwahl oft weniger wichtig als die Audioqualität, die Sie dem Modell liefern.
Stufe 2: hohe Genauigkeit (~6-11 % WER)
Es gibt relevante Trainingsdaten, aber entweder weniger Volumen als in Stufe 1 oder mehr phonetische Komplexität. Die meisten Produktionsszenarien funktionieren gut; rechnen Sie mit gelegentlichen Korrekturen bei Eigennamen und Fachbegriffen.
| Sprache | Whisper large-v2 FLEURS WER | Hinweise |
|---|---|---|
| Niederländisch | 6,7 % | Profitiert von der Nähe zu deutschen und englischen Daten |
| Indonesisch | 7,1 % | Stark für den verfügbaren Ressourcenstand |
| Katalanisch | 7,3 % | Übertrifft wegen dedizierter Datensätze die reine Sprecherzahl |
| Französisch | 8,3 % | Europäisches Französisch dominiert die Trainingsdaten |
| Türkisch | 8,4 % | Agglutinierende Morphologie erhöht die Komplexität |
| Schwedisch | 8,5 % | Nordische Korpora sind gut kuratiert |
| Ukrainisch | 8,6 % | Seit 2022 deutlich verbessert, weil die Datensätze gewachsen sind |
| Malaiisch | 8,7 % | Teilt viele Merkmale mit Indonesisch |
| Vietnamesisch | 10,3 % | Tonale Sprache; Tonfehler sind der wichtigste Fehlertyp |
Stufe 3: mittlere Genauigkeit (~11-16 % WER)
Hier wird KI-Transkription sichtbar unvollkommen. Transkripte sind als erster Entwurf brauchbar, aber rechnen Sie mit mehreren Korrekturen pro Minute, besonders bei Namen und Zahlen.
| Sprache | Whisper large-v2 FLEURS WER | Hinweise |
|---|---|---|
| Thai | 11,5 % (CER) | Im Whisper-Paper zeichenbasiert gemessen, weil zwischen Wörtern keine Leerzeichen stehen |
| Griechisch | 12,5 % | Kleineres Trainingskorpus als viele andere europäische Sprachen |
| Tschechisch | 13,3 % | Solide trotz komplexer Morphologie |
| Kroatisch | 13,4 % | Gemeinsame südslawische Merkmale helfen |
| Dänisch | 13,8 % | Schwierige Phonetik, aber gut vertreten |
| Rumänisch | 14,4 % | Verbessert sich mit wachsenden Datensätzen |
| Bulgarisch | 14,6 % | Slawische Sprache mit mittlerem Ressourcenstand |
| Koreanisch | 14,3 % | Wortabstände erhöhen die koreanische WER; die Zeichenebene ist deutlich besser, aber das Paper veröffentlicht keine koreanische CER |
| Mandarin | 14,7 % (CER) | Zeichenbasiert; höher als viele aufgrund sauberer In-Domain-Audios erwarten |
| Arabisch | 16,0 % | Modernes Standardarabisch; Dialekte wie Ägyptisch, Levantinisch und Golfarabisch sind deutlich schwieriger |
Der Mandarin-Wert überrascht viele: Auf sauberem, domänennahen Audio schneiden viele Tools besser ab, aber im standardisierten FLEURS-Maß auf Zeichenebene liegt Whisper large-v2 im mittleren Zehnerbereich. Neuere Modelle verkleinern diese Lücke.
Stufe 4: niedrige Genauigkeit (~16-40 % WER)
Diese Sprachen haben oft Hunderte Millionen Sprecher, aber nur begrenzte gelabelte Trainingsdaten. Die Ausgabe ist ein Rohentwurf, der deutliche menschliche Nachbearbeitung braucht.
| Sprache | Whisper large-v2 FLEURS WER | Hinweise |
|---|---|---|
| Tamil | 17,5 % | Dravidische Sprache mit komplexer Morphologie |
| Hindi | 21,5 % | Hohe Varianz durch Akzente und englisches Code-Switching |
| Urdu | 22,6 % | Mit Hindi verwandt, aber in perso-arabischer Schrift |
| Hebräisch | 27,1 % | Rechts-nach-links-Schrift, reichhaltige Morphologie |
| Serbisch | 33,9 % | Auf FLEURS deutlich schwieriger als benachbarte slawische Sprachen |
| Kannada | 37,0 % | Dravidische Sprachfamilie, unterrepräsentiert |
| Marathi | 38,3 % | Indoarische Sprache mit mittlerem Ressourcenstand |
| Suaheli | 39,3 % | Ostafrikanische Verkehrssprache; der Datensatz wächst |
Für Stufe 4 sind hybride Workflows meist am effizientesten: KI erzeugt den Erstentwurf, ein muttersprachlicher Editor bereinigt ihn.
Stufe 5: wo allgemeine Modelle praktisch scheitern (~45 % bis >100 % WER)
Das ist die Stufe, bei der freundlich wirkende "~40-50 %"-Angaben anderswo besonders irreführend werden. Auf FLEURS erzeugt Whisper large-v2 für diese Sprachen keinen groben, aber brauchbaren Entwurf, sondern WER bei oder über 75 %, oft über 100 % - also mehr Fehler als Wörter. Ohne Spezialisierung sind sie für ein allgemeines Modell faktisch nicht transkribierbar.
| Sprache | Whisper large-v2 FLEURS WER | Hinweise |
|---|---|---|
| Nepali | 47,1 % | Grenzfall; intensive Prüfung nötig |
| Maltesisch | 76,6 % | large-v3 verbessert dies dramatisch (~26 % CER) |
| Yoruba | 94,8 % | Tonal; large-v3 erreicht ~49 % CER - weiterhin schwierig |
| Khmer | 99,7 % | Whisper large-v2 produziert kaum brauchbare Ausgabe |
| Laotisch | 101,5 % | Auf large-v2 faktisch nicht transkribierbar |
| Bengalisch | 104,1 % | Riesige Sprecherbasis, aber Whisper large-v2 scheitert; large-v3 CER ~34 % |
| Birmanisch | 115,7 % | Auf large-v2 faktisch nicht transkribierbar |
| Amharisch | 140,3 % | Mehr Fehler als Wörter; braucht ein spezialisiertes Modell |
Zwei Punkte sind hier wichtig. Erstens: Neuere und spezialisierte Modelle schließen einen großen Teil dieser Lücke - Whisper large-v3 und Anbieter mit sprachspezifischem Fine-Tuning können aus einem unbrauchbaren large-v2-Ergebnis einen editierbaren Entwurf machen (Maltesisch und Bengalisch sind gute Beispiele). Zweitens: Singhalesisch ist in Whispers FLEURS-Auswertung gar nicht enthalten. Jede konkrete "Sinhala-WER"-Zahl für Whisper ist daher nicht durch diesen Benchmark gestützt; behandeln Sie diese Sprache hier als ungetestet.
Was die Genauigkeitslücke verursacht
Trainingsdatenmenge ist der stärkste einzelne Prädiktor. Whisper wurde auf 680.000 Stunden Audio trainiert, der Großteil davon Englisch; ressourcenstarke Sprachen erhalten Zehntausende Stunden, die ressourcenärmsten nur wenige Hundert. Mehr Daten senken WER deutlich, mit abnehmendem Grenznutzen, sobald eine Sprache gut abgedeckt ist.
Phonetische und schriftsystemische Komplexität setzt selbst bei vorhandenen Daten Grenzen. Tonale Sprachen (Mandarin, Vietnamesisch, Thai, Yoruba) zwingen das Modell, ähnliche Wörter über Tonhöhe zu unterscheiden. Agglutinierende Sprachen (Türkisch, Finnisch, Suaheli) bilden lange Wörter aus vielen Morphemen, was schlecht mit Tokenisierung zusammenspielen kann. Logografische und ohne Leerzeichen geschriebene Systeme (Chinesisch, Japanisch, Thai) verschieben die faire Metrik von WER zu Zeichenfehlerrate.
Audio-Domain-Match ist ebenso wichtig wie die Sprache. Ein Modell, das vor allem auf vorgelesenem Audio trainiert wurde, schneidet bei spontanen Gesprächen derselben Sprache schlechter ab. Deshalb sind FLEURS-Werte für Lesesprache eher eine Untergrenze, kein Versprechen für Meeting-Aufnahmen.
So verbessern Sie die Genauigkeit bei schwierigeren Sprachen
Verbessern Sie zuerst das Audio. Rauschreduzierung, Sprechertrennung und konstante Pegel können bei realem Audio mehrere WER-Punkte sparen - unser Leitfaden zu verrauschtem Audio zeigt die schnellsten Hebel.
Geben Sie Domänenkontext mit. Viele Transkriptions-APIs akzeptieren Listen mit Eigennamen, Fachbegriffen oder erwarteten Phrasen; solche Vokabularhinweise senken Ersetzungsfehler bei Jargon und Namen.
Wählen Sie das passende Modell pro Sprache. Whisper führt bei manchen Sprachen, NVIDIA Canary oder sprachspezifische Anbieter bei anderen (insbesondere Japanisch, Koreanisch und Arabisch). Wenn eine Sprache geschäftskritisch ist, lohnt es sich, 2-3 Anbieter an repräsentativem Material zu testen.
Setzen Sie für den letzten Schritt auf menschliche Bearbeitung. Ab Stufe 3 ist ein muttersprachlicher Editor, der einen KI-Entwurf prüft, meist um ein Vielfaches schneller als Transkription von Grund auf und erreicht am Ende deutlich über 98 % Genauigkeit.
Tools wie Vocova transkribieren mehr als 100 Sprachen mit automatischer Spracherkennung. Sie müssen Dateien also nicht vorab manuell taggen - aber wie die Daten oben zeigen, hängt die realistische Genauigkeit weiterhin stark davon ab, mit welcher Sprache Sie arbeiten.
Häufig gestellte Fragen
Welche Sprache hat die genaueste KI-Transkription?
Englisch, Spanisch, Italienisch und Deutsch führen im FLEURS-Benchmark mit ungefähr 3-5 % Whisper-WER auf sauberer Lesesprache; Japanisch liegt bei der Zeichenfehlerrate dicht dahinter. Bei realem, spontanem Audio sollten Sie 5-15 Punkte auf diese Werte aufschlagen.
Wie genau ist Whisper über verschiedene Sprachen hinweg?
Auf FLEURS liegt Whisper large-v2 für die Sprachen der Stufen 1-2 in diesem Leitfaden grob unter ~10 % WER, für Stufe 3-4 im Zehner- bis Dreißigerbereich und bei einer Gruppe ressourcenarmer Sprachen (Amharisch, Yoruba, Khmer, Laotisch, Birmanisch, Bengalisch) über 75 %, wo es faktisch nicht transkribieren kann. Das neuere large-v3 verbessert die schwierigsten Fälle deutlich, aber eine exakte WER-Tabelle pro Sprache für large-v3 wurde nicht veröffentlicht.
Welche WER gilt als "gut"?
Für die meisten geschäftlichen Anwendungen erzeugt WER unter 10 % ein Transkript, das schneller zu lesen und zu bearbeiten ist als das Audio selbst; unter 5 % ist nahezu menschlich. Über 20 % erfordert erhebliche manuelle Korrektur, bevor der Text veröffentlicht werden kann. Wie die Metrik berechnet wird, erklärt Word Error Rate explained.
Warum ist meine deutsche Transkription genauer als meine thailändische?
Deutsch ist eine ressourcenstarke Sprache (~4,5 % FLEURS WER) mit vielen Daten und Merkmalen, die es mit Englisch teilt. Thai ist tonal, wird ohne Leerzeichen zwischen Wörtern geschrieben und hat weniger gelabelte Daten - die WER liegt grob bei 11-12 %, und die faire Metrik ist Zeichenfehlerrate. Selbst die besten Modelle lassen zwischen beiden Sprachen eine spürbare Lücke.
Sind FLEURS-Benchmarks mit realem Audio vergleichbar?
Nicht direkt. FLEURS ist sauber, vorgelesen statt spontan und professionell aufgenommen. Reales Audio (Meetings, Telefonate, Interviews) erzeugt für dieselbe Sprache und dasselbe Modell typischerweise 5-15 Punkte höhere WER als FLEURS. Nutzen Sie diese Zahlen also zum Vergleich von Sprachen, nicht zur exakten Vorhersage Ihres Ergebnisses.
Zusammenfassung
Die Genauigkeit von KI-Transkription im Jahr 2026 hängt von Sprache, Audioqualität und Modell-Task-Passung ab. Auf der Whisper-FLEURS-Baseline erreichen Sprachen der Stufe 1 bei sauberem Audio nahezu menschliche Qualität; Stufe 3 braucht Nachbearbeitung; und eine Gruppe ressourcenarmer Sprachen ist für allgemeine Modelle ohne Spezialisierung faktisch nicht transkribierbar - deutlich schwieriger, als oft zitierte freundliche zweistellige Werte nahelegen. Neuere und sprachspezifische Modelle verkleinern diese Lücken, besonders am schwierigen Ende.
Wenn Sie eine Transkriptionspipeline auswählen, ist der wichtigste Schritt ein Test mit Ihrer konkreten Sprache und Audio-Domain auf 2-3 repräsentativen Beispielen. Benchmarks ordnen Sprachen ein; sie sagen Ihr exaktes Ergebnis nicht voraus.
Quellen und weiterführende Literatur
- OpenAI, "Robust Speech Recognition via Large-Scale Weak Supervision" (Whisper-Paper, 2022) - FLEURS-WER pro Sprache, Anhang D.2.4 / Tabelle 13
- Conneau et al., "FLEURS: Few-shot Learning Evaluation of Universal Representations of Speech" (2022)
- FLEURS-SLU (2025) - Whisper large-v3 CER pro Sprache, hier für die Hinweise zu ressourcenarmen Sprachen genutzt
- Mozilla Common Voice datasets
- Wortfehlerrate (WER)
- Audio in mehreren Sprachen transkribieren
