KI-Spracherkennung: Wie sie Ihr Fachvokabular lernt

Sie diktieren „Hallux valgus“, auf dem Bildschirm steht „Puralux valgus“. Schuld ist weder Ihr Mikrofon noch Ihre Aussprache, sondern die Art, wie eine Spracherkennung ihre Wörter auswählt.

Transkriptionsmodelle lernen aus riesigen Mengen Alltagssprache. Die Begriffe Ihres Fachs kommen darin nur selten vor. Ist ein Laut mehrdeutig, wählt das Modell die Wortfolge, die nach seiner Erfahrung am wahrscheinlichsten ist – nicht nach Ihrer. Eine professionelle Spracherkennung muss deshalb mehr können als transkribieren: Sie muss Ihr Fachvokabular kennen, korrigieren, ohne zu verfälschen, und sich merken, was Sie ihr beibringen. So funktioniert das, Schicht für Schicht.

1. 1Ihre StimmeLive-Diktat oder importierte Datei
2. 2TranskriptionVoxtral von Mistral AI
3. 3KorrekturMit Ihrem Vokabular und Ihren bisherigen Korrekturen
4. 4AbweichungsprüfungZu viele Änderungen: Der erkannte Text bleibt
5. 5Ihr TextSie lesen gegen; Ihre Änderungen fließen ins Gedächtnis

Schritt 1: Sprache in Text umwandeln

Die erste Schicht ist die Spracherkennung, englisch Speech-to-Text. TechVoice nutzt dafür Voxtral, die Modellfamilie von Mistral AI, und zwar auf zwei Arten:

• Live: Das Audio wird in kleinen Stücken übertragen, und der Text erscheint, während Sie sprechen.
• Beim Import: Das Modell erhält die gesamte Aufnahme und kennt den vollständigen Kontext, bevor es schreibt.

Der zweite Modus macht weniger Fehler. In unserem französischsprachigen Testkorpus lag die Fehlerquote bei Fachbegriffen im Rohtext live bei 25,2 %, beim Import dagegen bei 9,6 % – jeweils mit den Voxtral-Modellen der neuesten Generation. Wer bis zum Ende zuhört, kann Mehrdeutigkeiten besser auflösen.

Manche APIs erlauben es, dem Modell eine Liste bevorzugter Begriffe mitzugeben, das sogenannte Context Biasing. Die API von Voxtral unterstützt das, allerdings mit Einschränkungen: höchstens 100 Begriffe, kein Leerzeichen innerhalb eines Begriffs, und außerhalb des Englischen bezeichnet Mistral die Funktion als experimentell. Bei unseren französischen Diktaten brachte diese Liste nach der Korrektur nichts und verschlechterte das Live-Diktat sogar. Das Vokabular muss also an anderer Stelle wirken.

Schritt 2: Korrigieren, ohne umzuschreiben

Sobald die Transkription fertig ist, liest ein Sprachmodell den Rohtext mit zwei Zusatzinformationen gegen: Ihrem Vokabular und Ihren bisherigen Korrekturen. Es weiß, dass „Phalux valgus“ in einem Bericht aus der Fußchirurgie mit ziemlicher Sicherheit „Hallux valgus“ heißen muss. In unserer Testumgebung senkt dieser Schritt die Fehlerquote bei Fachbegriffen im Live-Diktat von rund 25 % auf rund 5 %.

Das Risiko ist bekannt: Ein Sprachmodell, das korrigieren soll, will gern verbessern. Es glättet einen Satz, ergänzt ihn, stellt ihn um. Bei einer E-Mail ist das ein Gewinn; bei einem Arztbrief oder einem juristischen Vermerk ist es gefährlich. Eine verschobene Verneinung genügt, um den Sinn umzukehren: „keine Lungenembolie“ ist etwas völlig anderes als „Lungenembolie“.

TechVoice setzt deshalb zwei Leitplanken:

1. Strikte Vorgaben. Das Modell korrigiert ausschließlich Erkennungsfehler. Es fügt keine Information hinzu, streicht keine und formuliert keine um, und eine mehrdeutige Stelle lässt es lieber stehen, als etwas zu erfinden.
2. Eine mechanische Kontrolle. Nach der Korrektur vergleicht ein Programm den korrigierten mit dem erkannten Text, Wort für Wort und in der richtigen Reihenfolge. Übersteigt der Anteil geänderter Wörter einen Schwellenwert, wird die Korrektur verworfen, und Sie erhalten die Rohtranskription. Der Vergleich in der Reihenfolge ist entscheidend: Eine reine Wortzählung würde nicht bemerken, dass eine Verneinung an eine andere Stelle gerutscht ist.

Dahinter steht ein bewusstes Prinzip: Lieber ein Rohtext als ein flüssiger, aber verfälschter Text. Und jede Korrektur bleibt sichtbar – ein Klick zeigt, was sich geändert hat.

Schritt 3: Ein Gedächtnis, das Ihnen gehört

Wie gut die Korrektur ist, hängt davon ab, was das Modell über Ihr Fach weiß. TechVoice baut dieses Wissen aus drei Quellen auf, von der allgemeinsten bis zur persönlichsten.

Ihr Fachgebiet. Bei der Registrierung geben Sie Ihr Gebiet an. TechVoice sucht dann die Begriffe dieses Fachs in der wissenschaftlichen Literatur des offenen Archivs HAL, und zwar in der Sprache, in der Sie diktieren. Das ist ab dem ersten Diktat ein nützliches Sicherheitsnetz, ohne dass Sie etwas tun müssen – aber es bleibt allgemein.

Ihre Dokumente. Laden Sie einige Berichte, Briefe oder Vorlagen hoch (PDF oder Word): TechVoice extrahiert daraus die Begriffe und vergisst den Text. Das ist die beste Ausgangsbasis. In unseren Messungen schnitten 309 Begriffe von der Website eines Chirurgen besser ab als 3.753 Begriffe aus der Fachliteratur. Ein Lexikon wird nicht dadurch besser, dass es größer ist, sondern dadurch, dass es zu Ihnen passt.

Ihre Korrekturen. Sie sind das Herzstück des Systems. Wenn Sie ein Wort ändern, speichert TechVoice das Paar „was geschrieben wurde → was richtig war“, zum Beispiel Phalux → Hallux. Eine zweite Prüfung unterscheidet echte Erkennungsfehler von bloßen Stiländerungen, damit aus einer Umformulierung Ihrerseits keine Regel wird. Bei den folgenden Diktaten erhält das Korrekturmodell diese Paare mit auf den Weg.

Der Effekt ist messbar. Als jedes Diktat unseres Korpus nur von den Korrekturen aus den anderen Diktaten profitierte, sank die Fehlerquote bei Fachbegriffen von 13,9 % auf 1,7 %. Das ist besser, als dem Korrekturmodell die exakte Liste der erwarteten Begriffe zu geben (2,6 %): Den konkreten Fehler samt Korrektur zu sehen, hilft ihm mehr, als nur das richtige Wort zu kennen.

Nichts an diesem Gedächtnis ist undurchsichtig. Im Bereich „Gedächtnis“ sehen Sie Ihr Vokabular, Ihre Dokumente und jede gelernte Korrektur – und können alles jederzeit ändern oder löschen.

Was das im Alltag verändert

Ein echtes Beispiel, in der App nachvollzogen: Ein Chirurg diktiert auf Französisch einen Bericht aus der Fußchirurgie. Voxtral hört „Puralux valgus“; die Korrektur schlägt „Phalux valgus“ vor – näher dran, aber immer noch falsch. Der Chirurg ändert es in „Hallux valgus“ und speichert. Das Paar wird gelernt, der Begriff landet in seinem Vokabular, und spielt man dasselbe Diktat erneut ab, steht dort jetzt „Hallux valgus“.

Genau das verspricht eine lernende Spracherkennung: Jede Korrektur, die Sie vornehmen, arbeitet für alle folgenden Diktate. Und fällt unterwegs eine Schicht aus (Netzabbruch, Dienst nicht erreichbar, Korrektur verworfen), bleibt der bereits transkribierte Text erhalten. Nichts von dem, was Sie diktiert haben, geht verloren.

Die Grenzen – ehrlich gesagt

• Unsere Zahlen sind optimistisch. Sie stammen von synthetischen Stimmen auf Französisch, ohne Hintergrundgeräusche und ohne Zögern. Eine echte Stimme, eine echte Praxis, ein schnelles Sprechtempo führen zu mehr Fehlern. Die Rangfolge der Effekte bestätigt sich dagegen von Messung zu Messung.
• Zahlen und Einheiten verdienen beim Gegenlesen besondere Aufmerksamkeit: „zehn Milligramm“ und „10 mg“ werden unterschiedlich geschrieben, und ein falscher Zahlenwert lässt sich nicht aus dem Kontext erschließen.
• Gegenlesen bleibt unverzichtbar. Auch die beste Spracherkennung liefert einen Entwurf, für den Sie als Autorin oder Autor die Verantwortung tragen.

Wie viel Zeit Ihnen das Diktieren sparen kann, haben wir Dokument für Dokument durchgerechnet. Und mehr über das Transkriptionsmodell selbst lesen Sie in unserem Erfahrungsbericht zu Voxtral.

Quellen

• Interne TechVoice-Messungen, synthetische Korpora französischer Berichte aus der Orthopädie und aus zehn Fachgebieten, September bis November 2026.
• Mistral AI, Dokumentation zur Audiotranskription und zum Context Biasing.
• HAL, multidisziplinäres offenes Archiv.