Spracherkennung (Automatic Speech Recognition, kurz ASR) bezeichnet Verfahren, die gesprochene Sprache aus Audiosignalen erfassen und automatisiert in geschriebenen Text (Speech-to-Text) umwandeln.
Erklärung
Aktuelle ASR-Systeme zerlegen den Audiostrom in kurze Zeitfenster, werten akustische Merkmale über tiefe neuronale Netze wie Transformer- oder Conformer-Modelle aus und bestimmen die wahrscheinlichste Wortfolge samt Satzzeichen und Sprecherzuordnung (Speaker Diarization). In B2B-Anwendungen bildet diese Transkription die technische Vorstufe für Telefonie- und Videokonferenz-Lösungen im Kundenservice und Vertrieb: Aufgezeichnete Gespräche werden volltextdurchsuchbar abgelegt, auf genannte Wettbewerber, Preisfragen oder vereinbarte Folgeschritte geprüft und als strukturierte Zusammenfassung im CRM hinterlegt. Gemessen wird die Erkennungsgenauigkeit über die Word Error Rate (WER); in der Praxis hängt sie vor allem von Mikrofonqualität, Hintergrundgeräuschen, Dialekten sowie hinterlegten Fachwörterbüchern für eigene Produktnamen und Branchenkürzel ab.