Was ist die Word Error Rate – und was bedeuten „99 % Genauigkeit“ wirklich?

Was ist Word Error Rate (WER)? Die Wortfehlerrate ist der Standardmaßstab der Spracherkennung: Man nimmt ein perfektes Referenztranskript, vergleicht die Ausgabe der Maschine Wort für Wort damit und zählt die Fehler. Eine WER von 5 % bedeutet grob „95 % Genauigkeit“ – und genau bei dieser Übersetzung von der Kennzahl in die Werbesprache beginnt der Ärger. WER ist ein echtes, nützliches Maß; so, wie sie in Anzeigen zitiert wird, ist sie nahezu bedeutungslos. Hier erfahren Sie, wie die Kennzahl funktioniert, was sie verschweigt und wie Sie Genauigkeitsversprechen mit Sachverstand bewerten.

So wird die WER berechnet

Man legt das Transkript der Maschine neben eine von Menschen geprüfte Referenz und zählt drei Arten von Fehlern:

• Ersetzungen – das falsche Wort: „das“ statt „dass“, „BlaBlaScribe“ statt „bla bla scribe“.

• Auslassungen – Wörter, die die Maschine verschluckt hat.

• Einfügungen – Wörter, die sie erfunden hat, oft aus Hintergrundgeräuschen.

Dann gilt: WER = (S + D + I) ÷ N, wobei N die Wortzahl der Referenz ist. Zehn Fehler in einer Referenz mit 200 Wörtern ergeben 5 % WER. Weil Einfügungen mitzählen, kann die WER bei unbrauchbarem Audio über 100 % steigen – eine Eigenheit, die verrät, wie buchstabengetreu diese Kennzahl denkt. (Ihre Wurzeln liegen in der Editierdistanz; der Wikipedia-Eintrag enthält die formale Definition.)

Was die WER verschweigt

Alle Fehler zählen gleich – sind aber nicht gleich

Ein verschlucktes „äh“ und ein verunstalteter Name der Vorstandschefin sind für die WER je ein Fehler. Für Leser ist das eine unsichtbar, das andere landet als Screenshot im Netz. Echte Transkripte stehen und fallen damit, welche Wörter falsch sind – Namen, Zahlen, Verneinungen –, und für diesen Unterschied ist die WER blind. („Das ist zulässig“ vs. „das ist unzulässig“ ist eine einzige Ersetzung.)

Ohne das Testaudio ist die Zahl bedeutungslos

Dasselbe System kann bei einem im Studio aufgenommenen Podcast auf 4 % WER kommen und bei einer Handyaufnahme aus einem windigen Pressepulk auf 30 %. Die „99 % Genauigkeit“ eines Anbieters wurden an irgendetwas gemessen – fast sicher an sauberer Sprache, einem einzigen Sprecher, muttersprachlichem Akzent. Ihr eigenes Audio ist der einzige Maßstab, der Ihre Ergebnisse vorhersagt – das ist der ehrliche Kern unseres Leitfadens dazu, warum die Transkriptionsgenauigkeit schwankt.

Spielchen mit der Normalisierung

Vor dem Vergleich werden die Texte normalisiert – Groß- und Kleinschreibung, Satzzeichen, „20“ vs. „zwanzig“, Füllwörter. Unterschiedliche Entscheidungen bei der Normalisierung verschieben die WER um mehrere Prozentpunkte. Veröffentlichte Zahlen legen diese Entscheidungen selten offen, und damit sind Anbietervergleiche anhand von Schlagzeilenwerten meist reines Theater.

Über den Rest des Produkts sagt die WER nichts

Falsch zugeordnete Sprecher, kaputte Zeichensetzung, verrutschende Zeitstempel – nichts davon steckt in der WER. Ein Transkript mit 3 % WER und durcheinandergewürfelter Sprecherzuordnung ist als Arbeitsergebnis schlechter als eines mit 5 % WER und sauberer Zuordnung. (Für Speaker Diarization gibt es eine eigene Kennzahl, die DER, die Anbieter noch seltener nennen.)

Was 99 % Genauigkeit wirklich bedeuten: Werbeversprechen richtig lesen

Eine kleine Übersetzungshilfe für Marketingsprache:

Gelogen ist streng genommen nichts davon – es sind Bestwerte, die als typisch verkauft werden. Eine ehrliche Diskussion über Genauigkeit erkennt man an den Bedingungen: welches Audio, welche Akzente, welche Normalisierung.

Der einzige Benchmark, der zählt: Ihrer

Testen schlägt Lesen. Das Verfahren dauert zwanzig Minuten:

1. Nehmen Sie eine echte Aufnahme – Ihre üblichen Mikrofone, Akzente, Ihr übliches Durcheinanderreden. Nicht die sauberste Datei, sondern die typische.

2. Schicken Sie sie durch die Tools, die Sie vergleichen (genau dafür gibt es kostenlose Tarife – unser Leitfaden zu kostenlosen Tools gibt einen Überblick).

3. Berechnen Sie keine formale WER – lesen Sie. Prüfen Sie die Wörter, die Sie teuer zu stehen kommen: Namen, Zahlen, Fachbegriffe, Verneinungen. Zählen Sie diese Fehler.

4. Prüfen Sie das Drumherum: Stimmt die Sprecherzuordnung? Ist die Zeichensetzung lesbar? Lassen sich die Zeitstempel zum Prüfen anklicken?

5. Stoppen Sie die Korrektur: Die Minuten bis zum veröffentlichungsreifen Text im Editor des jeweiligen Tools sind die Kennzahl, die Sie im Wochenalltag tatsächlich spüren.

Häufig gestellte Fragen

Welche WER ist 2026 für KI-Transkription gut?

Bei sauberer, gut mikrofonierter Sprache liegen führende Systeme im niedrigen einstelligen Bereich – das ist wirklich hervorragend. Bei schwierigem Audio (Lärm, starke Akzente, Überlappungen) steigt die WER bei jedem System steil an. Eine einzige ehrliche Zahl gibt es nicht.

Sind 95 % Genauigkeit gut?

Das ist ein Fehler alle zwanzig Wörter – in einem dichten Transkript in jeder Zeile spürbar. Ob das „gut“ ist, hängt ganz davon ab, welche Wörter falsch sind und wie schnell Sie sie im Editor korrigieren können.

Warum versprechen alle Anbieter rund 99 %?

Weil Bestwerte auf sauberen Benchmarks dort landen und niemand mit seinem Ergebnis vom windigen Parkplatz wirbt. Werten Sie die übereinstimmenden Versprechen als Zeichen, dass die Kennzahl keine Unterschiede mehr zeigt – nicht als Beweis, dass alle Tools gleich gut sind.

Bedeutet eine niedrigere WER immer ein besseres Transkript?

Beim selben Audio meistens – aber über den praktischen Wert entscheiden Sprecherzuordnung, Zeichensetzung und Bearbeitbarkeit. Vergleichen Sie fertige Transkripte, nicht Nachkommastellen.

Fazit

Die WER ist eine gute technische Kennzahl und ein schlechter Kaufberater. Wissen Sie, was sie zählt, achten Sie darauf, was sie ignoriert, und lassen Sie eine einzige chaotische echte Aufnahme – mit eigenen Augen gelesen – jede Prozentzahl in jeder Anzeige überstimmen.