Was AudioLab nicht tut

AudioLab misst das Signal in einer Aufnahme. Diese Seite listet auf, was es nicht tut, damit niemand eine Regel für Bestehen oder Durchfallen auf eine Zahl baut, die sie nicht tragen kann. Jeder Punkt sagt, was du stattdessen nutzen kannst.

Es liest die Wörter nicht

Es gibt keine Transkription, keine Spracherkennung der Sprache und keine Prüfung, ob der Text so gesprochen wurde, wie er geschrieben steht. Nimm für die Wörter einen Spracherkenner und lege die AudioLab-Zahlen neben sein Ergebnis.

Es sagt keine Transkriptionsfehler voraus

Wir haben das am 10. Oktober 2026 getestet: 624 Aufnahmen erfundener niederländischer Bürgermeldungen, vorgelesen von drei synthetischen Stimmen in 13 Bedingungen, und 1.248 Transkriptionen durch zwei Whisper-Modelle. Die Signal-Rausch-Messgrößen sagten nicht voraus, ob Straße, Nummer oder Ort falsch zurückkamen: Die AUC lag bei 0,52 bis 0,55, wobei 0,50 ein Münzwurf ist. Das Verständlichkeits-Label (sceneIntelligibility) markierte 58 Prozent aller Aufnahmen als nicht klar, und von den markierten hatten 25 bis 47 Prozent einen echten Ortsfehler.

Verweigere also keine Datei wegen einer dieser Zahlen, und sag nicht, dass ein besseres Signal-Rausch-Verhältnis ein besseres Transkript bedeutet. Der Test nutzte synthetische Stimmen, nur Whisper, ein simuliertes Telefonband und niederländischen Text; echte Sprecher, andere Erkenner und andere Sprachen sind nicht getestet. Die Zahlen und die Grenzen stehen unter Die Audioqualität lesen, bevor man transkribiert.

Es sagt nicht, ob eine Stimme natürlich klingt

Keine der Messgrößen auf /lenses bewertet Natürlichkeit, Menschenähnlichkeit oder wie roboterhaft eine Stimme ist. Sprechtempo, Zischlaut-Risiko, Clipping, das Grundrauschen und die Bandbreite beschreiben das Signal, und sie finden technische Defekte. Ob eine Stimme richtig klingt, braucht Zuhörer.

Es unterscheidet keine Stimmen

Es gibt keine Sprecheridentifikation, kein Zählen von Sprechern und keine Diarisierung. Einige Messgrößen deuten darauf hin, dass in den Pausen etwas mit stimmähnlichem Rhythmus sitzt (sceneGapHarmonicShare und sceneBackground, das program liest). Sie sagen, dass es da ist, nicht, wessen Stimme es ist.

Es misst keine Latenz, keine Unterbrechungen und keinen Sprecherwechsel

Es analysiert eine Aufnahme. Wie lange der Agent zum Antworten brauchte, ob er unterbrochen wurde und wer in einem Gespräch wann gesprochen hat, braucht Zeitstempel aus deinem eigenen System, nicht aus einer Audiodatei. Innerhalb einer Aufnahme zählt longSilences die Pausen über 1,5 Sekunden.

Seine Hintergrund-Hinweise sind Vermutungen

sceneBackground (quiet, stationary, program oder unsteady), die anderen scene-Felder, activeKind und contentTypeGuess sind Proxys, die aus den Pausen und aus den Frames gelesen werden. Das Hintergrundwort wurde nur an synthetischen Szenen getestet, nicht an echten Aufnahmen. Bei der sauberen synthetischen Stimme in Eine Antwort lesen sagt sceneBackground „unsteady“ und activeKind „music“. Nutze sie, um zu wissen, wo du hinschauen sollst, nicht, um zu entscheiden.

Es setzt deine Limits nicht

Für Gesprächsaudio gibt es kein Standard-Bestehensniveau. Unsere eigenen Presets (Broadcast, Streaming) existieren für die Auslieferung, und ein Voice Agent ist keine Auslieferung. Die Startbereiche im Vergleich von Voice-Agent- und TTS-Anbietern zeigen, was wir gemessen haben, nicht, was gut ist. Setze deine Limits aus deinen eigenen guten Aufnahmen.

Woran es getestet wurde

• Vorgelesene Sprache. Der Sprachdetektor hinter dem Sprachanteil, den Pausen und den Szenen-Feldern wurde an 40 vorgelesenen englischen Aufnahmen (LibriSpeech) in 17 Rauschbedingungen gemessen. Ein zweiter Detektor (K2), den die Website nutzt, wurde mit denselben Rauschaufnahmen noch einmal an 40 anderen Sprechern gemessen. Spontane Gespräche wurden nicht getestet.
• Bekanntes Rauschen bei bekannten Pegeln. Die Marge des Signal-Rausch-Verhältnisses stammt von denselben 40 Aufnahmen, denen echtes Hintergrundrauschen mit bekannten Verhältnissen hinzugefügt wurde: gleichmäßiges Rauschen (Küche, Wohnzimmer, Flur) bei einem wahren Verhältnis von 10 bis 30 dB und Stimmengewirr bei 20 dB. Unter 10 dB liest es sich zu hoch. Andere Arten von Rauschen, etwa Verkehr, wurden nicht getestet.
• Nicht getestet. Andere Sprachen, Audio im Telefonband, Musik oder Fernsehen hinter der Stimme und halligen Räume, bei den Messgrößen, die sich auf den Sprachdetektor stützen.

Jede Messgröße sagt auf /lenses, wogegen sie getestet wurde und wogegen nicht. Ein Status Validiert heißt gegen genau das getestet, unter genau diesen Bedingungen.

Wenn du eines davon brauchst

Schreib an support@audiolab.tools und nenne, was du entscheiden willst. Fehlt eine Messgröße, die helfen würde, in der Liste, ist das nützlich zu wissen, und wir sagen offen, wenn es etwas ist, das wir nicht können.