Die Audioqualität lesen, bevor man transkribiert

Ein Transkript kann aus Gründen falsch sein, die schon im Audio lagen, bevor das Modell es sah: ein geclippter Upload, eine zweite Stimme, die über die Nachricht spricht, ein Sprecher, der nur ein paar dB über einem lauten Raum liegt. Eine Messung vor dem Modell kann das zeigen. Sie kann dir nicht sagen, ob das Transkript stimmen wird, und diese Seite sagt, wo diese Grenze liegt, mit Zahlen.

Was die Felder nicht vorhersagen

Wir haben es getestet, am 10. Oktober 2026. Sechzehn erfundene niederländische Bürgermeldungen (Straße und Hausnummer, Ort, Nachname, Telefonnummer, E-Mail-Adresse), vorgelesen von drei synthetischen Stimmen in 13 Bedingungen: sauber, Telefonband, Straßenlärm und Stimmengewirr bei 10 und 5 dB, ein Fernseher, vier gemessene Nachhallzeiten und Kombinationen. Das sind 624 Aufnahmen und 1.248 Transkriptionen mit Whisper small und Whisper large-v3-turbo, 48 pro Bedingung und Modell, also eine Marge von etwa 13 Punkten.

• Die SNR-Messgrößen sagten Fehler nicht voraus. Für „Straße, Nummer oder Ort falsch“ lag die AUC von worstPhraseSnrDb, segmentalSnrDb und signalToNoiseDb bei beiden Modellen zwischen 0,52 und 0,55. 0,50 ist ein Münzwurf.
• sceneIntelligibility löste Fehlalarme aus. Es las sich als nicht klar (grenzwertig oder verschüttet) bei 100 Prozent der Aufnahmen mit Straßenlärm bei 10 und 5 dB und bei 94 bis 100 Prozent mit Stimmengewirr, während Whisper small bei 58 bis 67 Prozent davon den Ort trotzdem richtig hatte (sauber: 69) und large-v3-turbo bei 71 bis 85 Prozent (sauber: 81). Über alle Aufnahmen markierte es 58 Prozent; von den Markierungen hatten 47 Prozent (small) oder 25 Prozent (large) einen echten Ortsfehler.
• Was die Fehler erklärte, waren die Wörter. Bei sauberen Aufnahmen kamen Straße, Nummer und Ort in 69 Prozent (small) oder 81 Prozent (large) der Fälle richtig zurück, eine als Wörter gesprochene E-Mail-Adresse in 21 oder 35 Prozent, eine Telefonnummer in 83 oder 88, ein Nachname in 73 oder 81. Die Wahl des Modells wog schwerer als das Audio: Ein Nachhall von 1,0 s mit Stimmengewirr ergab 17 Prozent für small gegenüber 54 Prozent für large.

Die Grenzen des Tests: synthetische Stimmen, nur Whisper, ein simuliertes Telefonband, niederländischer Text, 48 Aufnahmen pro Bedingung und Modell. Echte Sprecher, andere Erkenner und andere Sprachen sind nicht getestet. Verweigere also keine Datei allein wegen sceneIntelligibility oder eines SNR. Sie beschreiben das Signal.

Der Aufruf

POST https://audiolab.tools/v1/voicelab/qa mit einem Bearer-Schlüssel. Schick die Datei als multipart/form-data (file) oder als JSON mit einer öffentlichen url. Die Antwort ist die vollständige VoiceLab-Analyse; der Teil, der hier zählt, gekürzt, für einen Vortrag mit einem zweiten Sprecher 18 dB hinter der Nachricht:

{
  "sceneBackground": "program",
  "sceneProgramScore": 0.92,
  "sceneGapHarmonicShare": 0.33,
  "speechToBackgroundDb": 15.2,
  "sceneIntelligibility": "clear",
  "sceneIntelligibilityScore": 0.81
}

Lies es als Satz: In den Pausen ist eine zweite Stimme (program, ein Drittel der Pausenenergie ist wandernde Tonhöhe), die Nachricht liegt 15 dB darüber, und die Vordergrundstimme liest sich für einen Zuhörer als nachvollziehbar. Das sagt etwas über das Signal, nicht darüber, was ein Erkenner damit anfängt.

Feld	Was es sagt	Werte
sceneIntelligibility	Ein Proxy dafür, ob ein Zuhörer der Vordergrundstimme folgen könnte (nicht für Spracherkennung)	clear, borderline, buried oder null bei weniger als zwei messbaren Phrasen
sceneIntelligibilityScore	Dasselbe als Zahl	0 bis 1; clear ab 0,65, borderline ab 0,35
speechToBackgroundDb	Mittlerer Sprachpegel minus mittlerer Pausenboden	dB; 3 liest sich als 0, 18 liest sich im Score als 1
sceneBackground	Was die Pausen füllt	quiet, stationary (eine Maschine), program (eine zweite Stimme oder Musik), unsteady oder null bei weniger als einer Sekunde Pause
clipping.severity	Digitale Schäden, an der Quelle leichter zu beheben als später	None, Low, Medium, High
speechRatio	Anteil der Datei, der überhaupt Sprache ist	0 bis 1

Nutzen, ohne Dateien zu verweigern

const KEY = process.env.AUDIOLAB_API_KEY;

async function check(url) {
  const v = await fetch('https://audiolab.tools/v1/voicelab/qa', {
    method: 'POST',
    headers: { Authorization: `Bearer ${KEY}`, 'Content-Type': 'application/json' },
    body: JSON.stringify({ url }),
  }).then((r) => r.json());

  const notes = [];
  if (v.speechRatio < 0.2) return { route: 'no-speech', notes };            // nichts zu transkribieren, keine Minuten abrechnen
  if (v.clipping.severity === 'High') notes.push('clipped');                // Schaden an der Quelle
  if (v.sceneBackground === 'program') notes.push('second-voice-or-music'); // hinter der Nachricht spricht etwas
  if (v.sceneIntelligibility === 'buried') notes.push('voice-close-to-background');
  return { route: 'transcribe', notes };                                    // die Hinweise ans Transkript hängen, einen Menschen entscheiden lassen
}

Zwei Ergebnisse sind sicher, um darauf zu handeln: eine Datei mit fast keiner Sprache und ein Transkript, das trägt, was das Audio gezeigt hat. Alles andere ist Information, die du ans Transkript hängst, kein Grund, die Datei zu verweigern. Der null-Fall ist wichtig: Eine Datei mit einer Phrase ist keine schlechte Datei, sie ist eine ungemessene.

Beispielmessungen

Das sind Beispielmessungen, keine Kalibrierung. Die Labels wurden an diesem Material von Hand gesetzt und weder gegen Zuhörer noch gegen Spracherkennung validiert. Ein Vortrag, aufgenommen in einem Saal mit Publikum, dann gemischt mit den Dingen, die hinter einer Nachricht sitzen:

Szene	Hintergrund	Sprache über Hintergrund	Verständlichkeit
Vortrag, sauber	unsteady (der Raum und das Publikum)	17,1 dB	clear 0,94
plus Lüftungsanlage bei −20 dB	stationary, Ton bei 120,8 Hz	15,4 dB	clear 0,85
plus ein zweiter Sprecher bei −18 dB	program	15,2 dB	clear 0,81
plus ein Club-Track bei −18 dB	unsteady	15,0 dB	clear 0,80
plus ein zweiter Sprecher bei −6 dB	program	10,0 dB	borderline 0,45

Und eine Raumaufnahme über ein Telefon, bei der die Wiedergabelautsprecher nur 5 bis 7 dB über den Eigenboden des Raums kamen: Jede Aufnahme las sich als buried, Scores 0,12 bis 0,25. Ob ein Erkenner damit zurechtgekommen wäre, wurde nicht getestet.

Der Score ist das Schwächere von zwei Beinen: das schlechteste Zehntel des Signal-Rausch-Verhältnisses pro Phrase und die Sprache über dem Pausenboden, beide so abgebildet, dass 3 dB als 0 und 18 dB als 1 gelesen wird, dann für einen halligen Raum und für Clipping verringert. Er ist bewusst konservativ: Ein schlechter Abschnitt von Phrasen zieht die ganze Datei nach unten.

Was die Zahl nicht ist

• Kein Prädiktor für Transkriptionsgenauigkeit. Siehe den Test oben.
• Kein STI. Sie ist ein Proxy, aus Pegeln gebaut, Phrase für Phrase. Sie sagt dir, ob die Stimme weit genug über dem liegt, was dahinter ist; sie modelliert nicht das Ohr eines Zuhörers und wurde nicht gegen Zuhörer getestet.
• Kein Sprachdetektor für Musik. Der Phrasendetektor liest gesungenen Gesang als Sprache, eine Musikdatei mit Gesang kann also als buried zurückkommen. Lies Musik anderswo über sceneBackground und speechRatio, oder schick sie gar nicht erst hierher.
• Nicht an kurzen Dateien gemessen. Unter zwei messbaren Phrasen ist jedes Szenen-Feld null. Behandle null als „nicht gemessen“, nie als „in Ordnung“ oder „schlecht“.
• Gelesen nach den ersten 0,4 s jeder Pause, damit der Ausklang des letzten Worts nicht als Hintergrund zählt. Pausen unter einer Sekunde zählen gar nicht.

Backlogs und Agenten

Für einen Backlog führt POST /v1/batch dieselbe Route über bis zu 20 URLs in einem Aufruf aus und liefert pro URL ein Ergebnis, in der Reihenfolge. Für einen Agenten liefert das MCP-Tool analyze_voice dieselben Felder für eine url (oder einen lokalen path mit dem npm-Paket, das die Datei auf deinem Rechner liest und zum Messen an die API hochlädt). Die Free-Stufe enthält 1.000 Aufrufe im Monat, genug, um zu sehen, welcher Anteil deines Eingangs welchen Hinweis trägt, bevor du etwas entscheidest.

Willst du dieselben Zahlen erst von Hand sehen? Zieh eine Datei auf die Werkbank und öffne die Gruppe Scene im Tab Voice, oder lies die Definitionen und den Status jeder scene.*-Messgröße auf /lenses.