Echtzeit-Transkription und Übersetzung erklärt: wie Live-Speech-to-Text funktioniert, wie weit er hinterherläuft, was die Genauigkeit bestimmt, was es kostet.
Echtzeit-Transkription macht Sprache zu Text, während die Person noch spricht. Wörter erscheinen Augenblicke nach dem Sprechen auf dem Bildschirm, setzen sich zu endgültigen Zeilen und können von allen gelesen werden, die mitverfolgen. Kommt Echtzeit-Übersetzung hinzu, kann jeder Leser dieselbe Rede in seiner eigenen Sprache verfolgen, als Text oder vorgelesen.
Dieser Leitfaden behandelt Echtzeit-Transkription und Übersetzung von beiden Seiten: was ein Zuhörer sieht, woher das Audio kommen kann, was die Genauigkeit bestimmt, was Entwickler von einer API bekommen und was es kostet.
Echtzeit-Transkription, auch Live-Transkription oder Live-Speech-to-Text genannt, ist Spracherkennung, die läuft, während das Audio noch eintrifft. Eine aufgezeichnete Datei lässt sich mit der ganzen Aufnahme in der Hand transkribieren. Eine Live-Transkription muss sich mit nur den letzten Sekunden auf Wörter festlegen und mit dem Sprecher Schritt halten, solange er spricht.
Live-Untertitel sind dasselbe, als kurze Zeilen über einem Video oder auf einem Bildschirm gezeigt.
Bei VocalStack kann eine Live-Transkription in 100 Sprachen zuhören. Sie erkennt die gesprochene Sprache von selbst und folgt dem Sprecher, wenn er wechselt, was wie die automatische Spracherkennung funktioniert erklärt, ebenso wie man die Sprache besser vorab nennt.
Der Text kommt in zwei Stufen. Die neuesten Wörter erscheinen zuerst als Entwurf, der sich noch ändern kann, wenn mehr Audio eintrifft. Einen Moment später setzt sich der Entwurf zu einer endgültigen Zeile, die sich nicht mehr ändert.
Den Entwurf gibt es, weil eine Erkennung ein Wort teils danach entscheidet, was darauf folgt. „Ice cream“ und „I scream“ klingen gleich, bis das nächste Wort eintrifft. Die frühe Vermutung zu zeigen, lässt ein Transkript live wirken.
Wie weit der Text hinter dem Sprecher herläuft, hängt von der Stufe ab:
Zwei Verzögerungen liegen außerhalb dieser Kette. Ist die Quelle ein öffentlicher Stream statt eines Mikrofons, hinkt der Stream selbst schon seinem Live-Rand hinterher: ein bis drei Sekunden bei einem einfachen Internetradio-Stream, und von mehreren Sekunden bis zu einer halben Minute bei HLS. Und bei Pay as you go kann eine Live-Transkription bis zu 15 Sekunden zum Starten brauchen. Die vollständige Aufschlüsselung, einschließlich der Latenzmodi Auto, Fast und Accuracy, steht in Live-Übersetzung und Latenz, erklärt.
Die Übersetzung läuft auf dem Transkript auf. Eine Live-Transkription kann in bis zu 10 Sprachen gleichzeitig übersetzt werden, ausgewählt aus 100. Jeder Zuhörer wählt auf seinem eigenen Gerät eine davon und kann sie jederzeit ändern; das bisherige Transkript wird in der neuen Sprache erneut gezeigt.
Jede Sprache wird aus demselben Transkript übersetzt, sodass jeder Zuhörer dieselben Wörter bekommt und eine Korrektur alle erreicht.
Ein Zuhörer, der lieber zuhört als liest, kann jede übersetzte Zeile vorlesen lassen. Standardmäßig bekommt jeder Sprecher eine eigene Standardstimme passenden Geschlechts, sodass ein Podium weiterhin wie mehrere Personen klingt. Mit der Einwilligung eines Sprechers kann ein Host dessen Stimme aus etwa 30 Sekunden klonen, in denen er allein spricht, und die Übersetzung wird dann in seiner eigenen Stimme vorgelesen.
Die Regel für Stimmen ist mit Absicht eng. Eine Stimme liest immer nur, was dieselbe Person gesagt hat, übersetzt in eine Sprache, die der Zuhörer gewählt hat. Sie liest nie Text, den jemand eintippt, und nie die Worte eines Sprechers in der Stimme eines anderen.
Wie das für einen ganzen Raum funktioniert, von der Einrichtung des Hosts bis zum Zuspätkommer, steht in Ein Link, alle Sprachen.
Eine Live-Transkription braucht eine Audioquelle. Das sind die, die VocalStack heute annimmt:
Untertitel im eigenen Player von YouTube über dessen CC-Taste sind bald verfügbar. Bis dahin verfolgen Zuschauer eines YouTube-Streams die Untertitel unter dem Übertragungslink.
Brauchen Sie heute Live-Transkription unter Windows, funktionieren dort die Chrome- oder Edge-Erweiterung, das OBS-Plugin und das Dashboard im Browser.
Eine Übertragung ist der Weg, auf dem andere eine Live-Transkription verfolgen. Sie besteht aus einem Link und einem QR-Code. Zuhörer öffnen sie in einem Browser, wählen eine Sprache und lesen mit. Sie brauchen kein Konto und installieren nichts, und sie kosten nichts: Die Rechnung ändert sich nicht mit der Zahl der Zuhörer oder Sprachen.
Eine Übertragung ist standardmäßig öffentlich und lässt sich mit einem Passwort schützen. Benennen Sie ihren Link um, funktioniert der alte weiter, sodass ein auf ein Programmheft gedruckter QR-Code nicht veraltet. Eine Übertragung kann mehrere Live-Transkriptionen tragen, sodass zwei Bühnen einen Link teilen können.
Ein Zuhörer, der spät dazukommt, sieht alles, was vor seinem Eintreffen gesagt wurde, und folgt dann live. Danach zeigt die Ansicht Audience, wer zugehört hat, in welcher Sprache und wann er dazukam.
Für Veranstaltungen behandelt die Checkliste für mehrsprachige Konferenzen Audio, Bühnen und Budget, und Live-Transkription für Kirchen, Hörsäle und Ratssäle behandelt die wöchentliche Variante derselben Einrichtung.
Alles oben Genannte lässt sich aus Code erledigen. Für Live-Audio in Ihrer eigenen App hat die API Realtime-Sessions: Ihr Server macht einen Aufruf an POST /v1/realtime/sessions mit einem API-Schlüssel und bekommt eine kurzlebige streamUrl zurück. Ihr Client öffnet einen WebSocket dorthin, sendet rohes Audio, wie es aufgenommen wird, und liest das Transkript als JSON-Frames zurück.
Die Frames folgen denselben zwei Stufen, die ein Leser sieht. Ein transcript.draft ersetzt das Live-Ende, ein transcript.committed fügt eine endgültige Zeile hinzu, und bei eingeschalteter Übersetzung kommen ganze Sätze mit ihren Übersetzungen. Zielsprachen, Sprecher-Labels und der Latenzmodus lassen sich mit session.update mitten in der Session ändern.
Eine Realtime-Session speichert nichts. Wenn Sie die Wörter aufbewahrt, korrigiert und mit einem Publikum geteilt haben wollen, veröffentlichen Sie das Audio stattdessen an eine Live-Transkription und eine Übertragung. Offizielle SDKs für TypeScript, Python und PHP bündeln beides, und ein MCP-Server lässt einen KI-Assistenten dasselbe Konto nutzen.
Das WebSocket-Tutorial baut Schritt für Schritt eine funktionierende Untertitelansicht, und die API-Referenz nennt jedes Feld. Die API-Nutzung wird zum selben Preis abgerechnet wie das Dashboard.
Die Genauigkeit wird größtenteils entschieden, bevor eine Erkennung läuft, durch das Audio, das sie bekommt. Vier Dinge machen den größten Unterschied.
Das Mikrofon. Ein Mikrofon nah am Sprecher oder ein Signal vom Mischpult des Veranstaltungsorts trägt die Stimme mit wenig Raum darin. Ein Handy auf einem Tisch hört den Sprecher plus Hall, Stühle und Husten. Das ist der größte Einzelfaktor, und warum ein Handy für einen Raum nicht reicht erklärt, warum.
Störgeräusche und Überlappung. Hintergrundgeräusche verursachen ausgelassene und erfundene Wörter, und zwei Personen, die gleichzeitig sprechen, verwirren sowohl die Wörter als auch die Zuordnung, wer was gesagt hat. Fehler bei der Audiotranskription listet sieben häufige Ursachen auf, wie jede aussieht und wie man sie behebt.
Ein Reference Script. Bekannte Namen und Begriffe werden so erkannt, wie sie sind. Die Produktnamen einer Firma, ein internes Akronym oder der ungewöhnliche Nachname eines Gastes lassen sich nicht im Voraus kennen; fügen Sie also vor dem Start ein Skript oder Folien hinzu, und die darin enthaltenen Namen und Begriffe werden genau so geschrieben, wie Sie sie buchstabiert haben.
Sprecher-Labels. Labels können Off, On oder When Needed sein, was sie einschaltet, sobald ein zweiter Sprecher zu hören ist. Sprecherdiarisierung und Spracherkennung erklärt, wie die zwei Antworten, was gesagt wurde und wer es gesagt hat, getrennt sind und getrennt behoben werden.
Auch der Latenzmodus spielt eine Rolle: Fast bringt Text früher, überarbeitet aber mehr davon, Accuracy wartet etwas länger.
Eine einzelne Genauigkeitszahl sagt weniger, als es scheint. Die Wortfehlerrate zählt einen falschen Namen genauso wie ein ausgelassenes „der“, weshalb was die Wortfehlerrate misst und was sie übersieht dafür plädiert, ein System danach zu beurteilen, welche Fehler es Sie erkennen und beheben lässt.
Kein Live-Transkript ist perfekt, deshalb hat der Host-Bildschirm einen Tab Fix. Er kann die Wörter markieren, bei denen sich die Erkennung unsicher war, und jede Zeile lässt sich öffnen und korrigieren. Eine zweite Person am Pult kann sie abarbeiten, während der Sprecher weiterspricht.
Schreibt der Host ein Wort oder eine Zeile um, auch eine, die noch gesprochen wird, sieht jeder Zuhörer die Korrektur, in jeder Sprache. Eine mit zu geringer Konfidenz gehörte Zeile wird den Zuhörern als „Audio unclear“ ausgeblendet, statt falsch gezeigt zu werden; der Host sieht sie weiterhin.
Die Aufnahme wird mit Transkript, Korrekturen und Übersetzungen aufbewahrt. Danach können Sie:
Wie lange Audio und Transkripte aufbewahrt werden, hängt vom Plan ab, und die Preisseite listet es auf.
Die meisten Live-Transkriptionswerkzeuge sehen in einer Demo ähnlich aus; die Unterschiede zeigen sich bei den folgenden Fragen. Die rechte Spalte beschreibt VocalStack, wie es heute ist.
| Frage | Warum sie zählt | VocalStack |
|---|---|---|
| Welche Sprachen kann es hören? | Ein Werkzeug, das die Sprache des Sprechers nicht transkribieren kann, hilft nicht, egal wie gut seine Übersetzung ist. | 100 Sprachen, automatisch erkannt, mit Wechsel mitten im Vortrag |
| Wie weit hinkt der Text hinter dem Sprecher her? | Leser bemerken eine wachsende Lücke stärker als ein gelegentlich falsches Wort. | Originaltext einen Bruchteil einer Sekunde hinterher, Übersetzung ein bis zwei Sekunden später; drei Latenzmodi |
| Übersetzt es, und wer wählt die Sprache? | Eine Untertitelsprache auf einem Bildschirm lässt alle anderen außen vor. | Bis zu 10 Sprachen pro Transkription, jeder Zuhörer wählt seine |
| Kann es die Übersetzung sprechen? | Manche Zuhörer können nicht mitlesen oder wollen es nicht. | Standardstimmen voreingestellt; die eigene geklonte Stimme eines Sprechers mit dessen Einwilligung |
| Wie erreicht es das Publikum? | Apps und Konten verlieren Leute schon an der Tür. | Ein Link und ein QR-Code, kein Konto, optionales Passwort |
| Lassen sich Fehler live beheben? | Ein falsch verstandener Name, eine Stunde lang wiederholt, richtet echten Schaden an. | Live-Korrekturen, an jeden Zuhörer gesendet |
| Woher kann das Audio kommen? | Ihre Einrichtung sollte sich nicht dem Werkzeug anpassen müssen. | Mikrofon, Browser-Erweiterungen, Desktop-App, OBS, RTMP, Stream-Links |
| Gibt es eine API? | Sie möchten vielleicht Untertitel in Ihrem eigenen Produkt. | REST- und WebSocket-API, SDKs, MCP-Server, derselbe Preis wie im Dashboard |
| Wie wird es berechnet? | Preise pro Zuhörer oder pro Platz wachsen mit Ihrem Publikum. | Pro Sekunde Audio; Zuhörer und Sprachen kostenlos |
Bei VocalStack zahlen Sie pro Sekunde transkribierten Audios. Zum Zeitpunkt des Schreibens kostet Live-Transkription $0.60 pro Stunde und Dateien kosten $0.20 pro Stunde, in jedem Plan, im Dashboard und über die API gleichermaßen. Übersetzung, Stimmen, Zusammenfassungen, Übertragung und Zuhörer erhöhen die Rechnung nie, sodass ein einstündiger Vortrag, den 200 Personen in fünf Sprachen lesen, dieselben $0.60 kostet wie einer, den niemand liest.
Die Pläne unterscheiden sich in einigen Punkten:
Wenn niemand live mitlesen muss, laden Sie die Aufnahme hinterher zum Dateipreis hoch. Aktuelle Preise, Aufbewahrung und Grenzen für jeden Plan stehen auf der Preisseite.
Ein neues VocalStack-Konto bekommt $5 Startguthaben und braucht keine Karte. Bei $0.60 pro Stunde sind das etwa acht Stunden Live-Transkription, Übersetzung und Übertragung inbegriffen. Danach zahlen Sie pro Sekunde. Zuhörer sind immer kostenlos.
Ja. Eine Live-Transkription kann, während die Person spricht, in bis zu 10 Sprachen gleichzeitig übersetzt werden. Die Übersetzung erscheint ein bis zwei Sekunden nach dem Originaltext, und jeder Zuhörer wählt seine eigene Sprache.
Das hängt hauptsächlich vom Audio ab. Ein nahes Mikrofon oder ein Signal vom Pult, wenig Hintergrundgeräusch, eine sprechende Person nach der anderen und ein Reference Script mit den Namen darin ergeben die besten Ergebnisse. Mit Live-Korrekturen kann ein Host beheben, was noch falsch ist, während der Vortrag weiterläuft.
Der Text in der Originalsprache läuft dem Sprecher um den Bruchteil einer Sekunde hinterher, und Übersetzungen folgen ein bis zwei Sekunden später. Ein öffentlicher Stream fügt seine eigene Verzögerung hinzu, bevor das Audio VocalStack erreicht.
Ja, über die Chrome- oder Edge-Erweiterung, das OBS-Studio-Plugin oder das Dashboard im Browser. Die Desktop-App gibt es heute für macOS, Windows folgt bald.
Nein. Zuhörer öffnen den Übertragungslink oder scannen seinen QR-Code in einem Browser, wählen eine Sprache und lesen. Es gibt nichts zu installieren.
Öffnen Sie das Dashboard, starten Sie eine Live-Transkription von Ihrem Mikrofon und öffnen Sie ihren Übertragungslink auf Ihrem Handy. Das Startguthaben deckt Ihre ersten Stunden ab, und Sie sehen selbst, wie sich die Entwürfe setzen und die Übersetzung folgt.