Wissensdatenbank · Audio-KI · Speech-to-Text

Speechmatics – Spracherkennung aus Cambridge für Echtzeit, Batch und eigene Infrastruktur.

Speechmatics ist ein spezialisierter Anbieter für automatische Spracherkennung (ASR) mit Sitz im britischen Cambridge. Die Plattform wandelt gesprochene Sprache in Text um – live während eines Gesprächs oder nachträglich aus Aufnahmen – und ergänzt das um Übersetzung, Sprechertrennung und Audio-Intelligence. Besonders interessant für den Mittelstand: Neben der Cloud-API lässt sich die Technologie auch als Container im eigenen Rechenzentrum betreiben. Das macht Speechmatics zu einer ernsthaften Option, wenn Sprachdaten das Haus nicht verlassen sollen.

Dieser Artikel wurde mithilfe künstlicher Intelligenz erstellt und redaktionell geprüft.

24 Min. Lesezeit
Aktualisiert · Oktober 2026
Fachartikel · Expertenbeitrag
Speechmatics
Speech-to-Text · Cambridge · Vereinigtes Königreich
Anbieter
Speechmatics (UK)
Kategorie
Speech-to-Text / ASR
Modi
Echtzeit & Batch
Extras
Übersetzung, Audio-Intelligence
Betrieb
Cloud-API oder On-Prem-Container
Datenhoheit
Gut lösbar – Region/On-Prem prüfen
INAGRO Eignung Sprach-Automatisierung
★★★★★
Kapitel 01 · Überblick

Was ist Speechmatics – und warum lohnt der zweite Blick?

Speechmatics ist ein Technologieunternehmen aus Cambridge im Vereinigten Königreich, das sich seit vielen Jahren auf eine einzige Disziplin konzentriert: die automatische Umwandlung gesprochener Sprache in geschriebenen Text. Fachlich spricht man von Automatic Speech Recognition (ASR) oder Speech-to-Text (STT). Die Plattform transkribiert Audio entweder in Echtzeit – also während gesprochen wird – oder im Batch-Verfahren aus bereits vorliegenden Aufnahmen. Rund um diesen Kern hat der Anbieter Funktionen wie Sprechertrennung, Übersetzung und sogenannte Audio-Intelligence aufgebaut. Für Unternehmen ist Speechmatics vor allem deshalb interessant, weil es neben der Cloud auch einen Betrieb in der eigenen Infrastruktur erlaubt.

Die Wurzeln des Unternehmens reichen in die akademische Sprachforschung an der Universität Cambridge zurück. Dort wurde bereits zu einer Zeit an neuronalen Netzen für die Spracherkennung gearbeitet, als diese Methode noch weit vom heutigen Mainstream entfernt war. Aus dieser Forschungstradition ist ein Unternehmen hervorgegangen, das sich bewusst nicht als Endkunden-App positioniert, sondern als Technologielieferant: Speechmatics liefert die Spracherkennung, die andere Softwarehersteller, Medienhäuser, Contact-Center-Betreiber und Unternehmen in ihre eigenen Produkte und Abläufe einbauen.
Diese Positionierung erklärt viel über den Charakter des Angebots. Wer Speechmatics nutzt, bekommt in erster Linie eine leistungsfähige Programmierschnittstelle und Betriebsoptionen, keine fertige Meeting-App mit bunter Oberfläche. Zwar bietet der Anbieter auch ein Webportal zum Ausprobieren und für einfache Transkriptionsaufträge, der eigentliche Wert entsteht aber dort, wo die Spracherkennung in Telefonie, Videoplattformen, Diktat-Workflows oder Analysesysteme eingebettet wird. Das unterscheidet Speechmatics deutlich von Werkzeugen, die sich direkt an einzelne Mitarbeitende richten.
INAGRO-Einschätzung

Speechmatics gehört zu den etablierten, auf Spracherkennung spezialisierten Anbietern und ist für den Mittelstand vor allem dann spannend, wenn Echtzeit, Mehrsprachigkeit und Datenhoheit zusammenkommen. Die Möglichkeit, die Erkennung als Container im eigenen Haus zu betreiben, ist ein echtes Unterscheidungsmerkmal gegenüber reinen Cloud-Diensten. Gleichzeitig ist Speechmatics ein Baustein für Entwickler und Integratoren – wer eine schlüsselfertige Meeting-Lösung sucht, braucht entweder ein Produkt, das Speechmatics bereits integriert, oder einen Umsetzungspartner.

Warum Spracherkennung gerade jetzt relevant ist

Gesprochene Sprache ist die am wenigsten erschlossene Datenquelle in den meisten Unternehmen. Kundentelefonate, Besprechungen, Schulungsvideos, Sprachnachrichten, Diktate von Außendienst und Technik – all das enthält wertvolle Informationen, die bisher kaum systematisch genutzt werden, weil das Abtippen zu teuer und zu langsam war. Moderne Spracherkennung hat sich in den vergangenen Jahren so stark verbessert, dass automatische Transkripte in vielen Situationen ohne aufwendige Nacharbeit brauchbar sind. Zusammen mit großen Sprachmodellen, die solche Transkripte zusammenfassen, strukturieren und auswerten können, entsteht daraus eine neue Kategorie von Automatisierung: Gespräche werden zu durchsuchbaren, analysierbaren Daten.
Speechmatics ist in diesem Feld ein Spezialist unter vielen. Neben dem Open-Source-Modell Whisper, US-amerikanischen Spezialisten wie Deepgram und AssemblyAI sowie den Sprachdiensten der großen Cloud-Anbieter hat sich der britische Anbieter vor allem mit Robustheit bei Akzenten und Dialekten, breiter Sprachabdeckung und flexiblen Betriebsmodellen einen Namen gemacht. Wie gut diese Stärken im Einzelfall tragen, hängt stark vom eigenen Audiomaterial ab – darauf gehen wir in den folgenden Kapiteln ausführlich ein.

Für wen dieser Artikel gedacht ist

Der Artikel richtet sich an Geschäftsführungen, IT-Verantwortliche, Leitungen von Kundenservice und Vertrieb sowie Medien- und Kommunikationsverantwortliche im deutschsprachigen Mittelstand. Sie müssen keine Spracherkennungsexperten sein. Nach der Lektüre sollten Sie aber einschätzen können, was Speechmatics leistet, wie es sich von Alternativen unterscheidet, welche Betriebsform zu Ihren Anforderungen passt und welche Datenschutzfragen vor einem Einsatz zu klären sind. Wir schreiben herstellerneutral: INAGRO hat kein Vertriebsinteresse an einem bestimmten Spracherkennungsanbieter.

Wie dieser Artikel mit Zahlen umgeht

In der Welt der Spracherkennung kursieren viele Kennzahlen – Wortfehlerraten, Latenzen in Millisekunden, Anzahlen unterstützter Sprachen, Preise pro Audiominute. Wir nennen solche Werte bewusst nicht. Sie ändern sich mit jedem Modell-Update, werden unter sehr unterschiedlichen Testbedingungen ermittelt und sind für Ihren konkreten Anwendungsfall nur begrenzt aussagekräftig. Ein Benchmark auf sauber gesprochenen Nachrichtentexten sagt wenig darüber aus, wie gut ein Telefonat mit einem Kunden aus dem Allgäu über eine schlechte Mobilfunkverbindung erkannt wird. Aktuelle Angaben zu Sprachen, Funktionen und Konditionen prüfen Sie bitte direkt beim Anbieter – und die Qualität in jedem Fall mit Ihrem eigenen Audiomaterial.
Kapitel 02 · Produktfamilie

Produktfamilie und Positionierung im Markt

Speechmatics ist kein einzelnes Werkzeug, sondern eine Plattform mit mehreren Zugangswegen. Im Kern steht immer dieselbe Spracherkennungs-Engine, die über unterschiedliche Schnittstellen und Betriebsformen bereitgestellt wird. Die genauen Produktnamen, Modellgenerationen und Pakete entwickeln sich fortlaufend weiter und sind beim Anbieter aktuell zu prüfen.

Für die Einordnung hilft es, das Angebot entlang von zwei Fragen zu sortieren: Wie wird Audio verarbeitet – live im Strom oder als Datei? Und wo läuft die Verarbeitung – in der Cloud des Anbieters oder auf eigener Infrastruktur? Aus der Kombination dieser beiden Dimensionen ergeben sich die typischen Bausteine, die in Projekten zum Einsatz kommen.
Batch-Transkription
Dateien

Aufnahmen werden als Datei übergeben und nach der Verarbeitung als strukturiertes Transkript zurückgeliefert – mit Zeitstempeln, Interpunktion und optional Sprecherzuordnung. Ideal für Archive, Podcasts, Interviews und Mitschnitte.

EingabeAudio-/Videodatei
StärkeVollständigkeit
TypischArchiv, Medien
Echtzeit-Transkription
Live

Ein Audiostrom wird über eine dauerhafte Verbindung gesendet, Text kommt fortlaufend zurück – zunächst als vorläufige, dann als finale Ergebnisse. Grundlage für Live-Untertitel, Agentenassistenz im Contact Center und Sprachsteuerung.

EingabeAudiostrom
StärkeGeringe Verzögerung
TypischTelefonie, Live
Übersetzung & Audio-Intelligence
Mehrwert

Aufbauende Funktionen, die das Transkript weiterverarbeiten: Übersetzung in andere Sprachen sowie – je nach aktuellem Angebot – Zusammenfassungen, Themen- und Stimmungsanalyse. Umfang und Verfügbarkeit beim Anbieter prüfen.

EingabeTranskript
StärkeAuswertung
TypischAnalyse, Mehrsprachigkeit
On-Prem- & Container-Deployment
Datenhoheit

Die Erkennungs-Engine wird als Container-Image bereitgestellt und läuft im eigenen Rechenzentrum, in einer privaten Cloud oder bei einem EU-Hoster. Audio verlässt die eigene Infrastruktur nicht. Lizenzmodell und Voraussetzungen beim Anbieter klären.

BetriebEigene Infrastruktur
StärkeKontrolle
TypischRegulierte Branchen

Spezialist statt Generalist

Während die großen Cloud-Anbieter Spracherkennung als einen Dienst unter Hunderten anbieten, ist sie bei Speechmatics das Kerngeschäft. Das hat Vor- und Nachteile. Auf der Habenseite stehen Fokus, tiefe Fachkompetenz und in der Regel ein direkter Draht zu Produkt- und Supportteams, die sich ausschließlich mit Sprache beschäftigen. Auf der anderen Seite fehlt das breite Ökosystem eines Hyperscalers: Speicher, Datenbanken, Identitätsmanagement und Analysewerkzeuge muss man selbst mitbringen oder anderweitig beziehen. Für Unternehmen, die ohnehin eine heterogene IT-Landschaft betreiben, ist das selten ein Problem – sie suchen gezielt die beste Spracherkennung für ihren Zweck und binden sie an vorhandene Systeme an.
In den letzten Jahren hat der Anbieter sein Angebot zudem Richtung Sprachagenten und Konversations-KI erweitert, also Anwendungen, in denen Spracherkennung, ein Sprachmodell und Sprachausgabe zu einem Dialogsystem zusammenwachsen. Hier ist die eigene Echtzeit-Erkennung ein zentraler Baustein. Wie weit diese Angebote für den deutschsprachigen Raum ausgereift sind und unter welchen Produktnamen sie aktuell geführt werden, sollten Interessenten beim Anbieter erfragen.

Wer typischerweise mit Speechmatics arbeitet

Die Kundschaft von Spracherkennungsanbietern dieser Art besteht zu einem großen Teil aus anderen Technologieunternehmen: Hersteller von Contact-Center-Software, Anbieter von Meeting- und Kollaborationswerkzeugen, Medientechnik-Dienstleister, Untertitelungsfirmen und Entwickler von Analyseplattformen. Viele Mittelständler kommen deshalb indirekt mit Speechmatics in Berührung – nämlich als Bestandteil einer Software, die sie ohnehin nutzen. Direkte Projekte entstehen dort, wo ein Unternehmen eigene Sprachprozesse automatisieren will und dafür eine flexible, gut steuerbare Erkennungsschicht braucht.

Herkunft Vereinigtes Königreich – eine Einordnung

Für die Datenschutzbewertung ist der Firmensitz relevant. Das Vereinigte Königreich gehört seit dem Brexit nicht mehr zur Europäischen Union und ist datenschutzrechtlich ein Drittland. Die EU-Kommission hat jedoch einen sogenannten Angemessenheitsbeschluss für das Vereinigte Königreich erlassen. Er bescheinigt dem britischen Datenschutzrecht ein Schutzniveau, das dem der EU im Wesentlichen gleichwertig ist. Damit sind Datenübermittlungen dorthin grundsätzlich ohne zusätzliche Standardvertragsklauseln möglich. Laufzeit, Verlängerung und aktuellen Status dieses Beschlusses sollten Sie dennoch prüfen, ebenso, wo genau der Anbieter Daten verarbeitet und welche Unterauftragsverarbeiter er einsetzt. Ausführlich behandeln wir das im Kapitel zu Kosten und DSGVO.
Kapitel 03 · Funktionsumfang

Funktionsumfang: vom Audiosignal zum strukturierten Text

Ein gutes Transkript ist weit mehr als eine Aneinanderreihung erkannter Wörter. Erst Satzzeichen, Groß- und Kleinschreibung, korrekt formatierte Zahlen, Zeitstempel und die Zuordnung zu Sprechern machen aus einem Wortstrom ein Dokument, mit dem Menschen und Systeme arbeiten können. Die folgenden Fähigkeiten beschreiben wir qualitativ; den genauen aktuellen Umfang prüfen Sie bitte in der Dokumentation des Anbieters.

Transkription mit Formatierung

Umwandlung von Sprache in Text inklusive Interpunktion, Groß- und Kleinschreibung sowie der Aufbereitung von Zahlen, Daten, Währungen und Maßeinheiten in lesbarer Schreibweise.

Lesbar statt Rohtext
Sprechertrennung (Diarisierung)

Erkennung, wann welche Person spricht, und Kennzeichnung der Textabschnitte mit Sprecherlabels. Bei Telefonaten kann alternativ die Kanaltrennung genutzt werden, wenn Anrufer und Agent auf getrennten Spuren liegen.

Wer hat was gesagt
Viele Sprachen & Spracherkennung

Breite Abdeckung von Sprachen und regionalen Varianten, dazu die automatische Erkennung der gesprochenen Sprache. Ob Deutsch mit Dialektfärbung oder gemischtsprachige Gespräche ausreichend gut funktionieren, im eigenen Test prüfen.

Umfang beim Anbieter prüfen
Eigenes Vokabular

Ergänzung um Fachbegriffe, Produktnamen, Personennamen und Abkürzungen, damit die Erkennung im Unternehmenskontext trifft. Gerade im Mittelstand mit eigenen Artikelbezeichnungen ein entscheidender Hebel.

Fachsprache treffen
Zeitstempel & Konfidenzen

Wortgenaue Zeitmarken für Untertitel und das Springen in Aufnahmen sowie Konfidenzwerte, mit denen sich unsichere Passagen gezielt zur Prüfung markieren lassen.

Prüfbar und navigierbar
Untertitel-Ausgabe

Ausgabe in gängigen Untertitelformaten für Videoplattformen, Lernsysteme und Mediatheken. Spart den Umweg über separate Untertitel-Werkzeuge und erleichtert barrierearme Inhalte.

Barrierefreiheit

Echtzeit und Batch – zwei unterschiedliche Disziplinen

Auch wenn beide Modi dieselbe Grundtechnologie nutzen, stellen sie unterschiedliche Anforderungen. Im Batch-Modus steht die komplette Aufnahme zur Verfügung. Das System kann den gesamten Kontext berücksichtigen, unklare Stellen im Lichte späterer Sätze deuten und muss keine Rücksicht auf Verzögerungen nehmen. Das Ergebnis ist in der Regel das vollständigste und sauberste Transkript. Im Echtzeit-Modus dagegen muss die Erkennung Text liefern, während noch gesprochen wird. Sie arbeitet mit vorläufigen Ergebnissen, die sich in den folgenden Sekunden noch ändern können, und mit finalen Ergebnissen, die nicht mehr korrigiert werden. Die Kunst liegt darin, möglichst schnell möglichst stabilen Text zu liefern.
Für die Praxis bedeutet das: Wer nachträglich Protokolle erstellt oder Archive erschließt, ist mit Batch meist besser bedient – es ist robuster und häufig günstiger. Wer dagegen Live-Untertitel einblenden, einen Agenten während des Gesprächs unterstützen oder eine Sprachsteuerung bauen will, braucht Echtzeit. In vielen Projekten kommen beide Modi zum Einsatz: Echtzeit für die Unterstützung im Moment, Batch für die saubere Dokumentation danach.

Robustheit unter realen Bedingungen

Speechmatics wirbt traditionell mit Robustheit gegenüber Akzenten, Dialekten und schwierigen akustischen Bedingungen. Diese Eigenschaft ist für den deutschsprachigen Raum besonders relevant, denn zwischen Hochdeutsch aus dem Lehrbuch und dem Alltag in einer Werkhalle in Schwaben, einem Callcenter in Sachsen oder einer Besprechung in Wien liegen Welten. Hinzu kommen Hintergrundgeräusche, Telefonqualität, sich überschneidende Sprecher und Fachjargon. Ob ein System unter solchen Bedingungen überzeugt, lässt sich nicht aus Marketingunterlagen ablesen. Entscheidend ist ein Test mit einem repräsentativen Querschnitt Ihrer eigenen Aufnahmen.
Praxis-Hinweis: der eigene Testkorpus

Stellen Sie vor jeder Anbieterentscheidung einen kleinen, aber repräsentativen Testkorpus zusammen: gute und schlechte Telefonate, Besprechungen mit mehreren Personen, Aufnahmen mit Dialekt und Fachbegriffen. Lassen Sie dieselben Dateien von zwei oder drei Systemen transkribieren und bewerten Sie die Ergebnisse nicht nur nach Gefühl, sondern anhand der Fehler, die für Ihren Prozess wirklich zählen – etwa falsch erkannte Artikelnummern, Namen oder Beträge. Für Tests mit Cloud-Diensten sollten die Aufnahmen frei von sensiblen Daten oder mit Einwilligung der Beteiligten entstanden sein.

Grenzen, die man kennen sollte

Keine Spracherkennung ist fehlerfrei. Stark überlappende Gespräche, sehr leise oder verzerrte Aufnahmen, seltene Eigennamen und schneller Sprachwechsel innerhalb eines Satzes bleiben anspruchsvoll. Die Sprechertrennung kann bei ähnlichen Stimmen oder vielen Teilnehmenden ins Schwimmen geraten. Und auch die beste Formatierung kann bei mehrdeutigen Zahlenangaben danebenliegen. Für Anwendungen, in denen einzelne Fehler Konsequenzen haben – etwa medizinische Dokumentation, juristische Protokolle oder Bestellannahme per Telefon – braucht es deshalb immer eine Prüfstufe. Konkrete Genauigkeitswerte nennen wir nicht; sie hängen so stark vom Material ab, dass nur der eigene Test Aussagekraft hat.
Kapitel 04 · KI-Funktionen

KI- und Automatisierungsfunktionen rund um das Transkript

Das Transkript ist selten das Ziel, sondern der Ausgangspunkt. Erst wenn aus gesprochener Sprache verwertbare Informationen werden – Zusammenfassungen, Aufgaben, Themen, Stimmungsbilder, Übersetzungen – entsteht der eigentliche Automatisierungsnutzen. Dieses Kapitel beschreibt, welche Funktionen dafür bei Speechmatics und im Zusammenspiel mit anderen KI-Bausteinen typischerweise zur Verfügung stehen.

Übersetzung als integrierter Schritt

Speechmatics bietet die Möglichkeit, Transkripte direkt in andere Sprachen übersetzen zu lassen – sowohl bei Dateien als auch, je nach Konfiguration, im Echtzeitbetrieb. Für international tätige Mittelständler ist das ein praktischer Baustein: Ein Gespräch mit einem Lieferanten in einer anderen Sprache kann parallel als Originaltranskript und als deutsche Übersetzung vorliegen, ein Schulungsvideo erhält Untertitel in mehreren Sprachen. Der Vorteil eines integrierten Schritts liegt darin, dass Zeitstempel und Struktur erhalten bleiben und keine zusätzliche Schnittstelle angebunden werden muss.
Zugleich lohnt ein nüchterner Blick: Für hochwertige, veröffentlichungsreife Übersetzungen – etwa für Marketingtexte oder Verträge – sind spezialisierte Übersetzungsdienste wie DeepL oder eine menschliche Nachbearbeitung oft die bessere Wahl. Die integrierte Übersetzung spielt ihre Stärke vor allem dort aus, wo es um schnelles Verstehen, interne Dokumentation oder Live-Situationen geht. Welche Sprachpaare in welcher Qualität verfügbar sind, ist beim Anbieter zu prüfen.

Audio-Intelligence: vom Text zur Erkenntnis

Unter dem Begriff Audio-Intelligence fassen Spracherkennungsanbieter Funktionen zusammen, die über die reine Verschriftlichung hinausgehen. Dazu können je nach aktuellem Angebot Zusammenfassungen gehören, die den Inhalt eines Gesprächs in wenigen Absätzen bündeln, die Erkennung von Themen, über die gesprochen wurde, und eine Stimmungs- beziehungsweise Sentiment-Analyse, die einschätzt, ob Passagen eher positiv, neutral oder negativ formuliert sind. Ergänzend gibt es Funktionen zur Kapitelbildung oder zur Erkennung bestimmter Ereignisse im Audio.
Der Funktionsumfang in diesem Bereich hat sich bei vielen Anbietern in den letzten Jahren spürbar verändert, weil große Sprachmodelle viele dieser Aufgaben inzwischen flexibel übernehmen können. Statt fester Analysefunktionen setzen manche Unternehmen deshalb auf eine Kombination: Speechmatics liefert ein hochwertiges, strukturiertes Transkript, ein Sprachmodell erledigt Zusammenfassung, Klassifikation und Extraktion nach eigenen Vorgaben. Welche Audio-Intelligence-Funktionen Speechmatics aktuell selbst anbietet und welche besser über ein separates Sprachmodell abgebildet werden, sollten Sie beim Anbieter und im Architekturentwurf klären.
Vorsicht bei Stimmungsanalysen von Beschäftigten

Sentiment- und Stimmungsauswertungen klingen harmlos, können aber arbeitsrechtlich und datenschutzrechtlich heikel werden, sobald sie Rückschlüsse auf einzelne Mitarbeitende zulassen. Eine Leistungs- oder Verhaltenskontrolle über Gesprächsanalysen ist in Deutschland in aller Regel mitbestimmungspflichtig, und die europäische KI-Verordnung zieht bei Emotionserkennung am Arbeitsplatz enge Grenzen. Setzen Sie solche Funktionen nur nach Abstimmung mit Datenschutzbeauftragten und Betriebsrat ein und bevorzugen Sie aggregierte, nicht personenbezogene Auswertungen.

Automatisierung mit Sprachmodellen und Agenten

Die stärkste Wirkung entfaltet Spracherkennung heute im Verbund mit großen Sprachmodellen. Ein typischer Ablauf: Ein Kundentelefonat wird in Echtzeit transkribiert, ein Sprachmodell erkennt das Anliegen, schlägt dem Agenten passende Antworten aus der Wissensdatenbank vor und erstellt nach dem Gespräch automatisch eine Gesprächsnotiz im CRM. Oder: Eine Projektbesprechung wird aufgezeichnet, transkribiert, und am Ende liegen Protokoll, Aufgabenliste und offene Fragen im Projektwerkzeug. In solchen Ketten ist die Qualität der Spracherkennung das Fundament – Fehler im Transkript pflanzen sich bis in die Zusammenfassung fort.
Darüber hinaus wächst der Markt für Sprachagenten: Systeme, die selbst am Telefon antworten, Termine vereinbaren oder einfache Anfragen abschließend bearbeiten. Hier zählen eine schnelle Echtzeit-Erkennung, das saubere Erkennen von Sprecherwechseln und ein natürlicher Dialogfluss. Speechmatics positioniert sich auch in diesem Feld. Für den Mittelstand gilt: Solche Agenten sind technisch machbar, brauchen aber sorgfältiges Design, klare Übergaben an Menschen und eine transparente Kennzeichnung gegenüber Anrufenden, dass sie mit einer KI sprechen.

Der Mensch bleibt an den entscheidenden Stellen

Automatische Zusammenfassungen und Analysen sind beeindruckend, aber nicht unfehlbar. Sprachmodelle können Aussagen verkürzen, Gewichtungen verschieben oder im ungünstigen Fall Inhalte ergänzen, die so nie gesagt wurden. Für Protokolle mit rechtlicher Bedeutung, Vereinbarungen mit Kunden oder medizinische Angaben braucht es deshalb eine menschliche Freigabe. Ein bewährtes Muster: Das System erstellt einen Entwurf, die verantwortliche Person prüft und bestätigt – unterstützt durch Zeitstempel, über die sie mit einem Klick in die Originalaufnahme springen kann.
Kapitel 05 · Integrationen

Integrationen und Ökosystem: API, Contact Center, Medien

Speechmatics ist für die Einbindung in andere Systeme gebaut. Der Nutzen entsteht dort, wo die Spracherkennung mit Telefonie, Videoplattformen, Kollaborationswerkzeugen und Fachanwendungen verbunden wird. Dieses Kapitel zeigt die typischen Integrationswege und die Rolle der Plattform im Ökosystem.

Die Programmierschnittstellen im Überblick

Für die Batch-Verarbeitung stellt Speechmatics eine klassische Web-Schnittstelle bereit: Eine Anwendung lädt eine Audiodatei hoch oder verweist auf deren Speicherort, gibt Konfigurationen wie Sprache, Sprechertrennung oder eigenes Vokabular mit und erhält nach der Verarbeitung das Ergebnis – auf Wunsch auch per Benachrichtigung an eine hinterlegte Adresse, sobald der Auftrag fertig ist. Für die Echtzeit-Verarbeitung kommt eine dauerhafte bidirektionale Verbindung zum Einsatz, über die Audio fortlaufend gesendet und Text fortlaufend empfangen wird. Ergänzend bietet der Anbieter Software-Bibliotheken für verbreitete Programmiersprachen sowie Kommandozeilenwerkzeuge an, die den Einstieg erleichtern.
Für Entwicklerteams ist das ein vertrautes Muster, das sich ohne Spezialwissen in bestehende Anwendungen einfügen lässt. Wichtig für die Architektur ist die Frage, wo Audio gespeichert wird, wie lange es vorgehalten wird und wie Ergebnisse weitergereicht werden. Diese Punkte entscheiden nicht nur über die Technik, sondern auch über die Datenschutzbewertung.
01
Audio-Erfassung
Aufnahmen kommen aus Telefonanlage, Meeting-Plattform, Diktier-App, Videoschnitt oder Sprachnachrichten. Schon hier entscheiden Mikrofonqualität, Kanaltrennung und Audioformat spürbar über die spätere Erkennungsqualität.
02
Spracherkennung mit Speechmatics
Das Audio wird live oder als Datei an die Erkennungs-Engine übergeben – in der Cloud oder im eigenen Container. Zurück kommt ein strukturiertes Transkript mit Zeitstempeln, Sprecherlabels und optional Übersetzung.
03
Anreicherung & Auswertung
Audio-Intelligence-Funktionen oder ein nachgelagertes Sprachmodell erstellen Zusammenfassungen, extrahieren Aufgaben, klassifizieren Anliegen und markieren unsichere Passagen zur Prüfung.
04
Übergabe an Zielsysteme
Ergebnisse fließen in CRM, Ticketsystem, Dokumentenmanagement, Projektwerkzeug, Mediathek oder Wissensdatenbank – mit klaren Regeln, was gespeichert, was gelöscht und wer worauf zugreifen darf.

Contact Center und Telefonie

Das Contact Center ist eines der wichtigsten Einsatzfelder für Echtzeit-Spracherkennung. Moderne Cloud-Telefonie- und Contact-Center-Plattformen bieten Schnittstellen, über die Gesprächsaudio an externe Erkennungsdienste weitergeleitet werden kann. Daraus entstehen Funktionen wie Live-Transkripte für Agenten, automatische Gesprächsnotizen, Stichwortalarme bei Kündigungsabsichten oder Beschwerden sowie nachgelagerte Qualitätsanalysen. Viele Anbieter von Contact-Center-Software integrieren Spracherkennung bereits ab Werk – teils mit Speechmatics, teils mit anderen Engines. Für Unternehmen lohnt deshalb zuerst die Frage, welche Erkennung in der vorhandenen Telefonie-Lösung bereits steckt und ob sie sich austauschen oder ergänzen lässt.
Technisch relevant sind Telefonie-typische Herausforderungen: schmalbandiges Audio, Kompressionsartefakte, Warteschleifenmusik und Hintergrundgeräusche. Hier zeigt sich, wie robust eine Erkennung wirklich ist. Getrennte Audiokanäle für Anrufer und Agent vereinfachen die Sprecherzuordnung erheblich und sollten, wo möglich, genutzt werden.

Medien, Video und Kollaboration

Im Medienbereich geht es um Untertitel, Live-Untertitelung von Übertragungen, das Durchsuchbarmachen von Archiven und die Erstellung von Textfassungen für Podcasts und Videos. Speechmatics wird hier häufig als Engine hinter spezialisierten Medienwerkzeugen eingesetzt. Für Mittelständler mit eigenem Videoauftritt, Webinaren oder Schulungsportalen ist das ein naheliegender Weg zu barrierearmen Inhalten. Bei Meetings und Kollaboration wiederum stellt sich die Frage, ob die in Microsoft Teams, Zoom oder Google Meet integrierte Transkription genügt oder ob eine eigene, steuerbare Lösung gebraucht wird – etwa weil Aufnahmen aus mehreren Quellen zusammengeführt, besondere Fachbegriffe erkannt oder Daten im eigenen Haus gehalten werden sollen.
INAGRO-Empfehlung zur Integration

Prüfen Sie vor einer Eigenentwicklung, ob Ihre vorhandenen Werkzeuge bereits eine gute Spracherkennung mitbringen. Eine direkte Integration von Speechmatics lohnt sich vor allem dann, wenn Sie Kontrolle über Betriebsort, Vokabular und Datenfluss brauchen oder mehrere Audioquellen einheitlich verarbeiten wollen. Workflow-Automatisierungswerkzeuge können dabei helfen, die Kette aus Erfassung, Erkennung und Weitergabe ohne großen Programmieraufwand aufzubauen.

Kapitel 06 · Abgrenzung

Speechmatics im Vergleich zu Whisper, Deepgram & Co.

Der Markt für Spracherkennung ist dicht besetzt. Neben spezialisierten Anbietern stehen offene Modelle zum Selbstbetrieb und die Sprachdienste der großen Cloud-Plattformen. Die folgende Übersicht ist qualitativ und herstellerneutral; sie beschreibt typische Charakterzüge, nennt aber bewusst keine Messwerte, weil diese stark vom Testmaterial abhängen.

Kriterium Speechmatics Whisper / Parakeet (offen) Deepgram / AssemblyAI Azure / AWS / Google aiconix
Grundprinzip Spezialisierte ASR-Plattform Offene Modelle zum Selbstbetrieb Spezialisierte ASR-APIs Sprachdienst im Hyperscaler Medien-KI-Plattform
Echtzeit Ja, Kernfunktion Mit Eigenaufwand Ja Ja Je nach Produkt prüfen
Betrieb im eigenen Haus Container-Deployment Vollständig Teils, Enterprise prüfen Begrenzt, Varianten prüfen Anbieter fragen
Anbieter-Rechtsraum UK, Angemessenheitsbeschluss Selbst betrieben USA USA, EU-Regionen wählbar Deutschland
Betriebsaufwand Gering (Cloud) bis mittel Hoch (GPU, Pflege) Gering Gering Gering
Support & Verträge Kommerziell, Enterprise Community / Eigenleistung Kommerziell Kommerziell Kommerziell, deutschsprachig
Typischer Sweet Spot Echtzeit, Mehrsprachigkeit, On-Prem Datenhoheit bei IT-Kompetenz Entwickler-Produkte, Voice-Apps Bestehende Cloud-Landschaft Medien, Redaktionen, Archive

Abgrenzung zu offenen Modellen: Whisper und Parakeet

Whisper von OpenAI hat die Spracherkennung demokratisiert: Die Modellgewichte sind offen verfügbar, das Modell ist mehrsprachig und lässt sich auf eigener Hardware betreiben. NVIDIA Parakeet steht für eine weitere Familie offener Erkennungsmodelle, die besonders auf Effizienz ausgelegt sind. Beide bieten maximale Datenhoheit ohne Lizenzgebühren für das Modell selbst. Der Preis dafür ist Eigenaufwand: Hardware mit geeigneten Grafikkarten, Inferenz-Software, Skalierung, Echtzeit-Fähigkeit, Sprechertrennung und Formatierung müssen selbst organisiert oder aus weiteren Open-Source-Bausteinen zusammengesetzt werden. Hinzu kommen Wartung, Sicherheitsupdates und Monitoring.
Speechmatics adressiert genau diese Lücke: Es bietet eine fertige, gepflegte Erkennungsplattform mit Echtzeit, Diarisierung und Formatierung, die sich dennoch im eigenen Haus betreiben lässt – allerdings mit kommerzieller Lizenz. Für Unternehmen ohne eigenes KI-Betriebsteam kann das der pragmatischere Weg zur Datenhoheit sein; für Organisationen mit starker IT und hohem Volumen kann ein offenes Modell wirtschaftlich attraktiver werden.

Abgrenzung zu Deepgram und AssemblyAI

Deepgram und AssemblyAI sind US-amerikanische Spezialanbieter, die ebenfalls ausschließlich auf Sprach-KI setzen. Deepgram ist vor allem für schnelle Echtzeit-Erkennung und Sprachagenten bekannt, AssemblyAI für eine sehr entwicklerfreundliche Plattform mit umfangreichen Analysefunktionen auf Basis von Sprachmodellen. In Funktionsumfang und Zielgruppe überschneiden sich alle drei stark. Unterschiede zeigen sich bei der Qualität in einzelnen Sprachen, bei Betriebsoptionen und beim Rechtsraum: Für deutsche Unternehmen kann der britische Sitz mit Angemessenheitsbeschluss und die ausgeprägte On-Prem-Option von Speechmatics ein Argument sein, während US-Anbieter zusätzliche Prüfungen zum Drittlandtransfer erfordern. Welche Engine Ihr deutschsprachiges Material am besten erkennt, entscheidet am Ende der direkte Vergleichstest.

Abgrenzung zu Azure, AWS und Google Speech

Die Sprachdienste von Microsoft Azure, Amazon Web Services und Google Cloud punkten mit Reife, globaler Verfügbarkeit, wählbaren EU-Regionen und nahtloser Einbindung in die jeweilige Cloud-Landschaft. Wer bereits stark auf eine dieser Plattformen setzt, bekommt Spracherkennung mit vertrauten Abrechnungs-, Sicherheits- und Identitätsmechanismen. Die Kehrseite: Die Mutterkonzerne unterliegen US-Recht, was trotz EU-Rechenzentren in die Datenschutzbewertung einfließt, und die Spracherkennung ist dort ein Dienst unter vielen. Speechmatics ist eher die Wahl, wenn Spracherkennung selbst strategisch wichtig ist, wenn Container-Betrieb im eigenen Haus gefragt ist oder wenn die Qualität im Test überzeugt.

Abgrenzung zu aiconix und deutschen Medien-KI-Anbietern

aiconix ist ein deutscher Anbieter mit Schwerpunkt auf KI für Medienhäuser und Redaktionen, der Transkription, Untertitelung und weitere Medienfunktionen in eine Plattform mit Bedienoberfläche bündelt. Der Unterschied zu Speechmatics liegt in der Ebene: aiconix adressiert Anwender in Medienprozessen direkt, Speechmatics liefert primär die Erkennungstechnologie für Entwickler und Integratoren. Für Redaktionen und Kommunikationsabteilungen, die eine sofort nutzbare Lösung mit deutschem Vertragspartner suchen, kann ein solcher Plattformanbieter passender sein. Wer dagegen eigene Anwendungen baut oder Telefonie integrieren will, ist mit einer API-Plattform flexibler.

Hybride Architekturen statt Glaubensfrage

In der Praxis muss die Entscheidung nicht exklusiv sein. Viele Organisationen kombinieren: ein offenes Modell im eigenen Rechenzentrum für hochsensible interne Aufnahmen, eine Cloud-Engine für unkritisches Medienmaterial, eine in die Telefonanlage integrierte Erkennung für das Contact Center. Entscheidend ist, dass jede Datenkategorie bewusst einem Verarbeitungsweg zugeordnet wird. Eine saubere Abstraktionsschicht in der eigenen Software erleichtert es zudem, die Erkennungs-Engine später zu wechseln, falls sich Qualität, Preise oder Anforderungen verändern.
Kapitel 07 · Einführung & Betrieb

Einführung und Betrieb: SaaS oder On-Prem-Container

Die zentrale Betriebsfrage lautet: Läuft die Spracherkennung in der Cloud des Anbieters oder auf eigener Infrastruktur? Bei Sprachdaten ist das keine reine Technikentscheidung, sondern eine Weichenstellung für Datenschutz, Kosten und Betriebsaufwand. Die konkreten Konditionen und technischen Voraussetzungen sind beim Anbieter zu prüfen.

Die Betriebsoptionen im Überblick

SaaS / Cloud-API
Schneller Start

Die Erkennung läuft in der Cloud des Anbieters. Kein eigener Betrieb, sofortige Skalierung, neue Modelle ohne Update-Aufwand. Audio verlässt das Haus – Region, Speicherdauer und Unterauftragsverarbeiter sind zu klären.

AufwandGering
DatenschutzEU-Region prüfen
ZweckPilot, Standardfälle
On-Prem-Container
Datenhoheit

Die Engine läuft als Container im eigenen Rechenzentrum oder in einer privaten Cloud, orchestriert etwa über Kubernetes. Audio bleibt vollständig im Haus. Erfordert Rechenkapazität, Betriebs-Know-how und eine passende Lizenz.

AufwandMittel bis hoch
DatenschutzMaximal
ZweckSensible Daten, Volumen
Betrieb bei EU-Hoster
Mittelweg

Ein europäischer Hosting- oder Managed-Service-Partner betreibt die Container in EU-Rechenzentren für Sie. Weniger Eigenaufwand als On-Prem, dabei vertraglich abgesicherte EU-Datenresidenz. Verfügbarkeit und Lizenzierung klären.

AufwandMittel
DatenschutzHoch
ZweckProduktiv, ausgelagert

Was der Cloud-Betrieb leistet – und was zu klären ist

Der Cloud-Weg ist der schnellste Einstieg. Ein Zugangsschlüssel genügt, um erste Aufnahmen zu verarbeiten, und Skalierung, Modellpflege sowie Verfügbarkeit liegen beim Anbieter. Für Pilotprojekte, unkritisches Material und schwankende Volumina ist das ideal. Vor dem produktiven Einsatz sollten Sie jedoch klären, in welcher Region die Verarbeitung stattfindet – Speechmatics bietet nach unserem Kenntnisstand regionale Endpunkte, darunter in der EU, den aktuellen Stand prüfen Sie bitte beim Anbieter –, wie lange Audio und Transkripte gespeichert werden, ob Sie die Löschung selbst steuern können, ob Daten zur Modellverbesserung verwendet werden und welche Unterauftragsverarbeiter, etwa Cloud-Infrastrukturanbieter, beteiligt sind.
Zentrale Empfehlung: EU-Region oder eigener Betrieb

Für Gespräche mit personenbezogenen oder vertraulichen Inhalten empfehlen wir, Speechmatics entweder über eine vertraglich zugesicherte EU-Verarbeitungsregion oder als Container auf eigener beziehungsweise EU-gehosteter Infrastruktur zu betreiben. Der Container-Betrieb ist die DSGVO-konformere Option, weil keine Übermittlung an Dritte stattfindet. Die Standard-Cloud ohne geprüfte Regionswahl eignet sich allenfalls für Tests mit unkritischem Material.

Was der Container-Betrieb praktisch voraussetzt

Der Eigenbetrieb ist der stärkste Hebel für Datenhoheit, aber kein Selbstläufer. Sie benötigen eine Container-Plattform – im einfachsten Fall Docker auf einem Server, im professionellen Umfeld eine Orchestrierung wie Kubernetes –, ausreichend Rechenkapazität, je nach Modell und Volumen auch Grafikkarten, eine Lizenz des Anbieters, die den On-Prem-Einsatz abdeckt, sowie Prozesse für Updates, Monitoring und Absicherung. Der Rechenbedarf hängt von Sprachmodell, gewünschter Latenz und Zahl gleichzeitiger Datenströme ab und lässt sich seriös nur gemeinsam mit dem Anbieter dimensionieren. Für Echtzeit-Szenarien mit vielen parallelen Gesprächen ist eine sorgfältige Kapazitätsplanung unverzichtbar.
Für Mittelständler ohne eigenes Plattformteam ist ein Managed-Betrieb über einen IT-Dienstleister oder EU-Hoster oft der realistischere Weg: Die Daten bleiben in der EU und unter vertraglicher Kontrolle, die technische Betreuung liegt aber bei Spezialisten.

Ein strukturierter Einführungsweg

Bewährt hat sich ein Vorgehen in klar getrennten Schritten. Am Anfang steht die Bedarfsklärung: Welche Audioquellen, welches Volumen, Echtzeit oder Batch, welche Sprachen, welcher Schutzbedarf? Darauf folgt ein Vergleichstest mit einem repräsentativen Testkorpus gegen mindestens eine Alternative. Danach wird der Betriebsweg festgelegt und gemeinsam mit Datenschutz, IT-Sicherheit und gegebenenfalls Betriebsrat abgestimmt. Es folgt ein eng umrissener Pilot mit messbaren Zielen, etwa eingesparter Nachbearbeitungszeit, bevor der Rollout auf weitere Prozesse erfolgt. Wichtig: Planen Sie von Anfang an eine Abstraktionsschicht ein, damit die Erkennungs-Engine später austauschbar bleibt.
Kapitel 08 · Praxis

Einsatz im deutschen Mittelstand

Wo bringt professionelle Spracherkennung im Mittelstand konkret Nutzen? Die folgenden Szenarien zeigen typische Anwendungen – jeweils mit realistischer Einordnung. Gemeinsam ist ihnen, dass gesprochene Sprache bisher ungenutzt verloren ging oder mühsam von Hand verschriftlicht wurde.

Meetings & Protokolle

Projektbesprechungen, Gremiensitzungen und Kundentermine werden transkribiert und von einem Sprachmodell zu Protokoll und Aufgabenliste verdichtet. Die Verantwortlichen prüfen und geben frei – statt selbst mitzuschreiben.

Protokollaufwand senken
Hotline & Kundenservice

Live-Transkripte unterstützen Agenten während des Gesprächs, nach dem Anruf entsteht automatisch eine Gesprächsnotiz im CRM. Aggregierte Auswertungen zeigen, welche Anliegen sich häufen – ohne Einzelpersonen zu überwachen.

Nachbearbeitung verkürzen
Diktat & Außendienst

Servicetechniker, Gutachter und Außendienst diktieren Berichte per Smartphone. Die Spracherkennung mit eigenem Fachvokabular liefert einen Entwurf, der direkt in Auftrag, Ticket oder Bericht übernommen wird.

Berichte schneller fertig
Untertitel & Video

Produktvideos, Webinare, Schulungen und Social-Media-Clips erhalten automatisch Untertitel – auf Wunsch mehrsprachig. Das verbessert Reichweite, Verständlichkeit ohne Ton und Barrierefreiheit.

Reichweite und Zugänglichkeit
Internationale Kommunikation

Gespräche mit Lieferanten und Partnern in anderen Sprachen werden transkribiert und übersetzt. So entsteht eine gemeinsame Dokumentationsbasis, auch wenn nicht alle Beteiligten jede Sprache sprechen.

Sprachbarrieren senken
Wissenssicherung

Interviews mit erfahrenen Mitarbeitenden vor dem Ruhestand, Schulungsmitschnitte und interne Vorträge werden durchsuchbar. Gesprochenes Erfahrungswissen wird so Teil der Wissensdatenbank.

Wissen bewahren

Realistische Erwartungen an die Umsetzung

Keines dieser Szenarien funktioniert per Knopfdruck. Die Qualität hängt maßgeblich von der Aufnahmesituation ab: Ein gutes Konferenzmikrofon, getrennte Telefoniekanäle und ein gepflegtes Fachvokabular bringen oft mehr als der Wechsel des Anbieters. Hinzu kommen organisatorische Fragen: Wer darf Aufnahmen starten, wie werden Teilnehmende informiert, wie lange werden Audio und Transkript aufbewahrt, wer prüft automatisch erstellte Zusammenfassungen? Rechnen Sie damit, dass ein Teil der Ergebnisse nachbearbeitet werden muss. Der wirtschaftliche Nutzen entsteht dadurch, dass Routinearbeit wegfällt und Menschen sich auf Prüfung und Entscheidung konzentrieren.

Mit welchem Anwendungsfall man startet

Ein guter Einstieg ist klar abgegrenzt, erzeugt spürbaren Nutzen und lässt sich datenschutzkonform gestalten. Häufig eignen sich Untertitel für eigene Videos – hier sind meist keine Dritten betroffen und der Nutzen ist sofort sichtbar – oder Diktate im Außendienst, bei denen die diktierende Person zugleich Urheber und Nutzer des Textes ist. Anspruchsvoller sind Hotline-Szenarien, weil hier Kundinnen und Kunden sowie Mitarbeitende betroffen sind und zusätzliche rechtliche Anforderungen greifen. Diese sollten erst angegangen werden, wenn Organisation, Datenschutz und Mitbestimmung sauber vorbereitet sind.

Akzeptanz und Mitbestimmung

Spracherkennung berührt Menschen unmittelbar: Ihre Stimme, ihre Worte, ihre Arbeitsweise werden erfasst. Akzeptanz entsteht nur, wenn klar ist, wozu die Technik dient – zur Entlastung, nicht zur Überwachung. Eine frühe Einbindung des Betriebsrats, eine verständliche Betriebsvereinbarung, transparente Hinweise an Gesprächspartner und klare Löschregeln schaffen Vertrauen. Ebenso wichtig ist Befähigung: Mitarbeitende sollten wissen, wie sie gute Aufnahmen erzeugen, wie sie Ergebnisse prüfen und wann sie eine Aufnahme besser nicht starten.
Kapitel 09 · Kosten & Datenschutz

Kosten und DSGVO: Datenhoheit über Sprachdaten

Zwei Fragen entscheiden oft über einen produktiven Einsatz: Was kostet der Betrieb realistisch, und wie lassen sich Sprachdaten rechtssicher verarbeiten? Konkrete Preise nennen wir nicht – sie ändern sich laufend, hängen von Volumen und Vertragsform ab und sind beim Anbieter zu prüfen.

Cloud-Nutzung
Nutzungsbasiert · nach Audiodauer
Abrechnung typischerweise nach verarbeiteter Audiozeit
  • Echtzeit, Batch und Zusatzfunktionen wie Übersetzung können unterschiedlich bepreist sein. Einstiegs-Kontingente und Staffeln beim Anbieter prüfen.
Enterprise / On-Prem
Lizenz · individuell
Vertrag mit Lizenz für den Container-Betrieb
  • Konditionen hängen von Volumen, Kapazität und Supportumfang ab und werden in der Regel individuell verhandelt.
Infrastruktur
Variabel · bei Eigenbetrieb
Server, ggf. GPUs, Container-Plattform
  • Zentraler Kostenblock beim On-Prem-Betrieb. Dafür bleiben Sprachdaten im Haus und die Kosten sind bei hohem Volumen gut planbar.
Integration & Betrieb
Projekt · plus laufend
Anbindung, Prozessdesign, Monitoring, Pflege
  • Hier entsteht der eigentliche Nutzen – und ein großer Teil des Aufwands. Wird häufig unterschätzt, entscheidet aber über den Erfolg.

Wo die wahren Kosten liegen

Der Preis pro Audiominute ist selten der größte Posten. In vielen Projekten übersteigen Integration, Prozessgestaltung, Datenschutzdokumentation und Schulung die reinen Erkennungskosten deutlich. Für die Wirtschaftlichkeitsbetrachtung lohnt der Blick auf die Gegenseite: Wie viel Zeit verbringen Mitarbeitende heute mit Mitschreiben, Abtippen und Nachbearbeiten von Gesprächen? Bei geringem Volumen ist eine nutzungsbasierte Cloud-Lösung meist günstiger; bei hohem, stetigem Volumen oder strengen Datenschutzanforderungen kann der Container-Betrieb attraktiv werden. Belastbare Zahlen ergeben sich nur aus einer konkreten Aufwandsschätzung für Ihren Anwendungsfall.
Datenschutz-Checkliste für Sprachdaten

Sprachaufnahmen und Transkripte enthalten fast immer personenbezogene Daten – oft auch vertrauliche Geschäftsinhalte. Die folgende Übersicht fasst die zentralen Prüfpunkte zusammen. Die konkrete Bewertung hängt immer vom Einzelfall und vom gewählten Betriebsweg ab.

Serverstandort
EU-Verarbeitungsregion vertraglich festlegen oder Container im eigenen Haus betreiben
Drittland UK
Angemessenheitsbeschluss als Grundlage – aktuellen Status und Laufzeit prüfen
Auftragsverarbeitung
AVV nach Art. 28 DSGVO abschließen, Unterauftragsverarbeiter prüfen
Rechtsgrundlage & Transparenz
Information der Gesprächspartner, ggf. Einwilligung vor Aufzeichnung
Speicherung & Löschung
Aufbewahrungsfristen für Audio und Transkript definieren und technisch durchsetzen
Mitbestimmung
Betriebsrat früh einbinden, Leistungs- und Verhaltenskontrolle ausschließen

Vereinigtes Königreich: Drittland mit Angemessenheitsbeschluss

Weil Speechmatics seinen Sitz im Vereinigten Königreich hat, ist bei der Cloud-Nutzung grundsätzlich eine Übermittlung in ein Drittland zu betrachten. Anders als bei vielen außereuropäischen Anbietern existiert hier jedoch ein Angemessenheitsbeschluss der EU-Kommission. Er erlaubt Übermittlungen ins Vereinigte Königreich grundsätzlich ohne zusätzliche Garantien wie Standardvertragsklauseln. Das ist eine deutlich komfortablere Ausgangslage als etwa bei Anbietern aus Ländern ohne einen solchen Beschluss. Dennoch bleiben Fragen offen, die Sie prüfen sollten: Wo werden die Daten tatsächlich verarbeitet – in Großbritannien, in einer EU-Region oder anderswo? Welche Unterauftragsverarbeiter sind beteiligt, und sitzen diese womöglich in den USA? Und wie ist der aktuelle Status des Angemessenheitsbeschlusses, der befristet ist und regelmäßig überprüft wird?
Am robustesten ist die Lage, wenn die Verarbeitung vertraglich zugesichert in einer EU-Region erfolgt oder – noch weitergehend – wenn Speechmatics als Container auf eigener oder EU-gehosteter Infrastruktur läuft. Im letzteren Fall findet keine Übermittlung von Sprachdaten an den Anbieter statt; das Drittlandthema entfällt für die eigentliche Verarbeitung weitgehend. Klären Sie dabei, ob der Container für Lizenzprüfung oder Nutzungsmeldungen Verbindungen nach außen aufbaut und welche Daten dabei übertragen werden.

Besonderheiten von Sprachaufnahmen

Sprachdaten haben Eigenheiten, die über klassische Textdaten hinausgehen. Erstens ist bereits die Aufzeichnung selbst rechtlich relevant: Das nicht öffentlich gesprochene Wort genießt in Deutschland besonderen Schutz, heimliche Aufnahmen sind unzulässig. Gesprächspartner müssen daher vorab informiert werden, und je nach Situation ist eine Einwilligung erforderlich. Zweitens können Stimmen biometrische Merkmale tragen. Solange nur transkribiert wird, steht dies meist nicht im Vordergrund; sobald jedoch Sprecher anhand ihrer Stimme wiedererkannt oder identifiziert werden sollen, gelten erhöhte Anforderungen. Drittens geben Gespräche oft mehr preis als beabsichtigt – Gesundheitsangaben, private Umstände, Geschäftsgeheimnisse. Datenminimierung, etwa das Schwärzen sensibler Angaben im Transkript, und kurze Aufbewahrungsfristen sind daher besonders wichtig.

Verantwortung bleibt beim Unternehmen

Unabhängig vom Betriebsweg bleiben Sie als Verantwortlicher in der Pflicht. Ein Eintrag im Verzeichnis von Verarbeitungstätigkeiten, eine sorgfältige Prüfung, ob eine Datenschutz-Folgenabschätzung erforderlich ist – bei systematischer Auswertung von Kundengesprächen oder Beschäftigtenkommunikation ist das naheliegend –, technische und organisatorische Schutzmaßnahmen sowie klare Zugriffs- und Löschkonzepte gehören dazu. Beim Container-Betrieb verlagert sich zusätzlich die Verantwortung für Infrastruktursicherheit zu Ihnen. Der Gewinn an Kontrolle verlangt, diese Kontrolle auch sauber auszuüben.
Wichtiger Hinweis: keine Rechtsberatung

Dieser Artikel bietet eine allgemeine Orientierung und ersetzt keine individuelle rechtliche Prüfung. Datenschutz-, arbeits- und strafrechtliche Bewertungen rund um Sprachaufzeichnungen hängen immer vom konkreten Einzelfall ab. Ziehen Sie für eine verbindliche Beurteilung Ihren Datenschutzbeauftragten oder fachkundige juristische Beratung hinzu. Vertrags-, Lizenz- und Hosting-Bedingungen von Speechmatics prüfen Sie zudem stets aktuell beim Anbieter.

Kapitel 10 · Häufige Fragen

Häufig gestellte Fragen zu Speechmatics

Diese Fragen hören wir in Beratungsgesprächen rund um Spracherkennung am häufigsten – kurz und sachlich beantwortet, herstellerneutral und ohne überzogene Versprechen.

Was ist Speechmatics in einem Satz?
Speechmatics ist ein auf Spracherkennung spezialisierter Anbieter aus Cambridge im Vereinigten Königreich, der gesprochene Sprache in Echtzeit oder aus Aufnahmen in strukturierten Text umwandelt, ergänzt um Übersetzung und Audio-Intelligence – und der neben der Cloud-API auch einen Betrieb als Container auf eigener Infrastruktur ermöglicht.
Wie gut erkennt Speechmatics Deutsch, Dialekte und Fachbegriffe?
Der Anbieter ist für Robustheit bei Akzenten und Dialekten bekannt, und über eigenes Vokabular lassen sich Fachbegriffe und Produktnamen ergänzen. Konkrete Genauigkeitswerte nennen wir bewusst nicht, weil sie stark vom Material abhängen. Testen Sie mit einem repräsentativen Satz eigener Aufnahmen – inklusive Telefonqualität, Dialekt und Fachjargon – und vergleichen Sie mit mindestens einer Alternative.
Wie viele Sprachen unterstützt Speechmatics?
Speechmatics deckt eine breite Palette von Sprachen und regionalen Varianten ab und bietet eine automatische Spracherkennung. Eine konkrete Zahl nennen wir nicht, weil sich der Umfang laufend ändert und sich zudem zwischen Echtzeit, Batch und Übersetzung unterscheiden kann. Den aktuellen Stand prüfen Sie bitte in der Dokumentation des Anbieters.
Was ist der Unterschied zwischen Echtzeit- und Batch-Transkription?
Batch verarbeitet fertige Aufnahmen als Datei und kann den gesamten Kontext nutzen – das Ergebnis ist meist vollständiger und häufig günstiger. Echtzeit liefert Text, während noch gesprochen wird, mit vorläufigen und finalen Ergebnissen. Echtzeit braucht man für Live-Untertitel, Agentenunterstützung oder Sprachagenten, Batch für Protokolle, Archive und Medienproduktion.
Kann ich Speechmatics im eigenen Rechenzentrum betreiben?
Ja, Speechmatics bietet ein Deployment als Container an, das im eigenen Rechenzentrum, in einer privaten Cloud oder bei einem EU-Hoster laufen kann. Voraussetzung sind eine passende Lizenz, eine Container-Plattform, ausreichende Rechenkapazität und Betriebs-Know-how. Die Dimensionierung sollte gemeinsam mit dem Anbieter erfolgen. Für sensible Sprachdaten ist dies die datenschutzfreundlichste Variante.
Ist Speechmatics DSGVO-konform nutzbar?
Grundsätzlich lässt sich Speechmatics datenschutzkonform einsetzen, die Bewertung hängt aber vom Betriebsweg ab. Für das Vereinigte Königreich besteht ein Angemessenheitsbeschluss der EU-Kommission, dessen aktuellen Status Sie prüfen sollten. Empfehlenswert sind eine vertraglich zugesicherte EU-Verarbeitungsregion oder der Container-Betrieb auf eigener Infrastruktur, ein AVV, die Prüfung der Unterauftragsverarbeiter sowie klare Regeln zu Information, Einwilligung und Löschung. Dies ist keine Rechtsberatung – ziehen Sie Ihren Datenschutzbeauftragten hinzu.
Speechmatics oder Whisper – was ist besser?
Das hängt von Ihren Ressourcen ab. Whisper ist offen, ohne Lizenzgebühren für das Modell und vollständig selbst betreibbar, verlangt aber Eigenaufwand für Hardware, Echtzeit-Fähigkeit, Sprechertrennung, Skalierung und Pflege. Speechmatics liefert eine gepflegte Plattform mit diesen Funktionen und Support, auf Wunsch auch im eigenen Haus, allerdings mit kommerzieller Lizenz. Ohne eigenes KI-Betriebsteam ist Speechmatics oft der pragmatischere Weg; mit starker IT und hohem Volumen kann Whisper wirtschaftlich attraktiver sein.
Wie unterscheidet sich Speechmatics von Deepgram, AssemblyAI und den Hyperscalern?
Deepgram und AssemblyAI sind US-Spezialanbieter mit ähnlichem Funktionsumfang, die Datenübermittlung in die USA erfordert aber zusätzliche Prüfungen. Azure, AWS und Google bieten Spracherkennung als einen Dienst ihrer Cloud mit wählbaren EU-Regionen, unterliegen aber US-Recht. Speechmatics punktet mit Spezialisierung, britischem Sitz mit Angemessenheitsbeschluss und ausgeprägtem Container-Betrieb. Welche Engine Ihr Material am besten erkennt, zeigt nur der direkte Vergleichstest.
Was kostet Speechmatics?
Konkrete Preise nennen wir nicht, da sie sich ändern und von Volumen und Vertragsform abhängen. In der Cloud wird typischerweise nach verarbeiteter Audiodauer abgerechnet, wobei Echtzeit, Batch und Zusatzfunktionen unterschiedlich bepreist sein können. Für den On-Prem-Betrieb werden Lizenzen in der Regel individuell verhandelt. Hinzu kommen Integration, Infrastruktur und Betrieb, die oft den größeren Kostenanteil ausmachen.
Darf ich Kundentelefonate einfach transkribieren?
Nicht ohne Weiteres. Das nicht öffentlich gesprochene Wort ist in Deutschland besonders geschützt, Gesprächspartner müssen vorab informiert werden, und je nach Zweck ist eine Einwilligung erforderlich. Sind Mitarbeitende betroffen, ist in der Regel der Betriebsrat einzubinden. Klären Sie Rechtsgrundlage, Informationspflichten, Aufbewahrung und Zweckbindung vorab mit Ihrem Datenschutzbeauftragten. Dies ist keine Rechtsberatung.
Wie unterstützt INAGRO bei der Einführung von Spracherkennung?
Wir begleiten herstellerneutral von der ersten Einschätzung bis zum produktiven Betrieb: Wir klären Anwendungsfälle und Schutzbedarf, führen Vergleichstests mit Ihrem eigenen Audiomaterial durch, empfehlen den passenden Betriebsweg – von der EU-Cloud-Region bis zum Container im eigenen Haus – und unterstützen bei Integration, Datenschutzdokumentation und Pilotprojekt. Ob am Ende Speechmatics, ein offenes Modell oder eine andere Lösung passt, entscheidet allein Ihr Bedarf.

Gesprochene Sprache als Datenquelle erschließen

Bereit für Spracherkennung mit klarer Datenhoheit?

Von der Auswahl des passenden Anbieters über den Vergleichstest mit Ihren eigenen Aufnahmen bis zum produktiven Betrieb in der EU-Cloud oder im eigenen Rechenzentrum – INAGRO begleitet Sie herstellerneutral. Mit technischem Verständnis für Audio-Pipelines, einem klaren Blick auf DSGVO und Mitbestimmung und dem Fokus auf messbare Entlastung im Alltag.

Seit 2006 am Markt

Erfahrung aus über 100 Digitalprojekten

DSGVO & Souveränität

Datenschutz von Anfang an mitgedacht

Rückmeldung in 24 h

Schnell, direkt, unverbindlich