Automatische Spracherkennung

Die Automatische Spracherkennung wird häufig auch Automated Speech Recognition (ASR) oder Speech-To-Text (S2T, STT) genannt. Mit dieser Technologie wird die Audiospur eines Videos analysiert, um daraus ein Transkript zu erstellen.

Informationen zur Datenverarbeitung

Die Audiodatei wird an den jeweiligen Anbieter geschickt und dort analysiert. Begleitende Metadaten der Audiodateien (z.B. Dateiformat, Sampling-Rate) werden ebenfalls verarbeitet.

Einsatzszenarien

Bei folgenden Szenarien wird ASR eingesetzt:

Automatisch generiertes Dialogbuch

Das Transcript kann nützlich sein, wenn kein Dialogbuch vorliegt. Die Qualität hängt sowohl vom Anbieter als auch vom Originalton ab. So sind Transkripte für Videos mit Hintergrundmusik tendentiell fehleranfälliger als beispielsweise Interviews in einem Fernsehstudio.

Automatisches Spotting inkl. Dialogangaben

Basierend auf dem Transkript ist es möglich, automatisch potentielle Lücken für eine Beschreibung zu identifizieren. Daraus lässt sich ein “Template” erstellen. Hierbei werden in einem leeren Manuskript die Startpositionen der Lücken sowie die Dialogangaben automatisch generiert. Im Nachgang kann dann die eigentliche Audiodeskription erstellt werden.

In Frazier integrierte Anbieter

• Assembly AI: Website, Sicherheit, Nutzungsbedingungen.
• AWS Transcribe Website, Nutzungsbedingungen.

Stand: 07.07.2026