Spracherkennung im Browser: Web Speech API erklärt

Was ist die Web Speech API?

Die Web Speech API ist eine Browserschnittstelle, die es Webseiten erlaubt, Spracheingaben direkt vom Mikrofon entgegenzunehmen und in Text umzuwandeln. Sie besteht aus zwei Teilen: der SpeechRecognition-Schnittstelle für Sprache-zu-Text und der SpeechSynthesis-Schnittstelle für Text-zu-Sprache. Für Diktiertools ist ausschließlich der erste Teil relevant.

Das Besondere an dieser Technologie ist, dass Nutzer keine Software herunterladen müssen (siehe die Spezifikation der Web Speech API). Der Browser übernimmt die gesamte Kommunikation mit dem Mikrofon und, je nach Implementierung, mit einem serverseitigen Erkennungsdienst. Das ergibt eine niedrige Einstiegshürde, die browserbasierte Tools wie das Tool auf dieser Seite nutzen.

Wie funktioniert die Erkennung technisch?

Der Ablauf besteht aus drei Schritten:

Schritt 1: Mikrofonzugriff. Der Browser fragt einmalig nach der Erlaubnis, das Mikrofon zu verwenden. Ohne diese Erlaubnis startet die Erkennung nicht. Ob die Genehmigung für spätere Besuche gespeichert wird, hängt vom Browser und seinen Einstellungen ab.

Schritt 2: Audioaufnahme und Übertragung. Der Browser zeichnet den Ton auf und überträgt die Audiodaten an einen Erkennungsdienst. Bei Chrome ist das ein Google-Dienst, bei Edge ein Microsoft-Dienst, bei Safari ein Apple-Dienst. MDN beschreibt es so: Die Nutzung der Spracherkennung auf einer Webseite läuft standardmäßig über eine serverbasierte Erkennung, das Audio wird an einen Webdienst geschickt. Die Daten verlassen also in der Regel den lokalen Computer, was datenschutzrechtlich relevant ist. Eine Einstellung processLocally für die Erkennung auf dem Gerät ist dokumentiert, wird aber nicht von allen Browsern umgesetzt, und dieses Werkzeug setzt sie nicht.

Schritt 3: Rückgabe des Transkripts. Der Server schickt das erkannte Wort oder den erkannten Satz zurück an den Browser. Die API unterscheidet zwischen Zwischenergebnissen, die sich noch ändern können, und endgültigen Ergebnissen, die als gesichert gelten.

Dieser Cloud-Ansatz erklärt sowohl die hohe Erkennungsgenauigkeit als auch die Abhängigkeit von einer Internetverbindung.

Stärken der browserbasierten Erkennung

Browserbasierte Spracherkennung hat klare Vorteile gegenüber lokalen Programmen:

Keine Installation nötig. Wer das Tool öffnet und dem Browser Mikrofonzugriff erlaubt, kann sofort lossprechen. Das ist besonders auf Arbeitsrechnern praktisch, auf denen keine Software installiert werden darf.

Plattformunabhängigkeit. Die Web Speech API funktioniert auf Windows, macOS und Linux gleichermaßen, solange ein unterstützter Browser vorhanden ist.

Automatische Updates. Die Erkennungsmodelle auf den Google- oder Microsoft-Servern werden regelmäßig verbessert, ohne dass der Nutzer etwas tun muss.

Geringe Systemlast. Da die eigentliche Berechnung in der Cloud stattfindet, bleibt der lokale Computer weitgehend unbelastet.

Grenzen und Einschränkungen

Die Web Speech API hat auch relevante Schwächen:

Browserabhängigkeit. In Firefox ist die Spracherkennung standardmäßig deaktiviert, was viele Nutzer ausschließt. Das kann sich mit künftigen Versionen ändern, ist aktuell aber eine echte Lücke.

Offline nicht nutzbar. Ohne Internetzugang liefert die API in Chrome in der Regel keine Ergebnisse. Wer Texte in der Bahn oder an Orten ohne Verbindung diktieren möchte, ist auf lokale Software angewiesen.

Datenschutz. Die Audiodaten verlassen das Gerät. Für Gespräche mit sensiblen Inhalten, zum Beispiel medizinische oder rechtliche Diktate, ist das ein ernstes Problem. In solchen Fällen sollte man ein lokal laufendes Modell wie Whisper bevorzugen.

Sprachunterstützung variiert. Deutsch wird gut unterstützt, Dialekte oder stark akzentuierter Sprachgebrauch führen aber häufiger zu Fehlern als bei spezialisierten Systemen.

Zeitlimits. Chrome beendet eine Erkennungssitzung nach einer Pause von einigen Sekunden oder nach gewisser Dauer von selbst. Dieses Werkzeug startet die Erkennung dann neu, solange du nicht auf Stopp geklickt hast.

Vergleich mit lokaler Software

Lokal laufende Spracherkennungssoftware wie Nuance Dragon oder ein lokal installiertes Whisper-Modell verarbeitet alle Daten auf dem eigenen Computer. Das ist datenschutzfreundlicher und funktioniert ohne Internetzugang, erfordert aber leistungsfähige Hardware und eine Installation.

Die Web Speech API ist der bessere Einstieg für Gelegenheitsnutzer. Für regelmäßiges Profidiktieren, besonders in sensiblen Bereichen, lohnt sich die Investition in eine lokale Lösung.

Praktische Empfehlungen

Wer die Web Speech API im Alltag nutzt, sollte folgendes beachten:

Chrome oder Safari verwenden. Dort steht die Spracherkennung der Web Speech API zur Verfügung.

Ruhige Umgebung wählen. Hintergrundgeräusche verschlechtern die Erkennungsgenauigkeit merklich, weil die API keine dedizierte Geräuschunterdrückung enthält.

Mikrofon kalibrieren. Ein hochwertiges USB-Headset liefert deutlich bessere Ergebnisse als das eingebaute Laptop-Mikrofon.

Pausen bewusst setzen. Da die API nach Stille abbricht, sollte man beim Diktieren flüssig sprechen und kurze Pausen gezielt einsetzen.

Das Werkzeug auf dieser Seite nutzt die Web Speech API und ergänzt sie um Kopieren, TXT-Download und einen Neustart nach Pausen. Es speichert nichts, und der Text lässt sich vor dem Export im Feld bearbeiten. Für einfache Diktieraufgaben auf Deutsch ist das eine schnelle Lösung ohne Installation.

Zum Ausprobieren gibt es das Diktier-Werkzeug auf der Startseite. Weiterlesen: Diktieren für Studierende: Notizen und Hausarbeiten per Stimme.