Microsoft Dragon Copilot im Test
Ergebnisse aus 2 Testreihen auf deutschsprachigen Korpora. Alle Anbieter einer Aufgabe bearbeiten dieselben Fälle nach demselben Protokoll.
Ergebnisse im Überblick
Im 2. Quartal 2026 erreicht Dragon Copilot im ScribeIndex-Test „Ärztliche Gesprächsdokumentation“ 83,0 von 100 Punkten (Platz 4 von 11, 48 Gespräche, je 3 Durchläufe) und im Test „Medizinische Spracherkennung“ 84,1 Punkte (Platz 6 von 9, 62 Diktate, je 3 Durchläufe).
| Aufgabe | ScribeIndex-Score | Platz | Hauptkennzahl | Nacharbeit | Getestet |
|---|---|---|---|---|---|
| Ärztliche Gesprächsdokumentation | Mittelfeld: 83,0 | 4 von 11 | Fakten-F1: 94,2 % | 2,01 min je Gespräch | 2. Quartal 2026 |
| Medizinische Spracherkennung | Mittelfeld: 84,1 | 6 von 9 | Fakten-F1: 94,6 % | 3,53 min je Diktat | 2. Quartal 2026 |
Dragon Copilot: Ärztliche Gesprächsdokumentation
In der Testreihe „Ärztliche Gesprächsdokumentation“ liegt Dragon Copilot mit 83,0 Punkten auf Platz 4 von 11, 6,1 Punkte hinter Doctolib Assistent (89,1) und 1,1 Punkte vor Heidi (81,9). Hinter Doctolib Assistent bleibt Dragon Copilot vor allem beim Fakten-F1 (94,2 % gegenüber 95,7 %) und bei den schwerwiegenden Fehlern (in 4 von 143 Dokumenten gegenüber keinem von 144) zurück. Vor Heidi liegt Dragon Copilot vor allem beim Fakten-F1 (94,2 % gegenüber 93,1 %). Heidi liegt dafür bei den schwerwiegenden Fehlern (in 2 von 142 Dokumenten gegenüber 4 von 143) vorn. Das 95-%-Konfidenzintervall des Fakten-F1 reicht von 93,5 bis 94,9 %. Die Präzision liegt bei 96,2 %, der Recall bei 92,3 %. Zum einmaligen Durchlesen kommen nach Schätzung von ScribeIndex im Schnitt 2,01 Minuten Nacharbeit je Gespräch hinzu, bei einer durchschnittlichen Aufnahmedauer von 12,1 Minuten.
Einordnung: Mittelfeld · ScribeIndex-Score 83,0 / 100 · 95-%-Intervall 76,7–85,8 · Platz 4 von 11
6,1 Punkte hinter dem besten Dienst und 1,6 Punkte über dem Median des Feldes.
Fakten-F1 (Platz 3 von 11): 94,2 % · 95-%-Intervall 93,5–94,9 %
Schwächster Wert: 87,7 % · Median (11 Anbieter): 93,1 % · Bester Wert: 95,7 %
Harmonisches Mittel aus Faktenpräzision und Fakten-Recall gegenüber der annotierten Referenz.
Nacharbeit je Gespräch (Geteilter Platz 2 von 11): 2,01 min · 95-%-Intervall 1,74–2,33 min
Schwächster Wert: 4,34 min · Median (11 Anbieter): 2,34 min · Bester Wert: 1,79 min
Geschätzte Nacharbeit bis zur Zielfassung je Gespräch, bei durchschnittlich 12,1 Minuten Aufnahme. Nicht enthalten ist das einmalige Durchlesen, das auch ein von Hand getipptes Dokument braucht. Auf eine Stunde Aufnahme gerechnet sind das 10,0 Minuten.
Verarbeitungszeit (Median) (Platz 4 von 8): 37,3 s · Niedriger ist besser
Schwächster Wert: 58,6 s · Median (8 Anbieter): 39,0 s · Bester Wert: 24,9 s
Gemessen von „Beenden der Aufnahme“ bis „Vollständiges Dokument verfügbar“. Platz und Vergleichswerte nur unter Diensten derselben Messstrecke.
Dokumente mit schwerwiegendem Fehler (Geteilter Platz 7 von 11, schwächster Wert): 2,8 % · 95-%-Intervall 0,8–9,6 % (Wilson mit Designeffekt) · 4 von 143 abgeschlossenen Ausgaben mit schwerwiegendem Fehler
Schwächster Wert: 2,8 % · Median (11 Anbieter): 2,1 % · Bester Wert: 0,0 %
Ausgaben mit mindestens einem potenziell schwerwiegenden medizinischen Fehler pro abgeschlossener Ausgabe. Bewertet wird jeder Fall nach einer festgelegten Fehlerrubrik. Fehler bei Medikation oder Verneinung zählen hier nur, wenn die Rubrik die betroffene Angabe als potenziell schwerwiegend einstuft. Die Zähler je Fehlerart enthalten auch folgenlose Abweichungen.
So setzt sich der ScribeIndex-Score zusammen
| Teilwert | Punkte | Gewicht | Beitrag |
|---|---|---|---|
| Inhaltsqualität | 80,7 | 60 % | 48,4 |
| Schwerwiegende Fehler | 86,0 | 20 % | 17,2 |
| Korrekturaufwand | 83,1 | 15 % | 12,4 |
| Abschlussquote | 99,3 | 5 % | 5,0 |
| ScribeIndex-Score | 100 % | 83,0 |
Ein Fakten-F1 von 94,21 % liegt 5,79 Prozentpunkte unter einem fehlerfreien Ergebnis. Bei 30 Prozentpunkten Abstand fällt die Inhaltsqualität auf null, hier liegt sie deshalb bei 80,7 von 100 Punkten.
Die Beiträge entstehen aus ungerundeten Teilwerten. Deshalb kann die Summe der angezeigten Werte um 0,1 vom Score abweichen. Bewertungsmodell 2.2. Formel und Skalierung
Testbedingungen
- Korpus: Ärztliche Behandlungsgespräche
- Fälle: 48 Szenarien × 3 Durchläufe
- Abgeschlossen: 143 von 144 Läufen
- Testweg: Live-Gespräch
- Bewertete Ausgabe: Ärztliche Gesprächsdokumentation
- Getestete Version: Dragon Copilot, Ambient-Notizen, Stand 2. Quartal 2026
- Protokoll und Zeitraum: Version 1.0, getestet im 2. Quartal 2026
Alle Kennzahlen
Microsoft Dragon Copilot erreicht im Test „Ärztliche Gesprächsdokumentation“ 83,0 von 100 Punkten. Fakten-F1 94,2 % (95-%-Konfidenzintervall 93,5–94,9 %). Getestet wurden 48 Szenarien mit je 3 Durchläufen, 143 von 144 Läufen wurden abgeschlossen. Korpus de-klinik-v1, Protokoll 1.0, getestet im 2. Quartal 2026.
| Kennzahl | Wert | Zählung und Bedeutung | 95-%-Intervall |
|---|---|---|---|
| ScribeIndex-Score | 83,0 / 100 | Gewichteter Gesamtwert aus Inhaltsqualität, schwerwiegenden Fehlern, Nacharbeit und Abschlussquote, Bewertungsmodell 2.2. | 76,7–85,8 |
| Fakten-F1 | 94,2 % | Erläuterung weiter oben. | 93,5–94,9 |
| Nacharbeit je Gespräch | 2,01 min | Erläuterung weiter oben. | 1,74–2,33 |
| Verarbeitungszeit (Median) | 37,3 s | Erläuterung weiter oben. | – |
| Dokumente mit schwerwiegendem Fehler | 2,8 % | 4 von 143 abgeschlossenen Ausgaben mit schwerwiegendem Fehler. | 0,8–9,6 (Wilson mit Designeffekt) |
| Falsche oder unbelegte Aussagen | 1,4 % | 56 falsche oder unbelegte Aussagen von 3.947 ausgegebenen Aussagen. Ausgegebene Aussagen, die der Referenz widersprechen oder sich weder auf das Gespräch noch auf bereitgestellten Kontext stützen, pro ausgegebener deduplizierter Aussage. Zutreffende, aber nicht dokumentationsrelevante Aussagen zählen getrennt und nicht hier. | 0,9–2,2 (Wilson mit Designeffekt) |
| Fehler bei Fachbegriffen | 2,5 % | 86 fehlerhafte Fachkonzepte von 3.490 Referenzkonzepten. Fachlich falsch wiedergegebene oder ausgelassene medizinische Konzepte pro annotiertem Fachkonzept der Referenz. Synonyme gelten bei gleicher Bedeutung als korrekt. | 1,8–3,4 (Wilson mit Designeffekt) |
| Fehler bei Medikamenten und Dosierungen | 2,4 % | 15 fehlerhafte Medikationsangaben von 619 Referenzangaben zur Medikation. Falsch wiedergegebene oder ausgelassene Angaben zu Wirkstoff, Dosis, Einheit und Einnahme pro annotierter Medikationsangabe. Jede Angabe zählt höchstens einmal. | 1,2–4,9 (Wilson mit Designeffekt) |
| Fehler bei Verneinungen | 2,3 % | 19 fehlerhafte Verneinungen von 817 Referenzaussagen zu Negation oder Bestätigung. Verlorene, hinzugefügte oder umgekehrte Negationen pro Referenzaussage mit verneintem oder ausdrücklich bestätigtem Befund. Eine Aussage zählt höchstens einmal. | 1,2–4,5 (Wilson mit Designeffekt) |
| Fehler bei zeitlichen Angaben | 3,4 % | 32 fehlerhafte zeitliche Angaben von 936 zeitlichen Referenzangaben. Falsch zugeordnete oder ausgelassene Zeitpunkte, Dauern und zeitliche Beziehungen pro annotierter zeitlicher Referenzangabe. | 2,0–5,8 (Wilson mit Designeffekt) |
| Fehler bei der Zuordnung | 3,3 % | 72 fehlerhafte Zuordnungen von 2.156 Referenzfakten mit Quellenzuordnung. Falsche oder ausgelassene Zuordnung von Aussagen zu Patient, behandelnder Person oder Drittperson pro Referenzfakt mit erforderlicher Quellenzuordnung. | 2,3–4,8 (Wilson mit Designeffekt) |
| Faktenpräzision | 96,2 % | 3.797 korrekte relevante Fakten von 3.947 ausgegebenen Fakten. Korrekte relevante Fakten im Verhältnis zu allen deduplizierten ausgegebenen Fakten. | 95,3–97,1 |
| Fakten-Recall | 92,3 % | 3.797 korrekt erhaltene Fakten von 4.114 dokumentationsrelevanten Referenzfakten. Korrekt erhaltene Fakten im Verhältnis zu allen dokumentationsrelevanten Referenzfakten. | 91,2–93,3 |
| Verarbeitungszeit (95. Perzentil) | 70,4 s | 95 % der erfolgreichen Läufe waren nach dieser Zeit fertig. | – |
| Abschlussquote | 99,3 % | 143 von 144 gestarteten Läufen abgeschlossen. Anteil der Läufe mit verwertbarem Ergebnis. | – |
Verarbeitungszeit
- Median (p50): 37,3 s
- 95. Perzentil (p95): 70,4 s
- Testweg: Live-Gespräch
- Messstrecke: Von „Beenden der Aufnahme“ bis „Vollständiges Dokument verfügbar“
Über alle abgeschlossenen Läufe, Audio in Echtzeit zugespielt. p95 zeigt die Dauer, die 95 % der Läufe nicht überschreiten. Median und p95 beschreiben die Verteilung der Messwerte und sind kein Konfidenzintervall.
Geschätzte Nacharbeit
- Je Gespräch: 2,01 min (Ø 12,1 min Aufnahme)
- Je Stunde Aufnahme: 9,98 min
- 95-%-Intervall je Stunde: 8,62–11,53 min
- Geschätzte Nacharbeit gesamt: 288,14 min
- Audiodauer aller Ausgaben: 28 h 52 min (28,868 h)
- Ausgaben: 143, alle abgeschlossenen Läufe
Geschätzt aus den gezählten Fehlern aller abgeschlossenen Ausgaben, mit festen Zeiten je Korrekturschritt, die für alle Dienste gleich sind. Die Rate je Stunde ist die Nacharbeit gesamt ÷ Audiostunden und lässt sich aus den angezeigten Minuten und den Stunden in Klammern genau nachrechnen.
Fehler nach Typ
| Fehlertyp | Anzahl | Anteil am häufigsten Fehlertyp | Bedeutung |
|---|---|---|---|
| Nicht erfasste Referenzfakten | 317 (7,7 % der Referenzfakten) | 100 % | Eine erforderliche Angabe aus der Aufnahme fehlt oder ist verfälscht (FN), etwa eine nicht dokumentierte Allergie. Korrekte Umformulierungen zählen als Treffer. |
| Falsche oder unbelegte Aussagen | 56 (1,4 % der ausgegebenen Aussagen) | 18 % | Die Ausgabe enthält eine Angabe, die der Referenz widerspricht oder sich nicht auf die Aufnahme stützt (FP, inhaltlicher Fehler), etwa eine nie genannte Dosis. Eine verfälschte Referenzangabe zählt zugleich hier und als nicht erfasster Referenzfakt. |
| Zutreffende, aber nicht relevante Aussagen | 94 (2,4 % der ausgegebenen Aussagen) | 30 % | Die Angabe stimmt, gehört laut Rubrik aber nicht in das Dokument (FP, nicht relevant), etwa Smalltalk oder wiederholte Begrüßungen. Sie senkt die Präzision, ist aber kein inhaltlicher Fehler. |
Über alle abgeschlossenen Läufe ergab der Faktenabgleich 3.797 korrekt erhaltene Fakten (TP), 150 falsch positive Aussagen (FP), davon 56 falsch oder unbelegt und 94 zutreffend, aber nicht relevant, 317 nicht erfasste Referenzfakten (FN). Fakten-F1 = 2TP ÷ (2TP + FP + FN). Beide FP-Arten senken die Präzision, nur falsche oder unbelegte Aussagen gelten als inhaltlicher Fehler.
Die gelieferte Ausgabe ist eine verdichtete Dokumentation, keine wortnahe Abschrift. Deshalb gibt es keine WER.
Abgeschlossene Läufe: 143 von 144 (99,3 %)
| Szenario | Lauf | Grund |
|---|---|---|
klinik-046 | 2 | Kein Dokument innerhalb des protokollierten Zeitlimits |
Abgebrochene Läufe zählen in keinem Nenner der Qualitätskennzahlen. Sie stehen nur im Nenner der Abschlussquote und senken so den ScribeIndex-Score. Abgebrochene Läufe wiederholt ScribeIndex nicht. Die Zeitlimits stehen in der Methodik unter Laufzeit, Ausfälle und Nacharbeit.
Konfiguration im Test
- Produktversion: Dragon Copilot, Ambient-Notizen, Stand 2. Quartal 2026
- Modellversion: Vom Anbieter nicht ausgewiesen
- Sprache: Deutsch (de-DE)
- Vorlage: ScribeIndex-Vorlage „Sprechstundennotiz“, Version 1.0
- Arbeitsauftrag: Sprechstundendokumentation, Version 1.0
- Eigener Wortschatz: Nicht hinterlegt
- Audioeingang: Aufnahme in der Anwendung über einen virtuellen Mikrofoneingang
- Ausgabesprache: Deutsch (de-DE)
- Fachrichtung: Allgemeinmedizin
- Auswertung: Version 1.0
- Textnormalisierung: Keine, da kein Wortvergleich
- Bewertungsrubrik: clinical-facts-v1, Version 1.0
Korpus, Ausschlüsse und Prüfsummen
Im Rollenspiel geführte Behandlungsgespräche mit zwei bis vier Personen, darunter Erstanamnese, Verlauf, Medikationsbesprechung, Befundbesprechung und kurzes psychiatrisches Erstgespräch. Die Gespräche liegen als unterschiedliche Raum- und Smartphoneaufnahmen vor.
- Korpus: Ärztliche Behandlungsgespräche (
de-klinik-v1, Version 1.0) - Szenarien: 50 aufgenommen, 48 ausgewertet, je 3 Läufe
- Audio gesamt: 9 h 41 min, je Fall 6 min bis 40 min (Median 9 min)
- Sprecher je Fall: 2 bis 4
- Gesprächsform: Erstanamnese (11), Verlaufsgespräch (12), Medikationsbesprechung (8), Befundbesprechung (10), Kurzes psychiatrisches Erstgespräch (7)
- Fachrichtung: Allgemeinmedizin (14), Innere Medizin (10), Pädiatrie (6), Orthopädie (6), Neurologie (5), Psychiatrie (7)
- Aufnahme: Raummikrofon, ruhig (20), Smartphone auf dem Tisch (17), Hintergrundgeräusche (11)
- Sprecherzahl: Zwei Personen (29), Drei Personen (13), Vier Personen (6)
- Audioformate: AAC-LC (M4A), 48 kHz, mono · PCM 24 Bit (WAV), 48 kHz, 2 Kanäle
- Aufbereitung:
- Einspielung der Gesprächsaufnahme in Echtzeit über einen virtuellen Mikrofoneingang mit −20 dBFS RMS
- Referenz: Version 1.0: 71.893 Wörter, 469.914 Zeichen, 1.379 Referenzfakten
- Annotierte Einheiten: Annotierte medizinische Fachkonzepte 1.169 · Medikationsangaben (Wirkstoff, Dosis, Einheit, Einnahme) 207 · Verneinte oder ausdrücklich bestätigte Befunde 274 · Zeitliche Referenzangaben 313 · Fakten mit erforderlicher Quellenzuordnung 722
- Referenzprüfung: Atomare Fakten und Relevanzmenge werden mit der Gesprächsvorlage festgelegt und nach der Aufnahme am Gesprochenen bestätigt. Unklare Stellen prüft eine Fachperson, danach wird die Referenz eingefroren. Rubrik clinical-facts-v1, Version 1.0.
- Zeitraum der Testreihe: 2. und 3. Quartal 2026 für alle Dienste, Korpus vor dem ersten Lauf eingefroren
- Ausgeschlossen:
klinik-016: Einwilligung zur Nutzung der Aufnahme vor Testbeginn widerrufen.klinik-033: Relevanzmenge auch nach fachlicher Durchsicht nicht eindeutig festlegbar.
- SHA-256 Manifest:
07e4ff2bb9cb21c1b350d732b5e593f4f1830354a230c75954136f03552f7ba5 - SHA-256 Referenz:
9ddba13742d943cd28b478c231a53d71ed064e1ba7681896e21faedfe2bb2207
Unsicherheit und Berechnung
- Verfahren: Gepaarter Cluster-Bootstrap, Konfidenzniveau 95 %, Perzentilintervall. Anteile aus Zählern erhalten ein Wilson-Intervall mit Designeffekt. Für das Score-Intervall wird der Anteil schwerwiegender Fehler je Dienst aus einer Beta-Verteilung gezogen.
- Cluster: 48 Cluster, Einheit Szenario. Alle Läufe eines Szenarios bleiben im selben Cluster.
- Wiederholungen: 2.000 Bootstrap-Stichproben, Seed 2234884632
- Aggregation: Zähler aller abgeschlossenen Läufe werden gepoolt. Kennzahlen entstehen aus Summen, nicht aus Mittelwerten je Fall.
- Gepaarte Stichprobe: Alle Anbieter dieses Korpus nutzen dieselben Bootstrap-Stichproben. SHA-256 der Ziehungsliste:
f630f8568c719864793b7aacf8e58f4627c6b7bdcdf5f3730abfda50ad6bfb37 - Fakten: Präzision = TP ÷ (TP + FP) = 96,2 %. Recall = TP ÷ (TP + FN) = 92,3 %. F1 = 2TP ÷ (2TP + FP + FN) = 94,2 % (95-%-Intervall 93,5–94,9 %).
- ScribeIndex-Score: 95-%-Intervall 76,7–85,8 Punkte, je Bootstrap-Stichprobe aus dem vollständigen Score neu berechnet. Wie das Score-Intervall entsteht
Rangliste Ärztliche Gesprächsdokumentation
Sortiert nach ScribeIndex-Score.
- Platz 1: Doctolib Assistent im Test 89,1
- Platz 2: Tippiti im Test 86,9
- Platz 3: GoSpeech Medical im Test 84,9
- Platz 4: Dragon Copilot 83,0
- Platz 5: Heidi im Test 81,9
- Platz 6: HealthJet im Test 81,4
- Platz 7: Idana Flow im Test 80,8
- Platz 8: SpeechLive Health im Test 80,0
- Platz 9: Tandem Health im Test 79,3
- Platz 10: Noa Notes im Test 75,2
- Platz 11: QUIXXS im Test 67,0
Dragon Copilot: Medizinische Spracherkennung
In der Testreihe „Medizinische Spracherkennung“ liegt Dragon Copilot mit 84,1 Punkten auf Platz 6 von 9, 12,7 Punkte hinter Tippiti (96,8) und 2,1 Punkte vor DictNow (82,0). Hinter Tippiti bleibt Dragon Copilot vor allem beim Fakten-F1 (94,6 % gegenüber 98,9 %) und bei der Nacharbeit (3,53 gegenüber 0,75 Minuten je Diktat) zurück. Vor DictNow liegt Dragon Copilot vor allem beim Fakten-F1 (94,6 % gegenüber 94,0 %) und bei den schwerwiegenden Fehlern (in 1 von 186 Dokumenten gegenüber 2 von 186). Das 95-%-Konfidenzintervall des Fakten-F1 reicht von 94,0 bis 95,2 %. Die Präzision liegt bei 94,1 %, der Recall bei 95,2 %. Die Wortfehlerrate liegt bei 6,64 % (95-%-Konfidenzintervall 6,11–7,20 %). Die Nacharbeit ist eine Schätzung von ScribeIndex und kommt zum einmaligen Durchlesen hinzu, bei einer durchschnittlichen Aufnahmedauer von 5,0 Minuten.
Einordnung: Mittelfeld · ScribeIndex-Score 84,1 / 100 · 95-%-Intervall 79,2–85,6 · Platz 6 von 9 · Wortnah (Der Text folgt dem gesprochenen Wortlaut. Die WER ist mit anderen wortnahen Diensten vergleichbar)
1,0 Punkte unter dem Median des Feldes und 4,2 Punkte vor dem schwächsten Dienst.
Fakten-F1 (Platz 6 von 9): 94,6 % · 95-%-Intervall 94,0–95,2 %
Schwächster Wert: 92,9 % · Median (9 Anbieter): 95,1 % · Bester Wert: 98,9 %
Wortfehlerrate (WER) (Platz 2 von 5): 6,64 % · 95-%-Intervall 6,11–7,20 % · 6.848 Wortfehler von 103.161 Referenzwörtern
Schwächster Wert: 8,80 % · Median (5 Anbieter): 6,73 % · Bester Wert: 6,44 %
Ersetzungen, Auslassungen und Einfügungen je Referenzwort nach Normalisierung.
Nacharbeit je Diktat (Geteilter Platz 5 von 9): 3,53 min · 95-%-Intervall 3,24–3,83 min
Schwächster Wert: 4,58 min · Median (9 Anbieter): 3,53 min · Bester Wert: 0,75 min
Geschätzte Nacharbeit bis zur Zielfassung je Diktat, bei durchschnittlich 5,0 Minuten Aufnahme. Auf eine Stunde Aufnahme gerechnet sind das 42,0 Minuten.
Verarbeitungszeit (Median) (Platz 4 von 7): 1,5 s · Niedriger ist besser
Schwächster Wert: 21,4 s · Median (7 Anbieter): 1,5 s · Bester Wert: 0,7 s
Gemessen von „Ende des letzten zugespielten Wortes“ bis „Stabile nutzbare Textausgabe“.
Dokumente mit schwerwiegendem Fehler (Geteilter Platz 5 von 9): 0,5 % · 95-%-Intervall 0,1–4,9 % (Wilson mit Designeffekt) · 1 von 186 abgeschlossenen Ausgaben mit schwerwiegendem Fehler
Schwächster Wert: 1,1 % · Median (9 Anbieter): 0,5 % · Bester Wert: 0,0 %
So setzt sich der ScribeIndex-Score zusammen
| Teilwert | Punkte | Gewicht | Beitrag |
|---|---|---|---|
| Inhaltsqualität | 82,1 | 60 % | 49,3 |
| Schwerwiegende Fehler | 96,4 | 20 % | 19,3 |
| Korrekturaufwand | 70,2 | 15 % | 10,5 |
| Abschlussquote | 100,0 | 5 % | 5,0 |
| ScribeIndex-Score | 100 % | 84,1 |
Ein Fakten-F1 von 94,64 % liegt 5,36 Prozentpunkte unter einem fehlerfreien Ergebnis. Bei 30 Prozentpunkten Abstand fällt die Inhaltsqualität auf null, hier liegt sie deshalb bei 82,1 von 100 Punkten.
Die Beiträge entstehen aus ungerundeten Teilwerten. Deshalb kann die Summe der angezeigten Werte um 0,1 vom Score abweichen. Bewertungsmodell 2.2. Formel und Skalierung
Testbedingungen
- Korpus: Medizinische Diktate
- Fälle: 62 Szenarien × 3 Durchläufe
- Abgeschlossen: 186 von 186 Läufen
- Testweg: Live-Diktat
- Bewertete Ausgabe: Wortnahes Transkript
- Getestete Version: Dragon Copilot Windows-Client, medizinisches Diktat, Stand 2. Quartal 2026
- Protokoll und Zeitraum: Version 1.0, getestet im 2. Quartal 2026
Alle Kennzahlen
Microsoft Dragon Copilot erreicht im Test „Medizinische Spracherkennung“ 84,1 von 100 Punkten. Fakten-F1 94,6 % (95-%-Konfidenzintervall 94,0–95,2 %). Getestet wurden 62 Szenarien mit je 3 Durchläufen, 186 von 186 Läufen wurden abgeschlossen. Korpus de-diktat-v1, Protokoll 1.0, getestet im 2. Quartal 2026.
| Kennzahl | Wert | Zählung und Bedeutung | 95-%-Intervall |
|---|---|---|---|
| ScribeIndex-Score | 84,1 / 100 | Gewichteter Gesamtwert aus Inhaltsqualität, schwerwiegenden Fehlern, Nacharbeit und Abschlussquote, Bewertungsmodell 2.2. | 79,2–85,6 |
| Fakten-F1 | 94,6 % | Erläuterung weiter oben. | 94,0–95,2 |
| Wortfehlerrate (WER) | 6,64 % | 6.848 Wortfehler von 103.161 Referenzwörtern. | 6,11–7,20 |
| Nacharbeit je Diktat | 3,53 min | Erläuterung weiter oben. | 3,24–3,83 |
| Verarbeitungszeit (Median) | 1,5 s | Erläuterung weiter oben. | – |
| Erkennungsfehler | 6,64 % | 6.848 Wortfehler von 103.161 Referenzwörtern. Falsch erkannte, ausgelassene oder eingefügte Wörter pro Referenzwort, ohne zulässige Umformulierungen. Bei wortnaher Ausgabe entspricht der Wert der WER, dort zählt jede Abweichung vom Wortlaut. Bei KI-überarbeiteter Ausgabe zählen nur falsch erkannte oder inhaltlich veränderte Wörter. Für wortnahe Dienste ist die Zählung damit strenger. Gezählt wird, was im gelieferten Text falsch ist, fehlt oder hinzukommt, bezogen auf die Wörter der Referenz. | 6,11–7,20 |
| Zeichenfehlerrate · CER | 2,8 % | 20.885 Zeichenabweichungen von 743.736 Referenzzeichen. Zeichenabweichungen pro Referenzzeichen nach NFC-Normalisierung, einheitlicher Groß- und Kleinschreibung, entfernten Satzzeichen und zu einem Leerzeichen zusammengefasstem Leerraum. Leerzeichen zählen als Zeichen. | 2,6–3,0 |
| Dokumente mit schwerwiegendem Fehler | 0,5 % | 1 von 186 abgeschlossenen Ausgaben mit schwerwiegendem Fehler. | 0,1–4,9 (Wilson mit Designeffekt) |
| Falsche oder unbelegte Aussagen | 5,4 % | 369 falsche oder unbelegte Aussagen von 6.782 ausgegebenen Aussagen. | 4,6–6,4 (Wilson mit Designeffekt) |
| Fehler bei Fachbegriffen | 1,6 % | 182 fehlerhafte Fachkonzepte von 11.205 Referenzkonzepten. | 1,3–2,1 (Wilson mit Designeffekt) |
| Fehler bei Medikamenten und Dosierungen | 1,6 % | 12 fehlerhafte Medikationsangaben von 762 Referenzangaben zur Medikation. | 0,7–3,7 (Wilson mit Designeffekt) |
| Fehler bei Verneinungen | 2,4 % | 27 fehlerhafte Verneinungen von 1.107 Referenzaussagen zu Negation oder Bestätigung. | 1,3–4,4 (Wilson mit Designeffekt) |
| Fehler bei zeitlichen Angaben | 2,9 % | 42 fehlerhafte zeitliche Angaben von 1.455 zeitlichen Referenzangaben. | 1,8–4,7 (Wilson mit Designeffekt) |
| Fehler bei der Zuordnung | 2,0 % | 49 fehlerhafte Zuordnungen von 2.415 Referenzfakten mit Quellenzuordnung. | 1,3–3,1 (Wilson mit Designeffekt) |
| Umgesetzte Diktatbefehle | 92,9 % | 1.232 umgesetzte Diktatbefehle von 1.326 Diktatbefehlen. Richtig ausgeführte festgelegte Satzzeichen-, Absatz- und Korrekturbefehle pro ausgesprochenem Referenzbefehl. Der Befehl soll wirken und nicht als Befehlswort im Text stehen. | 89,8–95,1 (Wilson mit Designeffekt) |
| Umgesetzte Selbstkorrekturen | 2,4 % | 6 umgesetzte Selbstkorrekturen von 252 Selbstkorrekturen. Spontane Selbstkorrekturen, nach denen das Dokument nur die endgültige Angabe enthält, pro annotierter Selbstkorrektur der Referenz. Steht die verworfene Angabe noch im Text oder ersetzt sie die endgültige, ist die Selbstkorrektur nicht umgesetzt. Ob eine Regel oder ein Sprachmodell sie umsetzt, spielt keine Rolle. | 0,8–7,2 (Wilson mit Designeffekt) |
| Umgesetzte Bearbeitungsanweisungen | 0,0 % | 0 umgesetzte Bearbeitungsanweisungen von 90 Bearbeitungsanweisungen. Frei formulierte Anweisungen an das Dokument, deren Wirkung das gelieferte Dokument zeigt, pro annotierter Anweisung der Referenz. Eine solche Anweisung ändert eine früher genannte Angabe, ergänzt Inhalt an einer früheren Stelle oder verschiebt einen Abschnitt. Steht sie wörtlich im Text oder bleibt sie ohne Wirkung, ist sie nicht umgesetzt. Ob eine Regel oder ein Sprachmodell sie umsetzt, spielt keine Rolle. | 0,0–10,2 (Wilson mit Designeffekt) |
| Faktenpräzision | 94,1 % | 6.382 korrekte relevante Fakten von 6.782 ausgegebenen Fakten. | 93,2–94,9 |
| Fakten-Recall | 95,2 % | 6.382 korrekt erhaltene Fakten von 6.705 dokumentationsrelevanten Referenzfakten. | 94,4–95,9 |
| Verarbeitungszeit (95. Perzentil) | 3,3 s | Erläuterung weiter oben. | – |
| Abschlussquote | 100,0 % | 186 von 186 gestarteten Läufen abgeschlossen. | – |
Verarbeitungszeit
- Median (p50): 1,5 s
- 95. Perzentil (p95): 3,3 s
- Testweg: Live-Diktat
- Messstrecke: Von „Ende des letzten zugespielten Wortes“ bis „Stabile nutzbare Textausgabe“
Über alle abgeschlossenen Läufe, Audio in Echtzeit zugespielt. p95 zeigt die Dauer, die 95 % der Läufe nicht überschreiten. Median und p95 beschreiben die Verteilung der Messwerte und sind kein Konfidenzintervall.
Geschätzte Nacharbeit
- Je Diktat: 3,53 min (Ø 5,0 min Aufnahme)
- Je Stunde Aufnahme: 42,01 min
- 95-%-Intervall je Stunde: 38,57–45,65 min
- Geschätzte Nacharbeit gesamt: 655,93 min
- Audiodauer aller Ausgaben: 15 h 37 min (15,615 h)
- Ausgaben: 186, alle abgeschlossenen Läufe
Geschätzt aus den gezählten Fehlern aller abgeschlossenen Ausgaben, mit festen Zeiten je Korrekturschritt, die für alle Dienste gleich sind. Die Rate je Stunde ist die Nacharbeit gesamt ÷ Audiostunden und lässt sich aus den angezeigten Minuten und den Stunden in Klammern genau nachrechnen.
Wortvergleich
WER: Vergleichbar- Wortfehlerrate (WER): 6,64 % · 95-%-Intervall 6,11–7,20 %
- Ersetzungen (S): 3.498
- Auslassungen (D): 1.714
- Einfügungen (I): 1.636
- Referenzwörter (N): 103.161
- Zeichenfehlerrate (CER): 2,8 %
WER wird aus der gelieferten wortnahen Transkriptausgabe gegen die normalisierte Referenz berechnet. WER = (S + D + I) ÷ N × 100, gezählt über alle abgeschlossenen Läufe.
Fehler nach Typ
| Fehlertyp | Anzahl | Anteil am häufigsten Fehlertyp | Bedeutung |
|---|---|---|---|
| Nicht erfasste Referenzfakten | 323 (4,8 % der Referenzfakten) | 9 % | Eine erforderliche Angabe aus der Aufnahme fehlt oder ist verfälscht (FN), etwa eine nicht dokumentierte Allergie. Korrekte Umformulierungen zählen als Treffer. |
| Falsche oder unbelegte Aussagen | 369 (5,4 % der ausgegebenen Aussagen) | 11 % | Die Ausgabe enthält eine Angabe, die der Referenz widerspricht oder sich nicht auf die Aufnahme stützt (FP, inhaltlicher Fehler), etwa eine nie genannte Dosis. Eine verfälschte Referenzangabe zählt zugleich hier und als nicht erfasster Referenzfakt. |
| Zutreffende, aber nicht relevante Aussagen | 31 (0,5 % der ausgegebenen Aussagen) | 1 % | Die Angabe stimmt, gehört laut Rubrik aber nicht in das Dokument (FP, nicht relevant), etwa Smalltalk oder wiederholte Begrüßungen. Sie senkt die Präzision, ist aber kein inhaltlicher Fehler. |
| Ersetzungen | 3.498 (3,4 % der Referenzwörter) | 100 % | Ein Referenzwort wird durch ein anderes Wort ersetzt (S), etwa „heute“ statt „morgen“. |
| Auslassungen | 1.714 (1,7 % der Referenzwörter) | 49 % | Ein Referenzwort fehlt in der Ausgabe (D), etwa „seit“ statt „seit gestern“. Gezählt werden Wörter, nicht fehlende Inhalte. |
| Einfügungen | 1.636 (1,6 % der Referenzwörter) | 47 % | Die Ausgabe enthält ein Wort, das in der Referenz nicht vorkommt (I). |
Über alle abgeschlossenen Läufe ergab der Faktenabgleich 6.382 korrekt erhaltene Fakten (TP), 400 falsch positive Aussagen (FP), davon 369 falsch oder unbelegt und 31 zutreffend, aber nicht relevant, 323 nicht erfasste Referenzfakten (FN). Fakten-F1 = 2TP ÷ (2TP + FP + FN). Beide FP-Arten senken die Präzision, nur falsche oder unbelegte Aussagen gelten als inhaltlicher Fehler.
Abgeschlossene Läufe: 186 von 186 (100,0 %)
Alle 186 Läufe lieferten ein auswertbares Ergebnis.
Konfiguration im Test
- Produktversion: Dragon Copilot Windows-Client, medizinisches Diktat, Stand 2. Quartal 2026
- Modellversion: Vom Anbieter nicht ausgewiesen
- Sprache: Deutsch (de-DE)
- Vorlage: Keine Dokumentvorlage, nur der Arbeitsauftrag
- Arbeitsauftrag: Wortnahes Diktat, Version 1.0
- Eigener Wortschatz: Nicht hinterlegt
- Audioeingang: Virtueller Mikrofoneingang
- Ausgabesprache: Deutsch (de-DE)
- Sprecherprofil: Neues Profil ohne individuelles Training
- Fachvokabular: Medizinischer Standardwortschatz
- Diktatbefehle: Ja
- Verarbeitung: Deutscher Dragon-Copilot-Mandant
- Auswertung: Version 1.0
- Textnormalisierung: de-med-wer, Version 1.0
- Bewertungsrubrik: clinical-facts-v1, Version 1.0
Korpus, Ausschlüsse und Prüfsummen
Nachgesprochene ärztliche Diktate aus sieben Fachrichtungen zu fiktiven Patientinnen und Patienten, mit Befunden, Medikation und Verneinungen. Dazu kommen gesprochene Anweisungen, also Diktatbefehle, spontane Selbstkorrekturen und gelegentliche Bearbeitungsanweisungen zu früheren Stellen des Diktats. Die Aufnahmen entstehen mit Headset oder Tischmikrofon, teils mit Hintergrundgeräuschen oder als komprimierte Diktiergerätedateien.
- Korpus: Medizinische Diktate (
de-diktat-v1, Version 1.0) - Szenarien: 64 aufgenommen, 62 ausgewertet, je 3 Läufe
- Audio gesamt: 5 h 12 min, je Fall 1 min bis 15 min (Median 5 min)
- Sprecher je Fall: 1
- Fachrichtung: Innere Medizin (13), Allgemeinmedizin (11), Orthopädie und Unfallchirurgie (10), Radiologie (9), Kardiologie (8), Neurologie (7), Gynäkologie (4)
- Aussprache: Standarddeutsch (27), Regional (Deutschland) (13), Österreichisch (9), Schweizerisch gefärbt (6), Nicht muttersprachlich (7)
- Aufnahmebedingung: Ruhiger Raum, Headset (22), Ruhiger Raum, Tischmikrofon (14), Hintergrundgeräusche (15), Komprimierte Aufnahme (11)
- Audioformate: PCM 24 Bit (WAV), 48 kHz, mono · MP3 128 kbit/s, 44,1 kHz, mono · AAC-LC (M4A), 44,1 kHz, mono
- Aufbereitung:
- Kontrollierte Wiedergabe der Referenzaufnahmen über einen virtuellen Mikrofoneingang mit −20 dBFS RMS in Echtzeit
- Dekodierung komprimierter Quelldateien zu PCM 48 kHz mono vor der Wiedergabe
- Referenz: Version 1.0: 34.387 Wörter, 247.912 Zeichen, 2.235 Referenzfakten
- Annotierte Einheiten: Annotierte medizinische Fachkonzepte 3.735 · Medikationsangaben (Wirkstoff, Dosis, Einheit, Einnahme) 254 · Verneinte oder ausdrücklich bestätigte Befunde 369 · Zeitliche Referenzangaben 485 · Fakten mit erforderlicher Quellenzuordnung 805 · Diktatbefehle 442 · Selbstkorrekturen mit geänderter Angabe 84 · Bearbeitungsanweisungen 30
- Referenzprüfung: Diktattext und Fakten entstehen als Sprechvorlage vor der Aufnahme. Nach der Aufnahme wird das Gesprochene automatisch mit der Vorlage abgeglichen, abweichende Stellen werden an der Aufnahme geprüft und die Referenz vor dem ersten Anbieterlauf eingefroren. Rubrik clinical-facts-v1, Version 1.0.
- Zeitraum der Testreihe: 2. und 3. Quartal 2026 für alle Dienste, Korpus vor dem ersten Lauf eingefroren
- Ausgeschlossen:
diktat-023: Die sprechende Person nannte versehentlich einen echten Namen. Die Aufnahme wurde vor der Referenzfreigabe zurückgezogen.diktat-057: Endgültige Angabe einer Selbstkorrektur auch nach Prüfung der Aufnahme nicht eindeutig hörbar.
- SHA-256 Manifest:
6768f28bb70c0457e31c2eaafd4f3c498c05b4aec26501537825bbaa22733060 - SHA-256 Referenz:
18772162e86230bce7cfb8a2f52f90244df2b1cdf52bdb6a646494dd3596dbb9
Unsicherheit und Berechnung
- Verfahren: Gepaarter Cluster-Bootstrap, Konfidenzniveau 95 %, Perzentilintervall. Anteile aus Zählern erhalten ein Wilson-Intervall mit Designeffekt. Für das Score-Intervall wird der Anteil schwerwiegender Fehler je Dienst aus einer Beta-Verteilung gezogen.
- Cluster: 62 Cluster, Einheit Szenario. Alle Läufe eines Szenarios bleiben im selben Cluster.
- Wiederholungen: 2.000 Bootstrap-Stichproben, Seed 4214870755
- Aggregation: Zähler aller abgeschlossenen Läufe werden gepoolt. Kennzahlen entstehen aus Summen, nicht aus Mittelwerten je Fall.
- Gepaarte Stichprobe: Alle Anbieter dieses Korpus nutzen dieselben Bootstrap-Stichproben. SHA-256 der Ziehungsliste:
1feb69fb1f1a9ee5134ab583a5bf6a80625f840f53d2d833da91149ac9f1550a - Fakten: Präzision = TP ÷ (TP + FP) = 94,1 %. Recall = TP ÷ (TP + FN) = 95,2 %. F1 = 2TP ÷ (2TP + FP + FN) = 94,6 % (95-%-Intervall 94,0–95,2 %).
- Wörter: WER = (3.498 + 1.714 + 1.636) ÷ 103.161 × 100 = 6,64 %
- ScribeIndex-Score: 95-%-Intervall 79,2–85,6 Punkte, je Bootstrap-Stichprobe aus dem vollständigen Score neu berechnet. Wie das Score-Intervall entsteht
Rangliste Medizinische Spracherkennung
Sortiert nach ScribeIndex-Score.
- Platz 1: Tippiti im Test 96,8
- Platz 2: Heidi im Test 93,4
- Platz 3: Idana Flow im Test 93,3
- Platz 4: HealthJet im Test 91,6
- Platz 5: Dragon Medical One im Test 85,1
- Platz 6: Dragon Copilot 84,1
- Platz 7: DictNow im Test 82,0
- Platz 8: MIRA medical im Test 81,6
- Platz 9: Fluency Direct im Test 79,9
Daten zu dieser Seite
Maschinenlesbar mit Zählern, Nennern und Intervallen. Frei nutzbar mit Quellenangabe. Zitierweise und Lizenz
So testet ScribeIndex
Jede Testreihe nutzt einen festen deutschsprachigen Korpus mit geprüften, vor dem ersten Lauf eingefrorenen Referenzen. Bewertet wird automatisch nach festen Regeln, unklare Zuordnungen werden anhand der Aufnahme fachlich geprüft. Jeder Fall läuft zwei- bis dreimal. Die Konfidenzintervalle von Score, Hauptkennzahl und weiteren Fehlerraten stammen aus einem gepaarten Bootstrap über die Szenarien, sodass alle Anbieter auf denselben Stichproben verglichen werden. Anteile aus Zählern erhalten ein Wilson-Intervall mit Designeffekt. Der ScribeIndex-Score ist ein gewichteter Gesamtwert aus Inhaltsqualität, schwerwiegenden Fehlern, Nacharbeit und Abschlussquote. Die Rangliste ordnet nach diesem Punktwert.
Für das Score-Intervall wird in jeder Bootstrap-Stichprobe der vollständige Score mit den Gewichten des Bewertungsmodells neu berechnet. Weil alle Dienste einer Testreihe dieselben Stichproben nutzen, lassen sich auch Scoredifferenzen gepaart auswerten. In Testreihen, deren Score schwerwiegende Fehler enthält, gilt das für den Teilwert „Schwerwiegende Fehler“ nicht. Der Anteil schwerwiegender Fehler wird je Dienst unabhängig aus einer Beta-Verteilung mit effektivem Stichprobenumfang gezogen, weil der Bootstrap bei null oder wenigen Ereignissen kaum streut. Der gemeinsame Einfluss schwieriger Aufnahmen hebt sich in den gepaarten Scoredifferenzen deshalb nicht auf, die Differenzintervalle werden breiter. Bei null oder wenigen schwerwiegenden Fehlern reicht das Score-Intervall vor allem nach unten, weil eine Stichprobe dieser Größe seltene Fehler übersehen haben kann.