Superwhisper im Test
Ergebnisse aus 2 Testreihen auf deutschsprachigen Korpora. Alle Anbieter einer Aufgabe bearbeiten dieselben Fälle nach demselben Protokoll.
Ergebnisse im Überblick
Im 4. Quartal 2026 erreicht Superwhisper im ScribeIndex-Test „Allgemeine Diktate“ 60,6 von 100 Punkten (Platz 6 von 6, 40 Diktate, je 3 Durchläufe) und im Test „Sprachgestützte Textausarbeitung“ 74,3 Punkte (Platz 5 von 5, 40 Texte, je 3 Durchläufe).
| Aufgabe | ScribeIndex-Score | Platz | Hauptkennzahl | Nacharbeit | Getestet |
|---|---|---|---|---|---|
| Allgemeine Diktate | Schlussgruppe: 60,6 | 6 von 6 | Wortfehlerrate: 12,2 % | 3,85 min je Diktat | 4. Quartal 2026 |
| Sprachgestützte Textausarbeitung | Schlussgruppe: 74,3 | 5 von 5 | Fakten-F1: 92,7 % | 1,79 min je Text | 4. Quartal 2026 |
Superwhisper: Allgemeine Diktate
In der Testreihe „Allgemeine Diktate“ liegt Superwhisper mit 60,6 Punkten auf Platz 6 von 6, 23,6 Punkte hinter Wispr Flow (84,2) und 9,4 Punkte hinter AudioPen (70,0). Hinter Wispr Flow bleibt Superwhisper vor allem bei der Wortfehlerrate (12,2 % gegenüber 3,8 %) zurück. Hinter AudioPen bleibt Superwhisper vor allem bei der Wortfehlerrate (12,2 % gegenüber 9,1 %) zurück. Zum einmaligen Durchlesen kommen nach Schätzung von ScribeIndex im Schnitt 3,85 Minuten Nacharbeit je Diktat hinzu, bei einer durchschnittlichen Aufnahmedauer von 3,5 Minuten.
Einordnung: Schlussgruppe · ScribeIndex-Score 60,6 / 100 · 95-%-Intervall 57,1–64,0 · Platz 6 von 6
13,1 Punkte unter dem Median des Feldes und im untersten Fünftel der Punktespanne.
Wortfehlerrate (WER) (Platz 6 von 6): 12,2 % · 95-%-Intervall 11,0–13,2 % · 6.512 Wortfehler von 53.508 Referenzwörtern
Schwächster Wert: 12,2 % · Median (6 Anbieter): 8,0 % · Bester Wert: 3,8 %
Ersetzungen, Auslassungen und Einfügungen je Referenzwort nach Normalisierung.
Nacharbeit je Diktat (Platz 6 von 6): 3,85 min · 95-%-Intervall 3,50–4,20 min
Schwächster Wert: 3,85 min · Median (6 Anbieter): 2,67 min · Bester Wert: 1,59 min
Geschätzte Nacharbeit bis zur Zielfassung je Diktat, bei durchschnittlich 3,5 Minuten Aufnahme. Nicht enthalten ist das einmalige Durchlesen, das auch ein von Hand getipptes Dokument braucht. Auf eine Stunde Aufnahme gerechnet sind das 66,3 Minuten.
Verarbeitungszeit (Median) (Platz 6 von 6): 8,5 s · Niedriger ist besser
Schwächster Wert: 8,5 s · Median (6 Anbieter): 1,9 s · Bester Wert: 1,1 s
Gemessen von „Ende des letzten zugespielten Wortes“ bis „Stabile nutzbare Textausgabe“. Platz und Vergleichswerte nur unter Diensten derselben Messstrecke.
So setzt sich der ScribeIndex-Score zusammen
| Teilwert | Punkte | Gewicht | Beitrag |
|---|---|---|---|
| Inhaltsqualität | 58,2 | 75 % | 43,7 |
| Korrekturaufwand | 59,6 | 20 % | 11,9 |
| Abschlussquote | 100,0 | 5 % | 5,0 |
| ScribeIndex-Score | 100 % | 60,6 |
Die Qualitätsformel besteht zu 80 % aus der Erkennung (100 minus WER) mit 87,8 Punkten, zu 10 % aus den korrekten Namen mit 80,8 Punkten und zu 10 % aus den korrekten Zahlen mit 91,2 Punkten. Sie ergibt 87,46 von 100, also 12,54 Punkte weniger als ein fehlerfreies Ergebnis. Bei 30 Punkten Abstand fällt die Inhaltsqualität auf null, hier liegt sie deshalb bei 58,2 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: Allgemeine Diktate für Büro und Beruf
- Fälle: 40 Szenarien × 3 Durchläufe
- Abgeschlossen: 120 von 120 Läufen
- Testweg: Live-Diktat
- Bewertete Ausgabe: Wortnahes Transkript
- Getestete Version: Superwhisper, Voice-to-Text, Stand 4. Quartal 2026
- Protokoll und Zeitraum: Version 1.0, getestet im 4. Quartal 2026
Alle Kennzahlen
Superwhisper erreicht im Test „Allgemeine Diktate“ 60,6 von 100 Punkten. Wortfehlerrate (WER) 12,2 % (95-%-Konfidenzintervall 11,0–13,2 %). Getestet wurden 40 Szenarien mit je 3 Durchläufen, 120 von 120 Läufen wurden abgeschlossen. Korpus de-buero-diktat-v1, Protokoll 1.0, getestet im 4. Quartal 2026.
| Kennzahl | Wert | Zählung und Bedeutung | 95-%-Intervall |
|---|---|---|---|
| ScribeIndex-Score | 60,6 / 100 | Gewichteter Gesamtwert aus Inhaltsqualität, Nacharbeit und Abschlussquote, Bewertungsmodell 2.2. | 57,1–64,0 |
| Wortfehlerrate (WER) | 12,2 % | 6.512 Wortfehler von 53.508 Referenzwörtern. | 11,0–13,2 |
| Nacharbeit je Diktat | 3,85 min | Erläuterung weiter oben. | 3,50–4,20 |
| Verarbeitungszeit (Median) | 8,5 s | Erläuterung weiter oben. | – |
| Zeichenfehlerrate · CER | 6,8 % | 23.581 Zeichenabweichungen von 344.913 Referenzzeichen. Zeichenabweichungen pro Referenzzeichen nach NFC-Normalisierung, einheitlicher Groß- und Kleinschreibung, entfernten Satzzeichen und zu einem Leerzeichen zusammengefasstem Leerraum. Leerzeichen zählen als Zeichen. | 6,1–7,5 |
| Korrekte Namen | 80,8 % | 388 korrekt erkannte Namen von 480 Referenznamen. Korrekt übernommene Personen- und Firmennamen pro annotiertem Referenznamen. Vorab freigegebene Schreibvarianten zählen als richtig. | 73,9–86,3 (Wilson mit Designeffekt) |
| Korrekte Zahlen | 91,2 % | 651 korrekt erkannte Zahlen von 714 Referenzzahlen. Korrekt übernommene Zahlen mit ihrer Einheit und ihrem Bezug pro annotierter Zahlenangabe. Falsche oder ausgelassene Werte zählen als nicht korrekt. | 86,8–94,2 (Wilson mit Designeffekt) |
| Umgesetzte Diktatbefehle | Nicht unterstützt | 0 umgesetzte Diktatbefehle von 441 Diktatbefehlen. Richtig ausgeführte festgelegte Satzzeichen-, Absatz- und Korrekturbefehle pro ausgesprochenem Referenzbefehl. Der Befehl soll wirken und nicht als Befehlswort im Text stehen. | – |
| Umgesetzte Selbstkorrekturen | 0,0 % | 0 umgesetzte Selbstkorrekturen von 207 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. | 0,0–6,1 (Wilson mit Designeffekt) |
| Umgesetzte Bearbeitungsanweisungen | 0,0 % | 0 umgesetzte Bearbeitungsanweisungen von 36 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. | 0,0–25,9 (Wilson mit Designeffekt) |
| Verarbeitungszeit (95. Perzentil) | 22,2 s | 95 % der erfolgreichen Läufe waren nach dieser Zeit fertig. | – |
| Abschlussquote | 100,0 % | 120 von 120 gestarteten Läufen abgeschlossen. Anteil der Läufe mit verwertbarem Ergebnis. | – |
Verarbeitungszeit
- Median (p50): 8,5 s
- 95. Perzentil (p95): 22,2 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: 3,85 min (Ø 3,5 min Aufnahme)
- Je Stunde Aufnahme: 66,28 min
- 95-%-Intervall je Stunde: 60,27–72,27 min
- Geschätzte Nacharbeit gesamt: 461,78 min
- Audiodauer aller Ausgaben: 6 h 58 min (6,967 h)
- Ausgaben: 120, 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): 12,2 % · 95-%-Intervall 11,0–13,2 %
- Ersetzungen (S): 2.192
- Auslassungen (D): 1.588
- Einfügungen (I): 2.732
- Referenzwörter (N): 53.508
- Zeichenfehlerrate (CER): 6,8 %
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 |
|---|---|---|---|
| Ersetzungen | 2.192 (4,1 % der Referenzwörter) | 80 % | Ein Referenzwort wird durch ein anderes Wort ersetzt (S), etwa „heute“ statt „morgen“. |
| Auslassungen | 1.588 (3,0 % der Referenzwörter) | 58 % | Ein Referenzwort fehlt in der Ausgabe (D), etwa „seit“ statt „seit gestern“. Gezählt werden Wörter, nicht fehlende Inhalte. |
| Einfügungen | 2.732 (5,1 % der Referenzwörter) | 100 % | Die Ausgabe enthält ein Wort, das in der Referenz nicht vorkommt (I). |
Gezählt werden Wörter nach Normalisierung über alle abgeschlossenen Läufe.
Abgeschlossene Läufe: 120 von 120 (100,0 %)
Alle 120 Läufe lieferten ein auswertbares Ergebnis.
Konfiguration im Test
- Produktversion: Superwhisper, Voice-to-Text, Stand 4. Quartal 2026
- Modellversion: Cohere Transcribe
- Sprache: Deutsch (de-DE)
- Vorlage: Keine Dokumentvorlage, nur der Arbeitsauftrag
- Arbeitsauftrag: Wortnahes Diktat, Version 1.0
- Eigener Wortschatz: Nicht hinterlegt
- Audioeingang: Virtueller Mikrofoneingang
- Plattform: macOS Desktop
- Modus: Voice to Text, keine KI-Ausarbeitung oder Befehlsausführung
- Modell: Cohere Transcribe lokal über MLX (4 Bit)
- Verarbeitung: Lokale Erkennung nach Aufnahmeende
- Hardware: Mac mini M2 Pro, 32 GB RAM, macOS 26
- Diktatbefehle: Nein
- Kontext aus anderen Apps: Nein
- Auswertung: Version 1.0
- Textnormalisierung: de-allg-wer, Version 1.0
- Bewertungsrubrik: Keine, da kein Faktenabgleich
Korpus, Ausschlüsse und Prüfsummen
Vierzig Geschäftsdiktate von unter einer Minute bis zehn Minuten Länge mit E-Mails, Notizen, Namen, Terminen, Zahlen und Selbstkorrekturen. Jedes Diktat wird als wortnaher Text in eine leere Zielanwendung geschrieben.
- Korpus: Allgemeine Diktate für Büro und Beruf (
de-buero-diktat-v1, Version 1.0) - Szenarien: 40 aufgenommen, 40 ausgewertet, je 3 Läufe
- Audio gesamt: 2 h 19 min, je Fall 1 min bis 10 min (Median 3 min)
- Sprecher je Fall: 1
- Textart: E-Mail (12), Geschäftsnotiz (10), Zahlen und Namen (10), Selbstkorrekturen (8)
- Aussprache: Standarddeutsch (20), Regional (Deutschland) (8), Österreichisch (6), Schweizerisch gefärbt (6)
- Aufnahmequalität: Nahmikrofon, ruhig (32), Nahmikrofon mit spontanen Korrekturen (8)
- Audioformate: PCM 24 Bit (WAV), 48 kHz, mono
- Aufbereitung:
- Kontrollierte Wiedergabe der Referenzaufnahmen über einen virtuellen Mikrofoneingang mit −20 dBFS RMS in Echtzeit
- Referenz: Version 1.0: 17.836 Wörter, 114.971 Zeichen
- Annotierte Einheiten: Personen- und Firmennamen 160 · Zahlenangaben 238 · Diktatbefehle 147 · Selbstkorrekturen mit geänderter Angabe 69 · Bearbeitungsanweisungen 12
- Referenzprüfung: Der Wortlaut entsteht als Sprechvorlage vor der Aufnahme. Nach der Aufnahme wird die Vorlage automatisch mit dem Gesprochenen abgeglichen, abweichende Stellen werden an der Aufnahme geprüft und die Referenz vor den Anbieterdurchläufen eingefroren.
- Zeitraum der Testreihe: 3. und 4. Quartal 2026 für alle Dienste, Korpus vor dem ersten Lauf eingefroren
- SHA-256 Manifest:
be86355a52a9e6e6ac547fa75797ca0c34d34b998965c77efe431e8cac1bf200 - SHA-256 Referenz:
2f3f1976d19c5059b932063bd9b929c3ad3df1d749efd78e0060e5b1364c5f41
Unsicherheit und Berechnung
- Verfahren: Gepaarter Cluster-Bootstrap, Konfidenzniveau 95 %, Perzentilintervall. Anteile aus Zählern erhalten ein Wilson-Intervall mit Designeffekt
- Cluster: 40 Cluster, Einheit Szenario. Alle Läufe eines Szenarios bleiben im selben Cluster.
- Wiederholungen: 2.000 Bootstrap-Stichproben, Seed 2217701174
- 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:
5b6419a32e9fc2e489a2dae6029ddcb9e755388234d69b65a19df934ad0bdabc - Wörter: WER = (2.192 + 1.588 + 2.732) ÷ 53.508 × 100 = 12,2 %
- ScribeIndex-Score: 95-%-Intervall 57,1–64,0 Punkte, je Bootstrap-Stichprobe aus dem vollständigen Score neu berechnet. Wie das Score-Intervall entsteht
Rangliste Allgemeine Diktate
Sortiert nach ScribeIndex-Score.
- Platz 1: Wispr Flow im Test 84,2
- Platz 2: Dragon Legal im Test 80,2
- Platz 3: DictNow im Test 75,2
- Platz 4: Letterly im Test 72,1
- Platz 5: AudioPen im Test 70,0
- Platz 6: Superwhisper 60,6
Superwhisper: Sprachgestützte Textausarbeitung
In der Testreihe „Sprachgestützte Textausarbeitung“ liegt Superwhisper mit 74,3 Punkten auf Platz 5 von 5, 9,9 Punkte hinter Wispr Flow (84,2) und 2,5 Punkte hinter AudioPen (76,8). Hinter Wispr Flow bleibt Superwhisper vor allem beim Fakten-F1 (92,7 % gegenüber 95,9 %) zurück. Hinter AudioPen bleibt Superwhisper vor allem beim Anteil umgesetzter Schreibanweisungen (85,3 % gegenüber 88,1 %) und beim Fakten-F1 (92,7 % gegenüber 93,1 %) zurück. Das 95-%-Konfidenzintervall des Fakten-F1 reicht von 91,8 bis 93,8 %. Die Präzision liegt bei 94,9 %, der Recall bei 90,6 %. Zum einmaligen Durchlesen kommen nach Schätzung von ScribeIndex im Schnitt 1,79 Minuten Nacharbeit je Text hinzu, bei einer durchschnittlichen Aufnahmedauer von 4,0 Minuten.
Einordnung: Schlussgruppe · ScribeIndex-Score 74,3 / 100 · 95-%-Intervall 71,0–77,5 · Platz 5 von 5
7,0 Punkte unter dem Median des Feldes und im untersten Fünftel der Punktespanne.
Fakten-F1 (Platz 5 von 5): 92,7 % · 95-%-Intervall 91,8–93,8 %
Schwächster Wert: 92,7 % · Median (5 Anbieter): 94,5 % · Bester Wert: 95,9 %
Harmonisches Mittel aus Faktenpräzision und Fakten-Recall gegenüber der annotierten Referenz.
Nacharbeit je Text (Platz 5 von 5): 1,79 min · 95-%-Intervall 1,53–2,05 min
Schwächster Wert: 1,79 min · Median (5 Anbieter): 1,41 min · Bester Wert: 1,03 min
Geschätzte Nacharbeit bis zur Zielfassung je Text, bei durchschnittlich 4,0 Minuten Aufnahme. Auf eine Stunde Aufnahme gerechnet sind das 27,0 Minuten.
Verarbeitungszeit (Median) (Platz 4 von 5): 24,4 s · Niedriger ist besser
Schwächster Wert: 29,0 s · Median (5 Anbieter): 24,2 s · Bester Wert: 19,4 s
Gemessen von „Ende des gesprochenen Auftrags“ bis „Fertiger Text verfügbar“.
So setzt sich der ScribeIndex-Score zusammen
| Teilwert | Punkte | Gewicht | Beitrag |
|---|---|---|---|
| Inhaltsqualität | 70,8 | 75 % | 53,1 |
| Korrekturaufwand | 81,0 | 20 % | 16,2 |
| Abschlussquote | 100,0 | 5 % | 5,0 |
| ScribeIndex-Score | 100 % | 74,3 |
Die Qualitätsformel besteht zu 80 % aus dem Fakten-F1 mit 92,7 Punkten und zu 20 % aus der Anweisungstreue mit 85,3 Punkten. Sie ergibt 91,24 von 100, also 8,76 Punkte weniger als ein fehlerfreies Ergebnis. Bei 30 Punkten Abstand fällt die Inhaltsqualität auf null, hier liegt sie deshalb bei 70,8 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: Sprachgestützte Textausarbeitung
- Fälle: 40 Szenarien × 3 Durchläufe
- Abgeschlossen: 120 von 120 Läufen
- Testweg: Live-Diktat
- Bewertete Ausgabe: Ausgearbeiteter Text
- Getestete Version: Superwhisper, benutzerdefinierter Modus, Stand 4. Quartal 2026
- Protokoll und Zeitraum: Version 1.0, getestet im 4. Quartal 2026
Alle Kennzahlen
Superwhisper erreicht im Test „Sprachgestützte Textausarbeitung“ 74,3 von 100 Punkten. Fakten-F1 92,7 % (95-%-Konfidenzintervall 91,8–93,8 %). Getestet wurden 40 Szenarien mit je 3 Durchläufen, 120 von 120 Läufen wurden abgeschlossen. Korpus de-voice-writing-v1, Protokoll 1.0, getestet im 4. Quartal 2026.
| Kennzahl | Wert | Zählung und Bedeutung | 95-%-Intervall |
|---|---|---|---|
| ScribeIndex-Score | 74,3 / 100 | Gewichteter Gesamtwert aus Inhaltsqualität, Nacharbeit und Abschlussquote, Bewertungsmodell 2.2. | 71,0–77,5 |
| Fakten-F1 | 92,7 % | Erläuterung weiter oben. | 91,8–93,8 |
| Nacharbeit je Text | 1,79 min | Erläuterung weiter oben. | 1,53–2,05 |
| Verarbeitungszeit (Median) | 24,4 s | Erläuterung weiter oben. | – |
| Falsche oder unbelegte Aussagen | 2,0 % | 50 falsche oder unbelegte Aussagen von 2.494 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. | 1,3–3,0 (Wilson mit Designeffekt) |
| Umgesetzte Schreibanweisungen | 85,3 % | 642 korrekt ausgeführte Anweisungen von 753 Referenzanweisungen. Korrekt umgesetzte explizite Anweisungen zu Format, Ton, Reihenfolge und Änderungen pro vorab festgelegter Schreibanweisung. Eine korrekt geschriebene E-Mail ersetzt keinen fehlenden Einzelauftrag. | 80,0–89,3 (Wilson mit Designeffekt) |
| Faktenpräzision | 94,9 % | 2.368 korrekte relevante Fakten von 2.494 ausgegebenen Fakten. Korrekte relevante Fakten im Verhältnis zu allen deduplizierten ausgegebenen Fakten. | 93,9–96,1 |
| Fakten-Recall | 90,6 % | 2.368 korrekt erhaltene Fakten von 2.613 dokumentationsrelevanten Referenzfakten. Korrekt erhaltene Fakten im Verhältnis zu allen dokumentationsrelevanten Referenzfakten. | 88,8–92,6 |
| Verarbeitungszeit (95. Perzentil) | 45,0 s | Erläuterung weiter oben. | – |
| Abschlussquote | 100,0 % | 120 von 120 gestarteten Läufen abgeschlossen. | – |
Verarbeitungszeit
- Median (p50): 24,4 s
- 95. Perzentil (p95): 45,0 s
- Testweg: Live-Diktat
- Messstrecke: Von „Ende des gesprochenen Auftrags“ bis „Fertiger Text 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 Text: 1,79 min (Ø 4,0 min Aufnahme)
- Je Stunde Aufnahme: 26,99 min
- 95-%-Intervall je Stunde: 23,07–30,76 min
- Geschätzte Nacharbeit gesamt: 215,33 min
- Audiodauer aller Ausgaben: 7 h 59 min (7,979 h)
- Ausgaben: 120, 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 | 245 (9,4 % der Referenzfakten) | 100 % | Eine erforderliche Angabe aus der Aufnahme fehlt oder ist verfälscht (FN), etwa ein fehlender Termin. Korrekte Umformulierungen zählen als Treffer. |
| Falsche oder unbelegte Aussagen | 50 (2,0 % der ausgegebenen Aussagen) | 20 % | Die Ausgabe enthält eine Angabe, die der Referenz widerspricht oder sich nicht auf die Aufnahme stützt (FP, inhaltlicher Fehler), etwa eine nie genannte Zahl. Eine verfälschte Referenzangabe zählt zugleich hier und als nicht erfasster Referenzfakt. |
| Zutreffende, aber nicht relevante Aussagen | 76 (3,0 % der ausgegebenen Aussagen) | 31 % | 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 2.368 korrekt erhaltene Fakten (TP), 126 falsch positive Aussagen (FP), davon 50 falsch oder unbelegt und 76 zutreffend, aber nicht relevant, 245 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 ein ausgearbeiteter Text, keine wortnahe Abschrift. Deshalb gibt es keine WER.
Abgeschlossene Läufe: 120 von 120 (100,0 %)
Alle 120 Läufe lieferten ein auswertbares Ergebnis.
Konfiguration im Test
- Produktversion: Superwhisper, benutzerdefinierter Modus, Stand 4. Quartal 2026
- Modellversion: Cohere Transcribe, S1-Language
- Sprache: Deutsch (de-DE)
- Vorlage: Keine Dokumentvorlage, nur der Arbeitsauftrag
- Arbeitsauftrag: Sprachgestützte Textausarbeitung, Version 1.0
- Eigener Wortschatz: Nicht hinterlegt
- Audioeingang: Virtueller Mikrofoneingang
- Plattform: macOS Desktop
- Modus: Benutzerdefinierter Modus, Anweisung je Fall aus dem Arbeitsauftrag
- Modell: Spracherkennung Cohere Transcribe lokal, Textbearbeitung mit S1-Language (Standard)
- Hardware: Mac mini M2 Pro, 32 GB RAM, macOS 26
- Schreibauftrag: Vorab festgelegter Textauftrag
- Persönliches Wörterbuch: Nein
- Zusätzlicher Kontext: Nein
- Auswertung: Version 1.0
- Textnormalisierung: Keine, da kein Wortvergleich
- Bewertungsrubrik: writing-facts-v1, Version 1.0
Korpus, Ausschlüsse und Prüfsummen
Vierzig gesprochene Rohentwürfe für E-Mails, Aufgabenbeschreibungen und strukturierte Notizen. Fakten und vorgegebene Anweisungen zu Ton, Reihenfolge, Format und spontanen Änderungen werden getrennt bewertet.
- Korpus: Sprachgestützte Textausarbeitung (
de-voice-writing-v1, Version 1.0) - Szenarien: 40 aufgenommen, 40 ausgewertet, je 3 Läufe
- Audio gesamt: 2 h 40 min, je Fall 1 min bis 10 min (Median 4 min)
- Sprecher je Fall: 1
- Zieltext: E-Mail (16), Strukturierte Notiz (12), Aufgabenbeschreibung (12)
- Aussprache: Standarddeutsch (20), Regional (Deutschland) (8), Österreichisch (6), Schweizerisch gefärbt (6)
- Auftrag: Ausarbeitung mit vorab festgelegter Zielstruktur (40)
- Audioformate: PCM 24 Bit (WAV), 48 kHz, mono
- Aufbereitung:
- Kontrollierte Wiedergabe der Referenzaufnahmen über einen virtuellen Mikrofoneingang mit −20 dBFS RMS in Echtzeit
- Referenz: Version 1.0: 20.776 Wörter, 133.189 Zeichen, 871 Referenzfakten
- Annotierte Einheiten: Vorab festgelegte Schreibanweisungen 251
- Referenzprüfung: Wortlaut und Fakten entstehen als Sprechvorlage vor der Aufnahme. Nach der Aufnahme wird die Vorlage automatisch mit dem Gesprochenen abgeglichen, abweichende Stellen werden an der Aufnahme geprüft und die Referenz vor den Anbieterdurchläufen eingefroren. Rubrik writing-facts-v1, Version 1.0.
- Zeitraum der Testreihe: 2. bis 4. Quartal 2026 für alle Dienste, Korpus vor dem ersten Lauf eingefroren
- SHA-256 Manifest:
a2194236d0c043d838b24210574c7bf8a3c918cbe1bcce4db693e95b675ca2e2 - SHA-256 Referenz:
2d895d782442beec8769e48974bf2d650e4c80f2b6555d633e58c77a5a161833
Unsicherheit und Berechnung
- Verfahren: Gepaarter Cluster-Bootstrap, Konfidenzniveau 95 %, Perzentilintervall. Anteile aus Zählern erhalten ein Wilson-Intervall mit Designeffekt
- Cluster: 40 Cluster, Einheit Szenario. Alle Läufe eines Szenarios bleiben im selben Cluster.
- Wiederholungen: 2.000 Bootstrap-Stichproben, Seed 3301926752
- 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:
175bb08bcec3d46df9a7e79d3383ed75fd39e092bfc7ebe4823aec3915a1820a - Fakten: Präzision = TP ÷ (TP + FP) = 94,9 %. Recall = TP ÷ (TP + FN) = 90,6 %. F1 = 2TP ÷ (2TP + FP + FN) = 92,7 % (95-%-Intervall 91,8–93,8 %).
- ScribeIndex-Score: 95-%-Intervall 71,0–77,5 Punkte, je Bootstrap-Stichprobe aus dem vollständigen Score neu berechnet. Wie das Score-Intervall entsteht
Rangliste Sprachgestützte Textausarbeitung
Sortiert nach ScribeIndex-Score.
- Platz 1: Wispr Flow im Test 84,2
- Platz 2: Letterly im Test 82,5
- Platz 3: SpeechLive Legal im Test 81,3
- Platz 4: AudioPen im Test 76,8
- Platz 5: Superwhisper 74,3
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, 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.