Domain Specific Terminology in Speech-to-Text meistern

Eine Projektleiterin diktiert: „Change Request priorisiert.“ Im Transkript steht: „Kahn Request Prioritärrt.“ Der Satz klingt fast richtig, ist für ein Protokoll aber unbrauchbar.

Genau hier zeigt sich das Problem mit domain specific terminology in Speech-to-Text. Medizinische Diagnosen, juristische Klauseln, IT-Begriffe und Engineering-Vokabular sind selten, kontextabhängig und oft nur in einer bestimmten Organisation eindeutig. Wer täglich viel schreibt, braucht deshalb nicht einfach mehr Wörter im Modell, sondern die richtigen Begriffe mit dem passenden Kontext.

Inhaltsverzeichnis

• Warum Speech-to-Text bei Fachbegriffen stolpert
  • Drei Ursachen für denselben Fehler
• Vom Duden zum Diktat Ein kurzer Blick auf deutsche Fachsprache
  • Standards helfen, Kontext entscheidet
• Wo die Erkennung wirklich scheitert
  • Stufe eins betrifft das Eingangssignal
  • Stufe zwei liegt im Sprachmodell
  • Stufe drei betrifft Aussprache und Lexikon
• Custom Vocabularies und Terminologielisten aufbauen
  • Mit dem aktiven Wortschatz starten
  • Phonetische Hinweise gezielt einsetzen
  • Pflege als Prozess organisieren
• AI-gestützte Korrektur versus klassisches Korrigieren
  • Was sich im Alltag bewährt
• Teams befähigen und Wortschätze pflegen
  • Die ersten Wochen sinnvoll strukturieren
  • Der Pflegekreislauf bleibt klein
• Was bleibt Weniger Begriffe mehr Kontext

Warum Speech-to-Text bei Fachbegriffen stolpert

Ein allgemeines Speech-to-Text-Modell kennt Alltagssprache besonders gut. Es hört häufige Wörter, typische Satzmuster und gängige Formulierungen mit hoher Wahrscheinlichkeit. Ein Begriff wie „Change Request“ kommt in einem IT-Projekt dagegen deutlich seltener vor als „Kahn“ oder „Anfrage“.

Das Modell macht dabei nicht zwingend einen technischen Fehler. Es versucht, ein akustisch unscharfes Signal mit seinem wahrscheinlichsten Sprachmuster zu vervollständigen. Bei schnellem Diktieren, undeutlicher Aussprache oder einem Mikrofon mit Nebengeräuschen gewinnt dann das bekannte Alltagswort gegen den seltenen Fachbegriff.

Praktische Regel: Wenn ein Begriff für deine Arbeit wichtig ist, darfst du seine Erkennung nicht dem allgemeinen Wortschatz überlassen.

Die Folgen reichen über lästige Korrekturen hinaus. Eine falsch protokollierte Diagnose kann medizinische Dokumentation verfälschen. Eine veränderte Vertragsklausel kann die Bedeutung eines Dokuments verschieben. In technischen Teams führt ein falsch geschriebener Produktname dazu, dass Suchfunktionen, Tickets oder Automationen den Inhalt nicht mehr sauber zuordnen.

Die Bedeutung von Speech-to-Text im Arbeitsalltag liegt deshalb nicht allein in der Geschwindigkeit. Entscheidend ist, ob dein System deine tatsächliche Sprache versteht: interne Projektnamen, Abkürzungen, Eigennamen, Produktbegriffe und Formulierungen, die in deinem Team selbstverständlich sind.

Drei Ursachen für denselben Fehler

Erstens kann die Akustik das Signal verschlechtern. Ein schlechter Signal-Rausch-Abstand, Tastaturgeräusche oder eine hallende Umgebung verändern die wahrgenommenen Laute.

Zweitens fehlen dem Modell passende statistische Anhaltspunkte. Ein seltener Terminus wird gegenüber einem häufigen Wort niedriger gewichtet, selbst wenn die Aussprache grundsätzlich korrekt erkannt wurde.

Drittens unterscheiden sich Aussprache und Schreibweise. „API“ wird als Buchstabenfolge gesprochen, „kubectl“ als Kurzform, „Changelog“ oft eingedeutscht. Ohne gepflegten Kontext entstehen Varianten, die zwar plausibel aussehen, aber fachlich nicht passen.

Die Lösung ist nicht, deine Sprache an das Modell anzupassen. Die Lösung ist, das Modell mit einer kleinen, gepflegten Terminologiebasis an deinen Arbeitsalltag anzuschliessen.

Vom Duden zum Diktat Ein kurzer Blick auf deutsche Fachsprache

Einheitliche deutsche Schreibweisen waren historisch keine Selbstverständlichkeit. Konrad Duden veröffentlichte am 7. Juli 1880 das erste „Vollständige Orthographische Wörterbuch der deutschen Sprache“ mit 27.000 Wörtern auf 187 Seiten. Auf der 2. Orthographischen Konferenz im Deutschen Reich wurde 1901 festgelegt, dass Dudens Regeln verbindlich gelten sollen. Die historische Einordnung des ersten Duden zeigt damit, wie aus regionalen und beruflichen Schreibweisen ein normiertes System entstand.

Diese Entwicklung prägt bis heute Bildung, Verwaltung und Wirtschaft. Normen wie DIN oder VDI und Klassifikationen wie ICD schaffen zusätzliche Ordnung, aber sie beseitigen nicht jede Variante. Ein Unternehmen, eine Abteilung und eine bestimmte Fachdisziplin können dasselbe Konzept unterschiedlich benennen.

Standards helfen, Kontext entscheidet

Ein Lastenheft beschreibt nicht zwingend dasselbe wie ein Pflichtenheft. In einem anderen Team fällt dafür vielleicht „SRS“, also eine englische Kurzform. Alle drei Begriffe können im passenden Umfeld korrekt sein, aber ein Speech-to-Text-System muss erkennen, welcher Begriff in deinem Satz gemeint ist.

Die deutsche Sprache macht diese Aufgabe zusätzlich anspruchsvoll. Komposita verbinden mehrere Bestandteile zu langen Wörtern. Fachleute sprechen schnell über „Maschinenrichtlinienkonformität“, „Datenschutzfolgenabschätzung“ oder „Kundenanforderungsmanagement“, während das Modell gleichzeitig die Wortgrenzen bestimmen muss.

Die Terminologie-Vorstudie des Bundesministeriums für Gesundheit aus dem Jahr 2017 belegt, dass Terminologie im Gesundheitssektor bereits auf D-A-CH-Ebene als Infrastrukturthema behandelt wurde. Gesucht wurde gezielt nach Ergänzungsbedarf für eHealth-Anwendungen sowie nach Kooperationen zwischen Deutschland, Österreich und der Schweiz. Das ist mehr als Sprachpflege. Standardisierte Begriffe unterstützen Interoperabilität, Dokumentation und Datenaustausch.

Präzises Diktat braucht deshalb Kontextpflege. Sprache bleibt regional, organisatorisch und fachlich fragmentiert. Ein gutes Vocabulary dokumentiert diese Varianten, statt sie künstlich zu verstecken.

Wo die Erkennung wirklich scheitert

Fachbegriffe scheitern selten an nur einer Stelle. Meist läuft eine Kette aus Signalproblemen, Modellgrenzen und individueller Aussprache ab.

Stufe eins betrifft das Eingangssignal

Ein Mikrofon nimmt nicht nur deine Stimme auf. Es erfasst auch Raumhall, Lüfter, Gespräche und Tastaturgeräusche. Wenn Konsonanten verschluckt werden oder Sprechpausen fehlen, verschmelzen Phoneme. Ein Begriff kann dann akustisch so unklar werden, dass selbst ein gutes Modell nur noch Wahrscheinlichkeiten abwägt.

Eine Befragung in deutschen Unternehmen aus dem Jahr 2021 zeigt, dass 38 % schlechte Akustik als Hürde nannten. Im selben Zusammenhang gaben 33 % an, zu viele sprachliche Informationen zu haben, um schnell mitzuschreiben, während 62 % keine Spracherkennungs- oder Sprachverarbeitungssoftware nutzten. Diese Ergebnisse sind ein praktischer Hinweis: Die grösste Verbesserung entsteht nicht allein durch bessere Erkennung, sondern auch durch weniger Mitschreibaufwand und bessere Aufnahmebedingungen. Die Befragung zur Spracherkennung im Büro ordnet diese Hürden konkret ein.

Stufe zwei liegt im Sprachmodell

Seltene Begriffe werden vom allgemeinen Sprachmodell anders behandelt als häufige Wörter. „CT“ kann im Crew-Transport gemeint sein oder eine Computertomografie bezeichnen. „DRG“ steht je nach Kontext für „Diagnosis Related Group“ oder für eine Differentialgleichung. Ohne Satzumfeld bleibt die Abkürzung mehrdeutig.

Stufe drei betrifft Aussprache und Lexikon

„Cache“ klingt im Deutschen häufig wie „Kasch“, während manche Teams die englische Aussprache verwenden. „Changelog“ wird phonetisch gern als „tschei-log“ gesprochen. Fehlt dieser Ausdruck im Lexikon, zerlegt das Modell ihn in bekannte Bestandteile.

Das Ergebnis ist nicht immer ein komplett falscher Satz. Oft bleibt nur ein einzelner Fachbegriff daneben. Genau dieser eine Begriff kann aber die Suchbarkeit, technische Zuordnung oder rechtliche Aussage verändern. Wer die Geschwindigkeit beim Diktieren beurteilt, sollte deshalb nicht nur auf Wörter pro Minute schauen, sondern auf die Qualität der fachlich wichtigen Stellen.

Custom Vocabularies und Terminologielisten aufbauen

Eine Terminologieliste wird nicht besser, je länger sie ist. Sie wird besser, wenn jeder Eintrag tatsächlich gebraucht wird und für das System eindeutig ist.

Mit dem aktiven Wortschatz starten

Beginne mit Begriffen, die im Team täglich fallen. Für einen ersten Bestand reichen 30 bis 80 Begriffe, sofern du sie aus echten Diktaten, Tickets, E-Mails und Gesprächsnotizen sammelst. Nimm keine Wörter auf, die nur theoretisch wichtig sein könnten.

Ein guter Eintrag enthält mindestens:

• Schreibweise: Hinterlege die Form, die in Dokumenten erscheinen soll.
• Aussprache: Notiere bei schwierigen Begriffen, ob das Team eine deutsche, englische oder verkürzte Aussprache verwendet.
• Kontext: Beschreibe knapp, in welchem Fachsystem oder Prozess der Begriff vorkommt.
• Varianten: Ergänze alternative Schreibweisen nur, wenn sie im Alltag wirklich auftauchen.
• Verantwortung: Bestimme, wer neue Begriffe prüft und freigibt.

In der Medizin können „EKG“, „Stent“ und „Myokardinfarkt“ wichtige Einträge sein. Im Recht sind „BGB“ und „e.A.“ typische Kandidaten. In der IT gehören je nach Team „API“, „YAML“ oder „kubectl“ in die erste Auswahl.

Phonetische Hinweise gezielt einsetzen

Phonetische Einträge lohnen sich bei Eigennamen, Akronymen und Fremdwörtern. „Changelog“ kann im gesprochenen Satz wie „tschei-log“ klingen. Ohne Hinweis erkennt das System möglicherweise zwei bekannte Wörter statt des einen Fachbegriffs.

Bei Eigennamen solltest du die erwartete Form anhand echter Aufnahmen prüfen. Ein Name, der auf dem Papier eindeutig aussieht, kann im gesprochenen Büroalltag mehrere Lautvarianten haben.

Pflege als Prozess organisieren

Eine Kanzlei braucht andere Begriffe als ein SaaS-Unternehmen. Auch zwei Teams im selben Unternehmen können unterschiedliche Kürzel verwenden. Dokumentiere daher nicht nur den Begriff, sondern auch seine Systemgrenze.

Unsere Faustregel: Zehn klar belegte Begriffe sind wertvoller als zweihundert spekulative Einträge.

Prüfe die Liste regelmässig anhand realer Fehler. Wird ein Begriff nie gesprochen, gehört er wahrscheinlich nicht in den aktiven Wortschatz. Entsteht eine neue Variante, sollte sie nicht einfach zusätzlich aufgenommen werden. Erst muss klar sein, ob sie fachlich erwünscht, regional bedingt oder nur ein Erkennungsfehler ist.

Die Dokumentation zu Glossaren und Terminologiepflege hilft dabei, diese Einträge in einen praktischen Diktat-Workflow einzubinden. Wichtig bleibt die Zuständigkeit. Ohne eine Person oder ein kleines Team, das Vorschläge prüft, liegt die Liste nach kurzer Zeit veraltet im SharePoint.

AI-gestützte Korrektur versus klassisches Korrigieren

Klassisches Korrigieren ist einfach zu verstehen: Eine Person liest das Transkript und ändert die fehlerhaften Stellen. Das ist transparent und bei sensiblen Dokumenten zuverlässig, kostet aber Aufmerksamkeit genau dort, wo Diktieren eigentlich entlasten soll.

Ein AI-gestützter Workflow setzt eine zusätzliche Korrekturstufe ein. Das System nutzt den Satzkontext, bekannte Begriffe und frühere Korrekturen, um wahrscheinliche Fehler zu markieren oder automatisch zu ändern. Das spart Zeit, kann aber neue Fehler erzeugen, wenn der Kontext falsch interpretiert wird.

Was sich im Alltag bewährt

Für kurze Notizen kann eine automatische Erstkorrektur ausreichen. Das gilt besonders, wenn die Begriffe eindeutig sind und das Ergebnis ohnehin nicht als endgültiges Dokument dient.

Bei rechtlich verbindlichen Protokollen, medizinischen Einträgen oder technischen Freigaben bleibt menschliche Prüfung Pflicht. Die AI kann Passagen markieren, Schreibweisen vereinheitlichen und offensichtliche Fehler korrigieren. Die verantwortliche Person entscheidet, ob die fachliche Aussage erhalten bleibt.

Die passende Messgrösse ist nicht nur die globale Word Error Rate, kurz WER. Sie zählt Wörter, behandelt aber einen nebensächlichen Füller ähnlich wie einen kritischen Fachbegriff. Miss deshalb die Fehler pro Kategorie, etwa für Medikamentennamen, Paragraphen, Produktcodes oder interne Projektnamen.

Ein schlanker Workflow sieht so aus:

• Erstlauf: Speech-to-Text erzeugt den Rohtext.
• Korrekturlauf: Das System gleicht bekannte Begriffe und den Satzkontext ab.
• Markierung: Unsichere Fachbegriffe werden sichtbar gemacht.
• Freigabe: Eine zuständige Person prüft die fachlich relevanten Änderungen.
• Rückfluss: Wiederkehrende Fehler werden als geprüfte Vocabulary-Einträge dokumentiert.

Teams befähigen und Wortschätze pflegen

Ein Custom Vocabulary funktioniert nur, wenn Menschen es im Arbeitsablauf verwenden. Niemand pflegt eine Terminologieliste dauerhaft, wenn dafür jedes Mal ein separates Projekt, ein kompliziertes Formular oder eine lange Schulung nötig ist.

Die ersten Wochen sinnvoll strukturieren

In der ersten Woche sollte jede neue Kollegin und jeder neue Kollege selbst einen typischen Fehler sehen. Diktiere einen Satz mit einem fehlenden Fachbegriff, ergänze den Begriff im Vocabulary und wiederhole denselben Satz. Der Unterschied wird sofort verständlich, ohne abstrakte Schulungsfolien.

In der zweiten Woche braucht das Team eine einfache Fehlerdatenbank. Sie kann in einem bestehenden Dokument, Ticketsystem oder Formular liegen. Entscheidend ist, dass jede Person einen Fehler mit Originalaussprache, erkannter Form und gewünschter Schreibweise melden kann.

In der dritten Woche werden Zuständigkeiten festgelegt. Eine oder zwei Personen pro Abteilung prüfen neue Vorschläge, entfernen Dubletten und entscheiden, welche Varianten zugelassen sind.

Der Pflegekreislauf bleibt klein

Ein quartalsweiser Refresher von 15 Minuten genügt als kurzer Anlass, die wichtigsten Fehler zu besprechen und neue Begriffe freizugeben. Die quantitative Vorgabe stammt aus dem vorgesehenen Trainingsmodell, nicht aus einer allgemeinen Wirksamkeitsstatistik.

Halte die Regeln sichtbar und kurz:

• Begriff melden: Fehler direkt nach dem Diktat eintragen.
• Kontext ergänzen: Fachsystem, Abteilung und gewünschte Verwendung nennen.
• Freigabe prüfen: Nur belegte Begriffe in den aktiven Wortschatz übernehmen.
• Ergebnis testen: Einen echten Beispielsatz erneut diktieren.
• Liste bereinigen: Veraltete oder ungenutzte Einträge entfernen.

Schulung sollte kein Pflichttermin ohne Bezug zum Alltag sein. Sie funktioniert besser, wenn sie an einem echten Diktat, einem aktuellen Projekt und den Begriffen des jeweiligen Teams ansetzt.

Was bleibt Weniger Begriffe mehr Kontext

Die zentrale Einsicht ist schlicht: Kleine, kuratierte Wortschätze schlagen endlose Wörterbücher. Jeder Eintrag braucht eine gewünschte Schreibweise, eine Aussprache und einen Anwendungsfall. Fehlt dieser Kontext, wächst nur die Zahl möglicher Fehlinterpretationen.

Ordne die Hebel nach ihrem praktischen Nutzen:

• Niedriger Aufwand: Mikrofon positionieren, Hall reduzieren, in vollständigen Sätzen sprechen.
• Mittlerer Aufwand: Aktive Begriffe sammeln und phonetische Varianten dokumentieren.
• Höherer Nutzen: Verantwortlichkeiten, Freigaben und Rückfluss aus echten Fehlern organisieren.
• Dauerhafte Wirkung: Fachwortschatz als gemeinsames Teamwissen behandeln, nicht als private Einstellung einzelner Personen.

Eine kleine Kanzlei kann beispielsweise eine lange Liste auf wenige tatsächlich aktive Begriffe reduzieren. Entscheidend ist nicht eine erfundene Fehlerquote, sondern dass jede Pflegekraft weiss, wofür ein Eintrag steht, in welchem Kontext er gilt und wann er nicht verwendet werden darf.

Für den Alltag zählt ausserdem der Umgang mit Sprachdaten. Sprache gilt im Arbeitsumfeld in der Regel als personenbezogenes Datum, wenn eine Person direkt oder indirekt identifizierbar ist. Die Leitlinien des Europäischen Datenschutzausschusses zu virtuellen Sprachassistenten betonen Privacy-by-Design und eine frühe Risikoprüfung. Die Hamburger Datenschutzbehörde untersagte Google 2019 zunächst für drei Monate ab dem 1. August 2019, Sprachaufnahmen zur Verbesserung der Spracherkennung auszuwerten, nachdem auch Gesprächsausschnitte von Mitarbeitenden und Auftragnehmern angehört worden waren. Die damalige Einordnung der Massnahme zeigt, warum Transparenz und Datenkontrolle bei Voice-AI nicht nachträglich ergänzt werden sollten.

Für ein datenschutzfreundliches Arbeitsmittel wie fluesta bedeutet das lokal kontrollierte Verarbeitung, versionssichere Listen und teamweite Updates. So wird Speech-to-Text alltagstauglich bei voller Privatsphäre, statt zu einem zusätzlichen Compliance-Projekt zu werden.

---

Simon & Furkan haben mit fluesta eine Speech-to-Text Desktop-App für Mac und Windows gebaut, die systemweit in jedem Programm funktioniert und Diktate mit 150+ Wörtern pro Minute ermöglicht. Wenn du deine Fachbegriffe mit einem kleinen, gepflegten Glossar verbinden und dabei auf Zero Data Retention, EU-Hosting und keinen US Cloud Act setzen möchtest, kannst du fluesta direkt ausprobieren.