ElevenLabs Scribe Test: Transkription auf Deutsch mit Zahlen

👁 116 Aufrufe

ElevenLabs Scribe ist ein Speech-to-Text-Modell, das Aufnahmen in über 90 Sprachen transkribiert, Sprecher erkennt und Geräusche markiert. Wir haben getestet, wie es mit Deutsch zurechtkommt: ein 61 Sekunden langes fiktives Interview mit Namen wie Pfaffenhöfer-Schimmelpfennig, Ortsnamen und zwölf Zahlen, dann automatischer Fehlervergleich in drei Scribe-Varianten und mit lokalem Whisper. Dazu ein Test mit Hintergrundgeräuschen.

01Voice Isolator Test: Rauschen entfernen mit ElevenLabsVoice Isolator von ElevenLabs entfernt Hintergrundgeräusche aus Aufnahmen. Wir haben ihn mit Lüfter, Straße und Café getestet und gemessen, wie viel Rauschen bleibt.Lesen →02ElevenLabs Dubbing auf Deutsch: v1 vs v2 im TestElevenLabs Dubbing v1 und v2 im Test: 24-Sekunden-Clip auf Deutsch synchronisiert. Mit Ergebnissen, Kosten, Zeiten und Stimmenvergleich.Lesen →03ElevenLabs Agents Voicebot: Test einer deutschen ZahnarztpraxisVoicebot auf ElevenLabs Agents im Test: deutsche Zahnarztpraxis-Hotline mit Aufzeichnung, Reaktionszeit, Kosten pro Minute und Simulationen.Lesen →04Voice Changer ElevenLabs: Stimme auf Aufnahme ändernVoice Changer ElevenLabs ändert die Stimme auf fertigen Aufnahmen. Test mit deutschem Monolog: Inhalt, Intonation, Rauschen und Kosten pro Minute.Lesen →05ElevenLabs Voice Cloning: Klone aus 10 s, 30 s und 2 minWir haben Voice Cloning in ElevenLabs auf Deutsch getestet: Klone aus 10 s, 30 s und 2 Minuten Trainingsmaterial, Ähnlichkeitsmessung und Kosten.Lesen →

Was Scribe kann

• Modelle: Scribe v2 für Dateien, Scribe v2 Realtime für Live-Sprache (Latenz ca. 150 ms laut Dokumentation) und Scribe v2 Medical für klinische Aufnahmen. Das ältere Scribe v1 ist als veraltet markiert.
• Deutsch: Die Dokumentation ordnet es in die Gruppe „Excellent“ ein, also mit einer Wortfehlerrate (WER) bis 5%.
• Funktionen: Sprechererkennung (bis 32), Zeitstempel für Wörter, Geräuschbeschreibungen in Klammern, Stichworthinweise bis 1000 Begriffe, Erkennung und Maskierung personenbezogener Daten, Export zu Untertiteln, Transkriptbearbeitung per natürlichsprachlicher Anweisung.
• Limits: Datei bis 5 GB und 10 Stunden. Statt einer Datei können Sie auch einen Link angeben, auch zu YouTube- oder TikTok-Videos.

Unser Test: Interview mit Stolperfallen

Wir haben die Aufnahme selbst erstellt, ohne echte Personen. Zwei ElevenLabs-Stimmen (weiblich Matilda, männlich Brian) lasen mit dem Modell Eleven v4 ein fiktives Interview über die Eröffnung eines Käfermuseums in Wermelskirchen: 61 Sekunden, 124 Wörter, 12 Zahlen (Beträge, Prozente, Uhrzeit, Straßennummer) und Namen, die gerne Transkriptionssysteme durcheinanderbringen: Kretzschmar, Pfaffenhöfer-Schimmelpfennig, Justus-Liebig, Quiddestraße.

Am 29. September 2026 haben wir es durch Scribe v2 mit deutscher Sprache und Sprechererkennung in drei Varianten geschickt, zum Vergleich durch Whisper large-v3 (faster-whisper, float16 auf GPU und int8 auf CPU).

Die automatische Fehlerzählung erfasst Wortunterschiede außer Zahlen. Scribe ohne Zusätze schrieb „Kretschmer“ statt „Kretzschmar“. Mit keyterms (die sieben Schlüsselbegriffe enthielten: Kretzschmar, Wissnox, Wermelskirchen, Pfaffenhöfer-Schimmelpfennig, Wupper, Justus-Liebig, Quiddestraße) wurde der Name korrekt erkannt. Mit transcript_edit kamen zwei Fehler hinzu: „Kretschmer“ und das Wort „Uhr“ fehlte bei der Zeitangabe. Whisper large-v3 schrieb „Kretschmer“ und „Wisnox“ (statt Wissnox).

Zahlen: ausgeschrieben oder als Ziffern

Standardmäßig schreibt Scribe Zahlen so, wie sie klingen: „drei Komma vier acht Millionen Euro“, „achtzehn Euro fünfzig“, „um neun Uhr dreißig“. Nur die Jahreszahl und die Straßennummer wurden als Ziffern geschrieben. Für Notizen und Untertitel ist das unpraktisch, also haben wir den Parameter transcript_edit mit der Anweisung hinzugefügt:

Schreiben Sie alle Zahlen, Beträge, Daten, Uhrzeiten und Nummern als Ziffern,
z. B. 18,50 €, 9:30, 1250. Ändern Sie sonst nichts.

Wir erhielten „3,48 Millionen Euro“, „62 Prozent“, „18,50 €“, „22 Kilometer“, „Bundesstraße B229″ und „um 9:30″, der Rest des Textes blieb unverändert. Der bearbeitete Text kommt in einem separaten Feld edited_transcript neben dem Original. Das kostete 40 Kredits statt 31.

Keyterms können helfen

Stichworthinweise sollen bei Eigennamen helfen. Wir gaben Scribe sieben Begriffe, darunter „Kretzschmar“ und „Pfaffenhöfer-Schimmelpfennig“. Ergebnis: Der automatische Fehler verschwand, alle Namen wurden korrekt erkannt. Keyterms kosten separat: 0,05 USD pro Stunde.

Hintergrundgeräusche

Für den Test von Voice Isolator haben wir einen 25 Sekunden langen synthetischen Monolog (77 Wörter auf Deutsch) erstellt und Geräusche von Ventilator, Straße und Café hinzugefügt, jeweils so laut wie die Sprache (0 dB Signal-Rausch-Verhältnis). Scribe transkribierte alle drei Versionen fehlerfrei. Erst als das Café-Geräusch 5 dB lauter war als die Sprache, entstanden 11 von 77 Fehlern (14,3%). Interessanterweise lieferten mit Voice Isolator vorab gereinigte Aufnahmen mehr Fehler als die Originalaufnahmen, also sollten Sie vor der Transkription den Ton nicht bereinigen.

Scribe oder Whisper

Unsere Meinung: Wenn die Aufnahme in die Cloud darf, gewinnt Scribe durch Genauigkeit bei Namen, Sprechererkennung und Geschwindigkeit. Whisper macht Sinn, wenn das Material den Computer nicht verlassen darf oder Sie Hunderte Stunden transkribieren und Nullkosten zählen. Einen Vergleich lokaler Modelle finden Sie im Text Whisper AI, eine Übersicht anderer Tools im Ratgeber zur Transkription.

Wie Sie eine Aufnahme mit Scribe transkribieren

In der Anwendung: Speech to Text, Datei hochladen oder Link einfügen, Sprache Deutsch wählen (automatische Erkennung funktioniert auch, aber manuelle Wahl ist ein Risiko weniger) und Sprechererkennung aktivieren. Die fertige Transkription können Sie u. a. als Untertitel herunterladen. Über API (getestet am 29.09.2026):

curl -X POST https://api.elevenlabs.io/v1/speech-to-text 
  -H "xi-api-key: $ELEVENLABS_API_KEY" 
  -F model_id=scribe_v2 -F language_code=de -F diarize=true 
  -F "transcript_edit=Schreiben Sie alle Zahlen, Beträge, Daten und Uhrzeiten als Ziffern." 
  -F file=@aufnahme.wav

Was Scribe kostet

Die API-Antwort-Header zeigten uns die Kosten direkt: Das 61-Sekunden-Interview kostete 31 Kredits und 0,00372 USD, mit Zahlenbearbeitung 40 Kredits und 0,00480 USD. Transkription ist auch im kostenlosen Plan verfügbar. Die Pläne beschreiben wir im Text was ElevenLabs kostet, die übrigen Funktionen im Leitfaden ElevenLabs.

Häufige Fragen

Erkennt ElevenLabs Scribe Deutsch gut?

In unserem Test ja: 124 Wörter Interview mit schwierigen Namen und 12 Zahlen, 1 automatischer Inhaltsfehler ohne keyterms, 0 mit keyterms. Die Dokumentation zählt Deutsch zu den Sprachen mit einer Fehlerrate bis 5%.

Was kostet Transkription bei ElevenLabs?

Über API 0,22 USD pro Stunde Aufnahme in Scribe v2, ohne MwSt. Unsere 61-Sekunden-Aufnahme kostete 31 Kredits.

Wie bringe ich Scribe dazu, Zahlen als Ziffern zu schreiben?

Fügen Sie den Parameter transcript_edit mit der Anweisung „Schreiben Sie alle Zahlen, Beträge, Daten und Uhrzeiten als Ziffern“ hinzu. Die korrigierte Version kommt im Feld edited_transcript, gegen geringen Aufpreis.

Erkennt Scribe, wer spricht?

Ja, nach Aktivierung von diarize trennt es bis zu 32 Sprecher. In unserem Interview ordnete es alle 6 Sprecherwechsel den richtigen Personen zu.

Ist Scribe besser als Whisper?

Bei unserer Aufnahme ja: Scribe erkannte mit keyterms alle Namen korrekt, Whisper large-v3 machte 2 Fehler, und war auf der CPU 17-mal langsamer (auf der GPU vergleichbar schnell). Whisper läuft dafür lokal und ohne Gebühren.

// weiterlesenElevenLabs Sound Effects: Test deutscher und englischer PromptsBenchmarksElevenLabs Dubbing auf Deutsch: v1 vs v2 im TestBenchmarksElevenLabs Voice Cloning: Klone aus 10 s, 30 s und 2 minBenchmarks

Kinetyra

Der Link zu ElevenLabs ist ein Partnerlink: Wenn Sie darüber kaufen, erhält WISSNOX eine Provision, für Sie bleibt der Preis gleich. Auf den Inhalt hat das keinen Einfluss, auch nicht auf kritische Passagen.