ASR Transcription¶

ASR Transcription ist eine Web-Oberfläche zur Spracherkennung im Hochschulkontext. Audio wird über das Browser-Mikrofon oder als hochgeladene Datei eingespeist und an einen ASR-Server (vLLM mit OpenAI-kompatibler API) weitergereicht; das Transkript erscheint im Browser. Die Anwendung kombiniert ein konfigurierbares ASR-Modell mit mehrstufiger Audio-Vorverarbeitung, automatischer Segmentierung langer Aufnahmen, einer Voice Activity Detection und einer Halluzinations-Bereinigung im Post-Processing.

Auf einen Blick¶

Vorlesungen und Vorträge live transkribieren — das Transkript erscheint laufend im Browser
Aufgenommene Interviews, Sitzungen oder Vortragsmitschnitte als Datei hochladen und vollständig transkribieren lassen
Mehrere Audiodateien in einem Durchgang sequenziell verarbeiten (Batch)
Untertiteldateien im SRT- oder VTT-Format für barrierefreie Lehr- und Forschungsmaterialien erzeugen
Eigennamen, Fachbegriffe oder thematischen Kontext per Hinweisfeld vorgeben, damit das Modell sie korrekt schreibt
Aufnahmen mit störendem Hintergrundrauschen oder Brummen vor der Transkription automatisch bereinigen
Zwischen 13 und 52 Sprachen wählen oder die Sprache automatisch erkennen lassen

Highlights¶

Im Unterschied zu einem direkten Aufruf einer Transkriptions-API oder einem einfachen Skript bündelt ASR Transcription mehrere Verarbeitungsstufen, die gemeinsam für stabilere und besser nutzbare Ergebnisse sorgen.

Wählbares ASR-Modell — Über die Konfiguration kann zwischen Qwen3-ASR-1.7B (52 Sprachen) und Voxtral-Mini-4B-Realtime-2602 (13 Sprachen) gewechselt werden. Die Sprachauswahl der Oberfläche passt sich automatisch an das aktive Modell an.
Zwei API-Methoden — Neben der klassischen Transcriptions-API steht eine Chat-API mit System-Prompt zur Verfügung. Letztere übergibt vorgegebene Eigennamen und Fachbegriffe als Anweisung an das Modell und liefert dadurch zuverlässigere Schreibweisen.
Mehrstufige Audio-Vorverarbeitung — Optional können Peak-Normalisierung, spektrale Rauschunterdrückung und ein 80-Hz-Hochpass-Filter aktiviert werden, bevor das Audio segmentiert und versendet wird. Das verbessert die Erkennungsqualität bei nicht-idealen Aufnahmen.
Automatische Segmentierung mit Stille-Erkennung — Aufnahmen, die das Längenlimit der Inferenz-API überschreiten, werden in überlappende Segmente aufgeteilt. Segmente ohne Sprachanteil werden über eine energiebasierte Voice Activity Detection übersprungen, was Verarbeitungszeit und Halluzinationen reduziert.
Halluzinations-Bereinigung im Post-Processing — Typische ASR-Fehlmuster (repetitive Zeichenfolgen, mehrfach wiederholte kurze Phrasen) werden per Mustererkennung erkannt und reduziert. Vollständig halluzinierte Antworten werden durch einen entsprechenden Hinweis ersetzt.
Kontext-Prompt für Eigennamen und Fachvokabular — Über ein optionales Textfeld lassen sich Namen, Begriffe oder thematische Hinweise mitsenden. Der Kontext begleitet jedes Segment, auch bei automatisch geteilten langen Dateien.
Anbindung an interne Inferenz-Infrastruktur — Die Transkription erfolgt über einen separat betriebenen vLLM-Server. Die Anwendung selbst überträgt keine Audiodaten an externe Anbieter; URL und Zugangsdaten werden konfiguriert.
DSGVO-bewusster Aufbau — Keine Einbindung externer Schriftarten oder CDN-Ressourcen, deaktivierte Telemetrie der Oberfläche, kein Tracking durch Drittdienste.
Containerisierte Bereitstellung — Die Anwendung wird als Docker-Image ausgeliefert. Die Audio-Systembibliotheken (FFmpeg, libsndfile) sind im Image enthalten, der Prozess läuft als nicht-privilegierter Benutzer und ein Healthcheck prüft die Erreichbarkeit der Oberfläche.