Funktionen¶

ASR Transcription stellt vier Arbeitsmodi zur Verfügung: Live-Transkription über das Mikrofon, Verarbeitung einzelner Audiodateien, sequenzielle Stapelverarbeitung mehrerer Dateien sowie ein Status- und Konfigurations-Tab für die Diagnose. Über die gesamte Verarbeitung hinweg greifen optionale Audio-Vorverarbeitung, automatische Segmentierung, eine Voice Activity Detection und ein Post-Processing zur Halluzinations-Erkennung.

Anwendungsszenarien¶

Live-Transkription von Vorträgen und Vorlesungen — Während der Veranstaltung wird das Mikrofon-Audio in einstellbaren Zeitfenstern an den ASR-Server gesendet. Das Transkript baut sich kumulativ im Browser auf und kann unmittelbar als Datei gespeichert werden.
Nachträgliche Transkription einzelner Aufnahmen — Hochgeladene Mitschnitte von Interviews, Besprechungen oder Forschungsgesprächen werden vollständig transkribiert. Lange Dateien werden ohne weiteres Zutun in Segmente aufgeteilt und am Ende zusammengefügt.
Batch-Transkription größerer Bestände — Mehrere Audiodateien werden in einem Durchgang sequenziell verarbeitet. Das eignet sich für Forschungskorpora, Lehrveranstaltungs-Archive oder die Aufbereitung qualitativer Datensätze.
Untertitelerstellung für barrierefreie Lehrmaterialien — Über das Antwortformat SRT oder VTT entstehen direkt Untertiteldateien, die sich in Lernplattformen oder Videoschnitt-Werkzeuge einbinden lassen.
Mehrsprachige Transkription mit Fachvokabular — Die Sprache wird entweder vorgegeben oder automatisch erkannt. Über das Kontext-Feld lassen sich Eigennamen, Akronyme und Fachbegriffe mitsenden, damit sie korrekt geschrieben werden.
Diagnose und Konfigurationsprüfung — Vor dem produktiven Einsatz oder nach einem Modellwechsel kann die Verbindung zum Inferenz-Server geprüft werden. Verfügbare Modelle, Antwortverhalten beider Endpoints und aktive Konfiguration werden in einem Tab gebündelt.

Auf einen Blick¶

Vier Arbeitsmodi: Live (Mikrofon-Streaming), Datei (Einzeldatei), Batch (mehrere Dateien), Test (Diagnose)
Zwei wählbare ASR-Modelle über Konfiguration: Qwen3-ASR-1.7B oder Voxtral-Mini-4B-Realtime
Zwei API-Methoden: klassische Transcriptions-API oder Chat-API mit System-Prompt für besseren Eigennamen-Umgang
Audio-Eingabe als WAV, MP3, FLAC, OGG, M4A oder WEBM; interne Verarbeitung als 16 kHz Mono PCM16
Antwortformate: JSON, verbose JSON (mit Zeitstempeln je Segment), Plain-Text, SRT, VTT
Qualitätssicherung über Audio-Vorverarbeitung, VAD, automatische Segmentierung und Halluzinations-Bereinigung
13 Sprachen (Voxtral) oder 52 Sprachen (Qwen3-ASR), jeweils inklusive Auto-Erkennung

Eingabe und Datenquellen¶

Audio wird auf zwei Wegen in die Anwendung gegeben. Über das Browser-Mikrofon greift der Live-Tab in einstellbaren Zeitfenstern Audio-Chunks ab; alternativ lassen sich im Datei- und Batch-Tab Audiodateien hochladen.

Mikrofon-Streaming — Die Browser-Audio-Quelle liefert numpy-Chunks mit der nativen Samplerate (typischerweise 44,1 oder 48 kHz). Die Anwendung resampelt automatisch auf 16 kHz Mono.
Datei-Upload — Unterstützt werden gängige Audio-Container und -Codecs (WAV, MP3, FLAC, OGG, M4A, WEBM). Die Dekodierung erfolgt intern über librosa und FFmpeg.
Mehrfach-Upload für Stapelverarbeitung — Im Batch-Tab können mehrere Dateien gleichzeitig ausgewählt werden; sie werden nacheinander mit identischen Einstellungen verarbeitet.

Inferenz-Anbindung¶

Die eigentliche Spracherkennung läuft auf einem separat betriebenen Inferenz-Server. Die Anwendung kommuniziert ausschließlich mit diesem Server.

vLLM-Server (intern) — Bereitstellung der Modelle Qwen3-ASR oder Voxtral über die Endpoints /v1/audio/transcriptions und /v1/chat/completions. Server-URL und ein optionaler Bearer-Token werden über Umgebungsvariablen konfiguriert.

Antwortformate¶

Die Antwort des Servers kann in fünf Formaten angefordert werden:

JSON — Reiner Transkriptionstext im Standardfeld; Default für Live- und Batch-Modus.
verbose JSON — Zusätzlich erkannte Sprache, Audiodauer und Segmentliste mit Zeitstempeln; geeignet für nachgelagerte Verarbeitung.
Plain-Text — Unstrukturierter Fließtext.
SRT und VTT — Untertitelformate mit Zeitcodes, direkt nutzbar in Videoplattformen und Schnittprogrammen.

Über die Download-Schaltfläche wird das jeweilige Format mit passender Dateiendung als Datei bereitgestellt.

Qualitätssichernde Funktionen¶

Mehrere Mechanismen sollen die Verlässlichkeit der Transkription gegenüber einem direkten Modellaufruf verbessern.

Audio-Vorverarbeitung — Optional vor der Segmentierung. Drei einzeln schaltbare Stufen: Peak-Normalisierung auf -1 dB für einheitliche Lautstärke, spektrales Gating zur Entfernung stationären Hintergrundrauschens (Lüfter, Klimaanlage, Raumrauschen) und Hochpass-Filter bei 80 Hz gegen Netzbrummen und tieffrequente Störungen.
Voice Activity Detection — Energiebasierte Erkennung von Sprachanteilen. Segmente, die unterhalb eines Schwellenwerts liegen, werden vor dem Versand an das Modell übersprungen. Das spart Rechenzeit und vermeidet Halluzinationen auf reiner Stille.
Automatische Segmentierung mit Überlappung — Audiodateien jenseits der eingestellten Segmentlänge (Standard 15 Minuten) werden in Stücke geschnitten, die jeweils zwei Sekunden überlappen. Dadurch werden sowohl das Längenlimit als auch das Dateigrößenlimit der Inferenz-API umgangen, ohne dass an Segmentgrenzen Wörter verloren gehen.
Halluzinations-Bereinigung — Typische ASR-Fehlmuster (repetitive Zeichenfolgen, mehrfach wiederholte kurze Phrasen) werden per regulärem Ausdruck erkannt und reduziert. Wird durch die Bereinigung mehr als 80 % des Originaltextes entfernt, gilt die Antwort als vollständig halluziniert und wird durch einen Hinweistext ersetzt.
Kontext-Prompt — In jedem Tab kann ein Hinweisfeld gefüllt werden mit Eigennamen, Fachbegriffen, thematischem Kontext oder Stilangaben. Der Inhalt wird mit jedem Segment mitgesendet, was die Schreibweise von Namen und Begriffen stabilisiert.
Methodenwahl bei der API — Bei schwierigen Eigennamen-Vorgaben kann von der klassischen Transcriptions-API auf die Chat-API mit System-Prompt umgeschaltet werden. Diese gibt dem Modell eine explizite Instruktion mit, ausschließlich den transkribierten Text zurückzugeben und vorgegebene Begriffe exakt zu schreiben.
Fortschritts- und Fehleranzeige — Lange Verarbeitungen werden segmentweise im Ergebnisfeld nachverfolgbar. HTTP-Fehler des Backends werden mit Statuscode und Auszug der Antwort angezeigt, statt die Verarbeitung abzubrechen.
Verbindungs-Diagnose — Der Test-Tab prüft die Erreichbarkeit des Inferenz-Servers, listet die dort registrierten Modelle, sendet einen Stille-Test an beide Endpoints und fasst die aktive Konfiguration zusammen.

Konfiguration¶

Wesentliche Parameter sind über Umgebungsvariablen oder eine .env-Datei steuerbar: Backend-URL und API-Key, Modelltyp und Modell-Bezeichnung, Default-Werte für Temperature, Antwortformat und Live-Verarbeitungsfenster, maximale Segmentlänge sowie Bind-Adresse, Port und Reverse-Proxy-Pfad der Oberfläche.