Wer schon einmal ein Meeting in Hong Kong aufgenommen und durch eine Transkriptions-App laufen lassen hat, weiß: Kantonesisch ist eine der schwierigeren Sprachen für automatische Erkennung. Ein Satz wie „我想去 Causeway Bay 開會 prepare 一下 個 deck" vermischt Kantonesisch und Englisch in einem einzigen Atemzug — und genau dort zeigen die meisten Transkriptions-Tools ihre Grenzen.
Das ist kein Randproblem. Code-Switching — das Wechseln zwischen Kantonesisch und Englisch mitten im Satz — ist der alltägliche Sprachstil in Wirtschaft, Technik und Alltag in Hong Kong. Es ist zugleich eines der technisch anspruchsvollsten Probleme in der chinesischen Spracherkennung.
Wir haben einen neutralen, praxisorientierten Vergleich der wichtigsten kantonesischen Spracherkennungs-Tools im Jahr 2026 zusammengestellt — Google, Apple, Microsoft Azure, OpenAI Whisper, Otter.ai, iFLYTEK, ElevenLabs und Speechmatics — und dabei Genauigkeit, Code-Switching, Datenschutz sowie die Benutzerfreundlichkeit im Alltag bewertet. Jedes Tool hat seine Stärken; das Ziel ist, das jeweils passende für Ihre Anforderungen zu finden.
Wie Genauigkeit gemessen wird
Transkriptionsgenauigkeit wird üblicherweise als Word Error Rate (WER) (Wortfehlerrate) oder Character Error Rate (CER) (Zeichenfehlerrate) angegeben — der Anteil der Wörter oder Zeichen, die von einer korrekten Referenz abweichen. Niedriger ist besser. Unter etwa 5 % gilt als ausgezeichnet; rund 20 % bedeutet in der Regel, dass eine umfangreiche manuelle Nachbearbeitung nötig ist.
Der am häufigsten zitierte öffentliche Benchmark für Kantonesisch ist der Common Voice Yue-Datensatz — echte kantonesische Sprecher beim lauten Vorlesen. Bei diesem sauberen, vorgelesenen Kantonesisch hat unabhängiges Testen folgende Zeichenfehlerraten ergeben:
| Engine | Gemeldete CER (Common Voice Yue) | Hinweise |
|---|---|---|
| Apple (On-Device) | ~7,4 % | Läuft lokal auf Mac/iPhone |
| Google Cloud Speech-to-Text | ~11,4 % | Modell „yue-Hant-HK" |
| Microsoft Azure / Cognitive Services | ~22,5 % | Starke Entwickler-Tools |
Nach diesem Benchmark schneidet Apples On-Device-Modell für Kantonesisch gut ab — die gemeldete CER liegt rund 35 % unter der von Google und rund 67 % unter der von Microsoft auf diesem Datensatz, und es läuft vollständig auf dem Gerät. Für jemanden, der sauberes Kantonesisch auf einem Mac diktiert, ist es eine wirklich gute, kostenlose Option.
Ein wichtiger Vorbehalt: Dieser Benchmark misst sauberes, vorgelesenes, einsprachiges Kantonesisch ohne Englisch darin. So spricht die Mehrheit der Menschen in Hong Kong im Alltag jedoch nicht.
Warum Code-Switching der eigentliche Test ist
Common Voice ist sorgfältig aufgezeichnete, einsprachige Sprache. Alltägliches Hongkonger Kantonesisch ist dagegen umgangssprachlich, schnell und mit Englisch durchmischt:
"個 user feedback 話 個 flow 唔 make sense, 不如 我哋 sync 一 sync 先。"
Ein Benchmark-Wert für sauberes Kantonesisch sagt wenig darüber aus, wie ein Tool einen solchen Satz verarbeitet. Wissenschaftliche Forschung zum kantonesisch-englischen Code-Mixing nennt zwei Gründe, warum das für jede Engine schwierig ist:
- Englisch mit kantonesischem Akzent klingt anders als „Standard"-Englisch, was das englischsprachige Modell aus dem Takt bringen kann.
- Begrenzte Trainingsdaten für Code-Switching — viele Systeme wurden überwiegend mit einsprachigem Kantonesisch oder einsprachigem Englisch trainiert, nicht mit der natürlichen Mischung.
Das betrifft das gesamte Feld, nicht nur eine einzelne Marke. In umfassenderen Tests hat code-geswitchtes Audio die Genauigkeit gängiger Tools verringert — eine vielzitierte Studie berichtete von Genauigkeitseinbußen beim Spanisch-Englisch-Mischen. Die praktische Schlussfolgerung: Für Hongkonger Audio ist wichtiger, wie ein Tool mit Englisch im Kantonesischen umgeht, als der Haupt-Benchmark-Wert.
Die Tools im Einzelnen
Otter.ai
Otter ist eine der beliebtesten Transkriptions-Apps insgesamt, mit ausgezeichneten Meeting-Funktionen und Zusammenfassungen. Stand 2026 ist die Transkription auf Englisch ausgerichtet und bietet keine kantonesische Transkription. Wer gezielt nach Kantonesisch sucht, benötigt ein Tool mit nativer Unterstützung.
OpenAI Whisper
Whisper unterstützt eine sehr breite Palette von Sprachen und kann Kantonesisch transkribieren. Standardmäßig neigt es dazu, schriftliches Standard-Chinesisch auszugeben (zum Beispiel „他們" statt des umgangssprachlichen „佢哋"). Es gibt von der Community fein abgestimmte Kantonesisch-Modelle, die die umgangssprachliche Ausgabe erhalten, aber deren Nutzung erfordert etwas technisches Know-how. Whisper eignet sich daher eher für Entwickler und erfahrene Nutzer als für jemanden, der einfach eine App öffnen möchte.
Google Cloud Speech-to-Text
Googles Modell „yue-Hant-HK" skaliert gut und ist eine solide Wahl für schnelle Entwürfe und groß angelegte automatisierte Verarbeitung innerhalb von Google Cloud. Wie bei den meisten automatisierten Engines profitiert die Rohausgabe in der Regel von einer Überarbeitungsrunde, und code-geswitchtes Englisch kann Bereinigung erfordern. Es handelt sich um ein API-/Entwicklerprodukt, keine Verbraucher-App.
Microsoft Azure AI Speech
Azure bietet starke Entwickler-Tools und eine saubere Integration in Microsoft-Cloud-Workflows, was es zu einer beliebten Wahl für Engineering-Teams macht. Die Dokumentation weist darauf hin, dass die Kantonesisch-Ausgabe bei Code-Switching eine Überprüfung empfiehlt. Wie Google richtet es sich an Entwickler, die eigene Anwendungen aufbauen.
iFLYTEK (科大訊飛)
iFLYTEK ist ein führendes Unternehmen im Bereich Sprach-KI und hat stark in Hong Kong investiert. Es bietet mittlerweile Kantonesisch-Unterstützung direkt für den lokalen Markt an — darunter das iFLYREC Multilingual Conference System (Ausgabe Hongkong & Macao) und Meeting-Lösungen, die es Nutzern ermöglichen, zwischen Kantonesisch, Hochchinesisch (Putonghua) und Englisch zu wechseln, sowie On-Premises-Optionen und Übersetzer-Hardware. Es ist eine leistungsfähige, seriöse Option — besonders für Unternehmens- und Konferenzanwendungen, bei denen On-Premises-Hosting oder dedizierte Hardware zum Workflow passt.
ElevenLabs Scribe & Speechmatics
Beide sind starke, moderne Spracherkennungs-Engines. ElevenLabs ordnet Kantonesisch in seine höhere Genauigkeitsstufe ein, und Speechmatics wirbt mit hoher Genauigkeit bei niedriger Latenz. Beide sind primär Cloud-basierte, kostenpflichtige, API-first-Dienste — ausgezeichnete Bausteine für Entwickler, wobei das Audio in der Cloud verarbeitet wird.
Vergleichende Übersicht
| Tool | Kantonesisch-Unterstützung | Am besten geeignet für | Läuft auf dem Gerät | Typischer Zugang |
|---|---|---|---|---|
| Otter.ai | Englisch-fokussiert | Englischsprachige Meetings | Nein | Abo-App |
| Apple Dictation | Ja (stark bei sauberem Audio) | Mac/iPhone-Diktat | Ja | Eingebaut, kostenlos |
| Google Cloud STT | Ja | Entwickler, Massenverarbeitung | Nein | API / nutzungsbasiert |
| Microsoft Azure | Ja | Entwickler, MS-Workflows | Nein | API / nutzungsbasiert |
| OpenAI Whisper | Ja (→ schriftliches Chinesisch) | Entwickler, erfahrene Nutzer | Ja (technisch) | Open-Source / selbst gehostet |
| iFLYTEK | Ja (HK dreisp.) | Unternehmen, Konferenzen | On-Prem-Option | Enterprise / Hardware |
| ElevenLabs / Speechmatics | Ja | Entwickler | Nein | Kostenpflichtige API |
| Traverba | Ja (HK-optimiert) | Alltags-Nutzer | Ja | Kostenlose App |
Es gibt kein einzelnes „Bestes" — es kommt darauf an, was man tun möchte. Ein Entwickler, der ein Produkt baut, wird Whisper oder Azure lieben. Ein Konferenzorganisator ist mit iFLYTEKs dediziertem System möglicherweise am besten bedient. Ein Mac-Nutzer, der sauberes Kantonesisch diktiert, hat Apple kostenlos eingebaut.
Drei Fragen zur Auswahl des richtigen Tools
1. Wie viel Englisch steckt in Ihren Aufnahmen? Wenn Ihre Aufnahmen überwiegend sauberes Kantonesisch enthalten, sind die Haupt-Benchmarks ein fairer Leitfaden. Wenn sie voller Englisch mitten im Satz sind — wie bei den meisten Hongkonger Meetings — sollten Sie ein Tool priorisieren, das speziell für Code-Switching entwickelt oder darauf abgestimmt wurde.
2. Wo wird Ihr Audio verarbeitet? Cloud-Transkription bedeutet, Aufnahmen auf einen Drittanbieter-Server hochzuladen. Bei vertraulichen Meetings, medizinischen oder rechtlichen Audiodaten hält On-Device-Verarbeitung die Daten auf Ihrem Telefon oder Computer.
3. Wie technikaffin sind Sie? Whisper, Azure und die API-Engines sind Entwickler-Tools. iFLYTEKs Konferenzsysteme sind Unternehmens-Deployments. Wer einfach eine App öffnen, auf Aufnahme drücken und ein Transkript lesen möchte, braucht eine Verbraucher-App, die genau dafür ausgelegt ist.
Wo Traverba passt
Traverba ist für diese letzte Gruppe gebaut — Alltags-Nutzer, die etwas Einfaches möchten. Keine API-Schlüssel, kein Cloud-Konto, kein Unternehmens-Rollout. Sie öffnen die App, und sie funktioniert.
Der Fokus liegt auf der Sprache, die Menschen in Hong Kong tatsächlich sprechen: Kantonesisch mit beigemischtem Englisch. Anstatt das Englisch als etwas zu behandeln, das herausgefiltert werden muss, ist Traverba auf lokale Sprachmuster abgestimmt — das Englisch mitten im Satz, Markennamen und Slang aus echten Gesprächen. Und da die Verarbeitung auf dem Gerät stattfindet, bleiben Ihre Audiodaten bei Ihnen, anstatt auf einen Server hochgeladen zu werden.
Traverba versucht nicht, ein Unternehmens-Konferenzsystem oder einen professionellen menschlichen Transkriptionisten zu ersetzen — diese haben ihren Platz. Es ist für die alltäglichen Momente gebaut, in denen Kantonesisch und Englisch ineinander übergehen und Sie einfach lesbaren Text brauchen — schnell, auf Ihrem eigenen Telefon.
Jetzt ausprobieren
Traverba ist auf beiden Plattformen kostenlos — Sprachübersetzung, Kameraübersetzung, Bildschirmübersetzung und Textübersetzung sind alle kostenlos und unbegrenzt nutzbar.
Verfügbar bei Google Play und im App Store. Mehr erfahren auf traverba.com.
Jedes Tool in diesem Vergleich ist bei etwas gut. Wenn Sie eine einfache, On-Device-App benötigen, die für alltägliches Hongkonger Kantonesisch-Englisch optimiert ist, ist Traverba genau dafür gebaut.
Die oben angeführten Genauigkeitswerte stammen aus öffentlichen Kantonesisch-ASR-Benchmarks auf dem Common Voice Yue-Datensatz und veröffentlichter Forschung zum kantonesisch-englischen Code-Switching. Funktions- und Sprachunterstützung spiegeln das Angebot der jeweiligen Anbieter Stand Juni 2026 wider und kann sich ändern. Die Genauigkeit in der Praxis variiert je nach Audioqualität, Akzenten und dem Anteil an Englisch im Gespräch; wir empfehlen Lesern, Tools mit eigenen Audiodaten zu testen.