Die Magie der KI-Textverfeinerung

Rohe Sprache-zu-Text-Ausgabe ist unordentlich. Es fehlt an Zeichensetzung, es gibt Grammatikfehler, Füllwörter wie „ähm“ und „halt“ sind enthalten, und Fachbegriffe werden oft falsch geschrieben. Das gilt unabhängig davon, welchen STT-Anbieter Sie verwenden — selbst die besten produzieren Ausgaben, die nachbearbeitet werden müssen. OpenTypelesss KI-Verfeinerungsschritt ist es, der diese Rohausgabe in sauberen, professionellen Text verwandelt, der sofort einsatzbereit ist.

Was ist KI-Textverfeinerung?

KI-Textverfeinerung ist der Prozess, bei dem ein großes Sprachmodell (LLM) die rohe Transkriptionsausgabe bereinigt. Stellen Sie es sich so vor, als würde ein erfahrener Lektor jeden Satz überprüfen, den Sie diktieren — Grammatik korrigieren, Zeichensetzung ergänzen, verbale Ticks entfernen und den Text natürlich formatieren. Der entscheidende Unterschied zu herkömmlichen Grammatikprüfern ist, dass LLMs Kontext und Absicht verstehen und so intelligente Entscheidungen treffen können, was korrigiert und was beibehalten werden soll.

In OpenTypeless erfolgt die Verfeinerung automatisch nach jeder Transkription. Ihre Sprache durchläuft zuerst den STT-Anbieter, dann wird der Rohtext mit einem sorgfältig ausgearbeiteten System-Prompt an das von Ihnen gewählte LLM gesendet. Das LLM gibt verfeinerten Text zurück, der Ihre ursprüngliche Bedeutung bewahrt und gleichzeitig die Formulierung bereinigt. Der gesamte Vorgang fügt der Pipeline nur 200–500 ms hinzu — in der Praxis kaum spürbar.

So funktioniert die Pipeline

Die Verfeinerungs-Pipeline ist auf Geschwindigkeit und Zuverlässigkeit ausgelegt. Nachdem der STT-Anbieter den Rohtext zurückgibt, erstellt OpenTypeless einen Prompt, der Folgendes enthält: die Rohtranskription, Ihre Benutzerwörterbuch-Einträge (falls vorhanden) und Anweisungen für das LLM zur Textverfeinerung. Der Prompt ist sorgfältig abgestimmt, um die Bedeutung zu bewahren, den Tonfall beizubehalten und Sonderfälle wie Code-Ausschnitte, URLs und Fachterminologie korrekt zu behandeln.

Der System-Prompt weist das LLM an: Grammatik- und Zeichensetzungsfehler zu korrigieren, Füllwörter und verbale Zögerungen zu entfernen, Eigennamen und Fachbegriffe korrekt groß zu schreiben, den ursprünglichen Tonfall und die Absicht des Sprechers beizubehalten, Code oder technische Inhalte exakt wie gesprochen zu erhalten und Korrekturen aus dem Benutzerwörterbuch anzuwenden. Dieser Prompt wurde durch Tausende realer Transkriptionen verfeinert, um die häufigsten Sprachmuster abzudecken.

Vorher-Nachher-Beispiele

Der beste Weg, KI-Verfeinerung zu verstehen, ist sie in Aktion zu sehen. Hier sind echte Beispiele von OpenTypeless-Nutzern, die die Verwandlung von roher Sprache zu verfeinertem Text zeigen.

Beispiel 1: Technische Diskussion

Roh: 'so basically i think we should like implement the new feature using react server components and maybe add some caching you know and uh also we need to think about the database schema i guess'. Verfeinert: 'I think we should implement the new feature using React Server Components and add caching. We also need to consider the database schema.' Die Füllwörter sind verschwunden, die Groß-/Kleinschreibung stimmt, und der Text liest sich natürlich.

Beispiel 2: E-Mail-Entwurf

Roh: 'hey can you send me the report from last week i need it for the meeting tomorrow morning also let me know if the budget numbers have been updated thanks'. Verfeinert: 'Hey, can you send me the report from last week? I need it for tomorrow morning’s meeting. Also, let me know if the budget numbers have been updated. Thanks!' Zeichensetzung wurde ergänzt, Sätze korrekt getrennt und der lockere Tonfall beibehalten.

Beispiel 3: Code-Review-Kommentar

Roh: 'this function should probably use typescript generics instead of any types and we should add error handling for the api call also the variable name user data should be camel case'. Verfeinert: 'This function should use TypeScript generics instead of `any` types. We should add error handling for the API call. Also, the variable name `userData` should be camelCase.' Fachbegriffe sind korrekt formatiert und Code-Referenzen richtig gekennzeichnet.

Einen LLM-Anbieter wählen

OpenTypeless unterstützt 11 LLM-Anbieter für die Textverfeinerung, die sich jeweils in Geschwindigkeit, Qualität und Kosten unterscheiden. Die Wahl des LLM beeinflusst, wie natürlich und präzise sich die verfeinerte Ausgabe anfühlt. Hier ist eine Übersicht der beliebtesten Optionen.

Für Geschwindigkeit: Groq

Messen Sie für Groq die vollständige Polierreaktion bei kurzen und langen Entwürfen. Notieren Sie das Modell und die Einstellungen.

Für Qualität: OpenAI GPT-4o oder Claude

Vergleichen Sie für OpenAI oder Claude den Ton, die sachliche Beibehaltung und die Terminologie im selben Entwurf und in derselben Eingabeaufforderung.

Für niedrige Kosten: DeepSeek

Geben Sie für DeepSeek den aktuellen Tarif ein und schätzen Sie die Kosten anhand Ihres eigenen monatlichen Textvolumens, bevor Sie ihn auswählen.

Für Datenschutz: Ollama

Für Datenschutz: Ollama — Datenschutz hängt von beiden konfigurierten Routen ab. Verwende einen Custom Whisper-compatible Endpunkt für lokales oder selbst gehostetes STT und Ollama ausschließlich als lokales LLM zur Textbearbeitung. Endpunkt, Modell-Downloads, Updates und weitere Abhängigkeiten können das Netzwerk nutzen; prüfe deshalb vor sensiblen Inhalten die Konfiguration und den tatsächlichen Datenverkehr.

Benutzerwörterbuch

Das Benutzerwörterbuch ist eine der leistungsstärksten Funktionen von OpenTypeless für technische Nutzer. Wenn Sie Begriffe zu Ihrem Wörterbuch hinzufügen, weiß das LLM, dass es diese bei der Verfeinerung exakt so beibehalten soll. Das bedeutet: Aus 'kubernetes' wird 'Kubernetes', aus 'postgres' wird 'PostgreSQL', aus 'nextjs' wird 'Next.js', und die Produktnamen Ihres Unternehmens werden immer korrekt geschrieben. Das Wörterbuch funktioniert mit allen LLM-Anbietern und verbessert die Genauigkeit technischer Transkriptionen erheblich.