Zum Inhalt springen
Live-Spuren · Deutsches Audio · Messung vom 10.11.2026

Wie viele Sprecher live mitlaufen. Selbst gemessen.

Im Meeting hat jeder Sprecher eine eigene Spur, und jede Spur braucht ihren Text, während noch gesprochen wird. Gezählt wird, wie viele Spuren eine Maschine gleichzeitig trägt, bevor der fertige Text bei mehr als jedem zwanzigsten Satz später als 1 Sekunde nach Sprechende ankommt.

Spuren pro Maschine

Die Rangliste. Gezählt bis zur Grenze.

Jedes Modell bekommt erst eine Spur, dann zwei, vier, bis 128. Stehen bleibt die größte Zahl, bei der es noch mithält. Daneben, was das Live-Schreiben an Genauigkeit kostet und wie viel Speicher der Server belegt.

ModellLive-SpurenFertiger Text nachWER liveSpeicher
Nemotron 3.5 ASR Streaming 0.6B
NVIDIA · 1× RTX 3090fp32
≥ 128Grenze nicht erreicht0,08 s7,0 %als Datei 8,1 %8,9 GiBGrafikspeicher
Nemotron Labs Unified ASR 0.6B
NVIDIA · 1× RTX 3090fp32
160,09 s4,8 %als Datei 4,0 %3,6 GiBGrafikspeicher
Voxtral-Mini-4B Realtime
Mistral · 1× RTX 3090bf16
160,97 s4,5 %als Datei 4,5 %20,2 GiBGrafikspeicher
Moonshine Streaming Small DE
Moonshine · nur CPUint8vorläufig
20,35 s6,0 %als Datei 4,1 %0,8 GiBArbeitsspeicher

Die Kurven

Wo jedes Modell bricht.

Dieselben Achsen für alle: nach rechts die Spuren, nach oben die Zeit bis zum fertigen Text, logarithmisch. Über der gestrichelten Linie kommt der Text zu spät.

Nemotron 3.5 ASR Streaming 0.6BNVIDIA · 1× RTX 3090 · fp32Bis 128 Spuren unter der Grenze. Mehr wurde nicht geprüft.
Nemotron 3.5 ASR Streaming 0.6B: ≥ 128 Live-Spuren innerhalb von 1,0 sNemotron 3.5 ASR Streaming 0.6B, 1× RTX 3090: p95 Zeit bis zum fertigen Text je Zahl gleichzeitiger Live-Spuren. 1 Spuren: 0,04 s. 2 Spuren: 0,04 s. 4 Spuren: 0,03 s. 8 Spuren: 0,05 s. 16 Spuren: 0,04 s. 32 Spuren: 0,09 s. 64 Spuren: 0,06 s. 128 Spuren: 0,08 s. Alle Stufen unter 1,0 s: die Grenze liegt über 128 Spuren.Grenze 1,0 s0,01 s0,1 s1 s10 s1248163264128gleichzeitige Live-Spuren →nicht gemessen≥ 128
Nemotron Labs Unified ASR 0.6BNVIDIA · 1× RTX 3090 · fp32Bei 32 Spuren 14 s, 1 Fehler.
Nemotron Labs Unified ASR 0.6B: 16 Live-Spuren innerhalb von 1,0 sNemotron Labs Unified ASR 0.6B, 1× RTX 3090: p95 Zeit bis zum fertigen Text je Zahl gleichzeitiger Live-Spuren. 1 Spuren: 0,04 s. 2 Spuren: 0,04 s. 4 Spuren: 0,04 s. 8 Spuren: 0,05 s. 16 Spuren: 0,09 s. 32 Spuren: 14 s, 1 Fehler, über der Grenze. 64 Spuren: 25 s, 11 Fehler, über der Grenze. Grenze bei 16 Spuren.Grenze 1,0 s0,01 s0,1 s1 s10 s1248163264gleichzeitige Live-Spuren →11 Fehler16
Voxtral-Mini-4B RealtimeMistral · 1× RTX 3090 · bf16Bei 32 Spuren 1,9 s.
Voxtral-Mini-4B Realtime: 16 Live-Spuren innerhalb von 1,0 sVoxtral-Mini-4B Realtime, 1× RTX 3090: p95 Zeit bis zum fertigen Text je Zahl gleichzeitiger Live-Spuren. 1 Spuren: 0,39 s. 2 Spuren: 0,42 s. 4 Spuren: 0,71 s. 8 Spuren: 0,88 s. 16 Spuren: 0,97 s. 32 Spuren: 1,9 s, über der Grenze. 64 Spuren: 28 s, 41 Fehler, über der Grenze. Grenze bei 16 Spuren.Grenze 1,0 s0,01 s0,1 s1 s10 s1248163264gleichzeitige Live-Spuren →41 Fehler16
Moonshine Streaming Small DEMoonshine · nur CPU · int8vorläufigBei 4 Spuren 1,1 s.
Moonshine Streaming Small DE: 2 Live-Spuren innerhalb von 1,0 sMoonshine Streaming Small DE, nur CPU: p95 Zeit bis zum fertigen Text je Zahl gleichzeitiger Live-Spuren. 1 Spuren: 0,22 s. 2 Spuren: 0,35 s. 4 Spuren: 1,1 s, über der Grenze. 8 Spuren: 3,0 s, über der Grenze. Grenze bei 2 Spuren.Grenze 1,0 s0,01 s0,1 s1 s10 s1248gleichzeitige Live-Spuren →2
  • Ohne Sprechende-Erkennung. Die gemessene Zeit beginnt, wenn der Satz zu Ende ist. Zu erkennen, dass jemand aufgehört hat zu sprechen, kostet im Live-Betrieb zusätzlich Zeit.
  • Moonshine Streaming Small DE läuft nur auf dem Prozessor, in der 8-Bit-Fassung des Herstellers. Der Vergleichswert als Datei (4,1 %) stammt aus der vollen Genauigkeit; der Abstand mischt also Live-Betrieb und kleinere Zahlenformate.
  • Geteilte Grafikkarte. Neben jedem Modell lief ein kleiner Text-Dienst auf derselben Karte (1,4 GiB). Er ist im Speicher oben nicht mitgezählt.
  • So wurde gemessen. Jede Spur spielt deutsche Sätze aus FLEURS und avemio in Echtzeit ab, 3 Minuten je Stufe. Jede Stufe steht in der Kurve, auch die über der Grenze. Kurven, Rohdaten und Werkzeug liegen offen in raven.eval.

Die Genauigkeit derselben Modelle beim Verschriften fertiger Aufnahmen steht in der Wertung Spracherkennung Deutsch; wie gerechnet wird, in der Methodik.

STT-Benchmark · Stand 09.11.2026 · jede Zahl unabhängig nachprüfbar