Audio- und Sprach-Foundation-Modelle in SAP-Workflows

Worum es geht

Audio- und Sprach-Foundation-Modelle wandeln gesprochene Sprache in strukturierten Text um — automatische Spracherkennung, oder ASR — und übernehmen zunehmend auch semantische Aufgaben direkt am Audiosignal selbst, etwa Speaker-Diarisation, Emotionserkennung und Spracherkennung. Das Modell, das diese Kategorie definiert, ist Whisper, 2022 von OpenAI veröffentlicht: ein Transformer-Sequence-to-Sequence-Modell, trainiert auf 680.000 Stunden mehrsprachigem Audio, das mit Wortfehlerraten aufwartet, die mit kommerziellen ASR-APIs konkurrieren können — zu praktisch null Grenzkosten, sobald selbst gehostet. Der SAP-Schmerzpunkt, den Whisper adressiert, ist struktureller Natur: Audio, das von Außendiensttechnikern, Callcenter-Agenten, Spesenerläuterungen und Meeting-Aufnahmen erzeugt wird, ist für SAP-Analysen aus einem einfachen Grund unsichtbar — es liegt in MP3- oder WAV-Dateien vor, nicht in Tabellenfeldern, und nichts in einer Standard-S/4HANA-Landschaft kann eine Audio-Wellenform abfragen.

Warum es zählt

• Whisper ist auf 680.000 Stunden mehrsprachigem Audio trainiert und erreicht kommerzielle ASR-APIs bei null Grenzkosten, sobald selbst gehostet.
• Callcenter-QA diarisiert und bewertet jeden Anruf gegen eine Compliance-Checkliste und speist strukturierte Bewertungen in ein CRM-Fallfeld und ein SAC-Dashboard ein.
• Field-Service-Sprachnotizen werden transkribiert und entitätenextrahiert, um S/4HANA-PM-Meldungen vorzufüllen, wodurch die manuelle Dateneingabe für Techniker entfällt.

Kernpunkte

• Whisper large-v3: trainiert auf 680.000 Stunden mehrsprachigem Audio, Open Source, läuft 50× Echtzeit auf einer A10G-GPU.
• Keine native Diarisation — pyannote.audio für die Sprechertrennung in Callcenter-QA-Anwendungsfällen anhängen.
• SAP-Concur-Spesenerläuterung: 4,2 Min. → 1,1 Min. pro Position in Enterprise-Pilots.
• Streaming-Latenz: 300-800 ms zusätzliche Pufferung gegenüber Batch — für Echtzeit-IVR vermeiden.
• Ein „Meeting-Intelligence“-Muster (Transkription + Zusammenfassung + strukturiertes Zurückschreiben in SAP-Collaboration-Datensätze) ist architektonisch unkompliziert auf Whisper plus dem Orchestrierungsdienst des Generative AI Hub zu bauen, aber ein benanntes, allgemein verfügbares SAP-Produkt dafür wurde bei dieser Prüfung an keiner primären SAP-Quelle unabhängig bestätigt — als individuellen Aufbau scopen, bis eine benannte Produktseite bestätigt ist.
• Named-Entity-Extraktion nach der Transkription — nicht die Transkription selbst — ist der Ort, an dem der SAP-Geschäftswert in jedem Integrationsmuster dieser Karte liegt; eine reine Transkription ändert für sich genommen nichts an einem S/4HANA- oder Concur-Prozess.
• Code-Switching und regionale Akzentvariation sind dokumentierte Schwachstellen von Whisper — die Wortfehlerrate an repräsentativem Audio der tatsächlichen globalen Nutzerbasis prüfen, bevor ein Genauigkeits-SLA zugesagt wird.

Begriffe auf dieser Seite

Whisper

OpenAI-2022-Sequence-to-Sequence-ASR-Modell. Trainiert auf 680.000 Stunden mehrsprachigem Audio. Verfügbar als Open-Source-Gewichte (small/medium/large-v3). Keine native Diarisation.

WER

Word Error Rate — die Standard-Genauigkeitskennzahl für ASR. WER = (Substitutionen + Auslassungen + Einfügungen) / Anzahl Referenzwörter.

Diarisation

Trennung von Audio nach Sprecheridentität — „wer hat wann gesprochen“. Whisper enthält dies nicht nativ; pyannote.audio ist die Standard-Begleitbibliothek.

SAP Field Service Management (FSM)

SAPs mobile Außendienstanwendung — der verifizierte, benannte Einstiegspunkt für das in dieser Karte beschriebene Muster Sprachnotiz-zu-PM-Meldung, anders als einige „Meeting-Intelligence“-Wrapper-Produkte, die bei dieser Prüfung an keiner primären SAP-Quelle unabhängig bestätigt wurden.

Automatic Speech Recognition (ASR)

Die allgemeine Modellkategorie, die gesprochenes Audio in Text umwandelt; Whisper ist das aktuelle Open-Weight-Referenzmodell, neben kommerziellen APIs (Google Speech-to-Text, Azure AI Speech).

Named-Entity-Extraktion (nach ASR)

Der nachgelagerte Schritt, der eine rohe Transkription in strukturierte Felder verwandelt (Spesenart, Fehlercode, Compliance-Kennzeichen) — der Fallstricke-Abschnitt dieser Karte identifiziert diesen Schritt, nicht die Transkriptionsgenauigkeit, als den Ort, an dem der SAP-Geschäftswert tatsächlich liegt.

Streaming- vs. Batch-ASR

Streaming-ASR tauscht etwas Genauigkeit gegen Latenz unter einer Sekunde (Live-Untertitelung, Echtzeit-IVR); Batch-ASR verarbeitet vollständige Audiodateien für höhere Genauigkeit bei höherer Latenz. Whispers Architektur begünstigt den Batch-Fall.

Code-Switching

Der Wechsel zwischen Sprachen mitten in einem Gespräch, verbreitet bei mehrsprachigen Außendienstteams und globalen Callcentern — eine dokumentierte Genauigkeitsschwäche für Allzweck-ASR-Modelle einschließlich Whisper.

Quellen

1. Whisper paper — Radford et al. OpenAI 2022
2. SAP Concur Expense — SAP Help Portal
3. SAP Field Service Management — SAP Help Portal
4. pyannote.audio speaker diarisation library
5. SAP Generative AI — official product page
6. Google Cloud — Speech-to-Text documentation
7. Microsoft Learn — Azure AI Speech overview
8. OpenAI — Whisper GitHub repository
9. SAP Help Portal — Generative AI Hub overview, SAP AI Core (2026)
10. Bredin et al. — pyannote.audio: neural building blocks for speaker diarization, arXiv:2104.04045 (2021)
11. SAP Help Portal — Orchestration service, content filtering and data masking (2026)
12. NVIDIA — A10 Tensor Core GPU specifications (inference hardware reference)