8 kHz gegen 16 kHz für Voice Agents: was die WER-Daten sagen
In unserem Schmalbandtest kostet eine 8-kHz-Strecke den Erkenner 5.79% WER bei sauberer Sprache gegenüber 4.74% bei 16 kHz, und der Abstand wächst mit dem Rauschen. Kein Verbesserungspfad, den wir gemessen haben, weder nativ bei 8 kHz noch hochgetastet, schlug das unbearbeitete 8-kHz-Audio.
8 kHz kostet den Erkenner in unserem Test 5.79% WER bei sauberer Sprache gegenüber 4.74% bei 16 kHz, und der Abstand wächst mit dem Rauschen: etwa ein Punkt bei sauberem Audio, mehrere Punkte bei 0 dB SNR. Keiner der Verbesserungspfade, die wir auf der 8-kHz-Strecke gemessen haben, holte das zurück. Die praktische Antwort lautet daher: die vom Carrier gelieferte Rate behalten und nicht um eines Modells willen hochtasten.
Alle Zahlen stammen aus den Null-Test-Artefakten, benchmark.json und dem separaten Schmalbandlauf (beide vom 2026-08-14), bewertet mit faster-whisper base.en. Die Carrier-Seite haben wir in 8 kHz ist, wo Voice AI bricht behandelt; dieser Post fragt nur, was der WER sagt.
Gleicher Rauschpegel, zwei Abtastraten
| Bedingung (Rohaudio, keine Verbesserung) | WER bei 16 kHz | WER bei 8 kHz | Differenz (pp) |
|---|---|---|---|
| clean | 4.74% | 5.79% | +1.05 |
| SNR 10 dB | 6.32% | 10.00% | +3.68 |
| SNR 0 dB | 11.05% | 16.32% | +5.26 |
Gemessen am 2026-08-14. Die 16-kHz-Spalte ist die Matrix mit 19 Bedingungen; die 8-kHz-Spalte ist der Schmalbandlauf (60 Clips, 190 Referenzwörter pro Bedingung). Ein Referenzwort sind 0.53 pp in einer einzelnen Bedingung, die Lücke von 1.05 pp bei sauberer Sprache sind also zwei Wörter. Wir lesen die Lücke bei 0 dB SNR als real und die bei sauberer Sprache als klein.
Was passiert, wenn man ein Modell auf die 8-kHz-Strecke setzt
| 8-kHz-Pfad | WER | gegenüber raw8k (pp) |
|---|---|---|
| raw8k (no processing) | 11.14% | 0.00 |
| soxr_vhq resample only | 10.96% | -0.18 |
| aic-quail-l-8khz (native 8 kHz) | 11.05% | -0.09 |
| aic-quail, upsampled (soxr_vhq) | 11.75% | +0.61 |
| gtcrn, upsampled (soxr_vhq) | 16.58% | +5.44 |
| fastenhancer-b, upsampled (soxr_vhq) | 17.63% | +6.49 |
Gemessen am 2026-08-14, 1,140 Referenzwörter pro Zeile, ein Wort sind also 0.09 pp. Native 8-kHz-Gewichte von ai-coustics (proprietäre Referenz, nur für den Benchmark) liegen gleichauf mit dem unbearbeiteten Audio: 11.05% gegenüber 11.14%. Hochtasten auf ein 16-kHz-Modell kostet mehr: 11.75% mit dem 16-kHz-Modell desselben Anbieters, 16.58% mit GTCRN. 16-kHz-Modelle, die ein Schmalbandsignal bekommen, sollen auf Bandbreite arbeiten, die nicht vorhanden ist.
Was wir daraus mitnehmen
Erstens ist die Abtastrate ein kleinerer Hebel als das Rauschen auf der Leitung: bei 10 dB SNR beträgt der 8-kHz-Abschlag wenige Punkte, während die Bedingungen mit konkurrierender Stimme in der 16-kHz-Matrix den WER um Dutzende Punkte verschieben. Zweitens ist der Resampler nicht der Bösewicht: die Hin-und-zurück-Kontrolle zeigte keinen Verlust pro Resampling, weshalb wir jene Behauptung zurückgezogen haben. Drittens: Wer auf einer Telefonstrecke Verbesserung einsetzt, sollte sie auf den eigenen Anrufen gegen das rohe 8-kHz-Audio messen, denn bei unseren schlug nichts es.
Der Erkenner spielt eine Rolle: ein größeres Modell hat kleinere Absolutwerte, und der Harness kann andere Erkenner bewerten, damit sich die Rangfolge prüfen lässt.
FAQ
Schlägt 16 kHz bei der Spracherkennung immer 8 kHz? In unseren vergleichbaren Zeilen ja, um 1.05 pp bei sauberer Sprache und mehr bei Rauschen. Einen ausschließlich auf Schmalband trainierten Erkenner haben wir nicht getestet.
Soll ich 8-kHz-Audio vor dem STT hochtasten? Unsere hochgetasteten Pfade mit vorgeschaltetem Modell waren schlechter als rohe 8 kHz. Hochtasten ohne Modell haben wir über die reine Resampling-Kontrolle hinaus nicht gemessen; sie lag gleichauf mit dem Rohaudio.
Gibt es ein Sprecherisolations-Modell bei 8 kHz? In unserem Lauf war ai-coustics der einzige Anbieter mit Schmalband-Gewichten; die anderen liefern keinen 8-kHz-Checkpoint. Das ist eine Aussage über unser Testset, Stand 2026-08-14.