Zurück zum Blog

Whisper und Füllwörter: Warum äh fehlt und was hilft

Whisper lässt Füllwörter mit Absicht weg. Wir haben gemessen, wie oft es äh und ähm mit und ohne Prompt schreibt und wie weit seine Zeitstempel danebenliegen.

17. November 2026
Sablate Team

Whisper überspringt Füllwörter, weil es aus Transkripten gelernt hat, die zum Lesen geschrieben sind und „um“, „uh“ und „äh“ weglassen. Fragst du mit einem initial prompt (Starttext) voller Füllwörter danach, macht es größtenteils mit: Bei 425 von Hand annotierten Füllwörtern schrieb Whisper ohne Prompt 0 bis 4 Prozent und mit Prompt 78 bis 85 Prozent.

Für Untertitel ist dieser Standard ein Vorteil. Untertitel sind keine Transkripte, und Zögerlaute wegzulassen würde ein Untertitler ohnehin tun. Zum Problem wird es in dem Moment, in dem du wissen musst, wo die Füllwörter sind: um sie aus einem Video zu schneiden, für ein wörtliches Transkript in Forschung oder Recht oder um zu untersuchen, wie jemand spricht. Diese Seite zeigt, wie oft jedes Whisper-Modell Füllwörter schreibt, wie du sie zurückholst und warum ihren Zeitstempeln zum Schneiden nicht zu trauen ist.

Wie oft Whisper Füllwörter schreibt

Wir haben vier Whisper-Modelle über 129 Minuten englischer Meeting-Sprache laufen lassen und gezählt, wie viele der Füllwörter der Sprecher im Transkript wiederkamen, bei drei Prompts.

ModellKein PromptKurzer Prompt mit ein paar FüllwörternDichter Füllwort-PromptPräzision, dichter Prompt
small0 %54 %78 %86 %
medium0 %59 %85 %83 %
large-v3-turbo2 %48 %79 %86 %
large-v34 %55 %82 %86 %

Methode. Das Audio sind vier Headset-Kanäle mit Nahbesprechung aus drei Meetings des AMI Meeting Corpus (ES2002a, TS3003b und IS1009b), veröffentlicht unter CC BY 4.0, dessen Wörter von Hand aligniert wurden. Wir haben die 425 Füllwörter („um“, „uh“, „er“, „hmm“ und ihre Schreibweisen) gezählt, die der Träger des jeweiligen Headsets gesprochen hat und die von niemand anderem überlagert wurden. Ein Füllwort gilt als geschrieben, wenn Whisper innerhalb von 0,25 Sekunden ein Füllwort-Token erzeugt hat; die Präzision ist der Anteil der Füllwort-Tokens von Whisper, die auf einem echten gelandet sind. Alle Läufe nutzten faster-whisper 1.2.1, gebatcht, Beam-Größe 5, mit eingeschaltetem Sprachaktivitätsfilter (VAD), in float16 auf einer RTX 3060 Ti. Die Prompts stehen weiter unten. Ein Korpus aus Meetings, viele davon zwischen Nicht-Muttersprachlern des Englischen, ist nicht jede Aufnahme, lies die Spalten also als Spanne, nicht als Rangliste.

Die erste Spalte durchbricht das Muster. Kein Modell schrieb mehr als eines von 25 Füllwörtern, und small und medium schrieben praktisch keines: 0 und 2 von 425. Das ist kein Hörproblem, denn dieselben Modelle schrieben mit einem Prompt die meisten.

Warum lässt Whisper Füllwörter weg?

Whisper wurde mit sehr viel Audio trainiert, gepaart mit Transkripten aus dem Internet, und die meisten von Menschen gemachten Transkripte sind zum Lesen geglättet. Das Modell hat den Stil zusammen mit den Wörtern gelernt. OpenAIs eigener Whisper-Prompting-Guide benennt die Folge klar: „Whisper folgt seltenen oder ungewöhnlichen Stilen, die für ein Transkript untypisch sind, mit geringerer Wahrscheinlichkeit.“ Ein Transkript voller Zögerlaute ist einer dieser Stile.

Die Auswertung weist in dieselbe Richtung. Whispers englischer Text-Normalizer, mit dem OpenAI die Ausgabe eines Modells mit einer Referenz abgleicht, bevor die Wortfehlerrate berechnet wird, löscht diese Wörter ersatzlos: Sein Muster ist \b(hmm|mm|mhm|mmm|uh|um)\b (whisper/normalizers/english.py). Dieser Code läuft nur beim Auswerten, nicht beim Transkribieren, aber er heißt: Die Genauigkeitswerte, für die Whisper bekannt ist, belohnen Füllwörter weder, noch bestrafen sie sie. In den üblichen Benchmarks gibt nichts einem Modell einen Anreiz, sie zu schreiben.

Interessant ist, was das Modell stattdessen schreibt. Ohne Prompt lagen zwischen 43 und 67 Prozent der übersprungenen Füllwörter innerhalb der Zeitspanne eines Nachbarwortes: Der Zögerlaut wurde nicht verworfen, sondern eingerechnet. Bei einer 142 Sekunden langen türkischen Bildschirmaufnahme sahen wir dasselbe, mit einem langen „eee“ und dem Wort drumherum, die als ein einziges, mehr als zwei Sekunden langes Wort zurückkamen.

So holst du Füllwörter mit einem Prompt zurück

Der initial prompt ist Text, den Whisper behandelt, als stünde er direkt vor dem Audio, und so setzt es im selben Stil fort. Ein Prompt mit Füllwörtern sagt dem Modell, dass dieses Transkript sie behält. OpenAIs Speech-to-Text-Guide nennt „Preserving punctuation, capitalization, and filler words“ unter den Dingen, wofür ein Prompt gedacht ist.

Wie viele Füllwörter der Prompt enthält, zählt mehr, als man erwarten würde. Das sind die beiden Prompts aus der Tabelle:

Short prompt:  Umm, let me think like, hmm... Okay, here's what I'm, like, thinking. Uh, so, um.
Dense prompt:  Um, uh... so, um, I, uh, I think, uh, we, um, should, uh, yeah. Uh, hmm, er, um.

Der kurze, mit einer Handvoll Füllwörtern, brachte die Modelle von fast nichts auf etwa die Hälfte. Der dichte, in dem fast jedes zweite Wort ein Zögerlaut ist, brachte jedes Modell auf rund vier von fünf.

Zwei Regeln lassen den Prompt bei echten Dateien funktionieren.

Schreibe den Prompt in der gesprochenen Sprache. Ein englisches „um“ bringt dem Modell nicht bei, deutsches „äh“ oder türkisches „ııı“ zu schreiben. Beim türkischen Clip erledigte ein türkischer Prompt die Aufgabe:

Eee, şey, ııı... Yani, hmm, ne diyordum. Eee, tamam, ııı.

Damit schrieben small, medium und large-v3-turbo jeweils drei der vier Füllwörter des Clips; ohne ihn schrieben medium, large-v3-turbo und large-v3 keines. Füllwörter in anderen Sprachen listet die Zögerlaute von 13 Sprachen auf, aus denen du so einen Prompt bauen kannst.

Sende den Prompt mit jedem Fenster. Whisper arbeitet das Audio in 30-Sekunden-Schritten ab, und in den meisten Setups prägt der initial prompt nur den Anfang: Mit Kontextübernahme (conditioning on previous text) verdrängt ihn das Transkript, und ohne sie erreicht der Prompt nur das erste Fenster. In der gebatchten Pipeline von faster-whisper wird er mit jedem Abschnitt mitgeschickt:

from faster_whisper import WhisperModel, BatchedInferencePipeline

model = WhisperModel("large-v3-turbo", device="cuda", compute_type="float16")
pipeline = BatchedInferencePipeline(model=model)
segments, info = pipeline.transcribe(
    "meeting.wav",
    language="en",
    initial_prompt="Um, uh... so, um, I, uh, I think, uh, we, um, should, uh, yeah. Uh, hmm, er, um.",
    word_timestamps=True,
    batch_size=8,
)
for segment in segments:
    for word in segment.words:
        print(f"{word.start:6.2f} {word.end:6.2f} {word.word}")

In whisper.cpp tut --carry-initial-prompt dasselbe. Eine Falle dabei: -mc 0, die übliche Abhilfe gegen Wiederholungsschleifen, lässt auch keinen Platz für den mitgeführten Prompt. Bei unserem türkischen Clip schrieb es mit -mc 0 gar keine Füllwörter und mit einem kleinen Kontext von 64 Tokens fünf:

whisper-cli -m ggml-large-v3-turbo.bin -f meeting.wav -l en -mc 64 --carry-initial-prompt --prompt "Um, uh... so, um, I, uh, I think, uh, we, um, should, uh, yeah."

openai-whisper hat für denselben Zweck die Einstellung carry_initial_prompt. Warum Whisper halluziniert behandelt, wie diese Einstellungen mit dem Sprachaktivitätsfilter und der Kontextübernahme zusammenspielen.

Kannst du Video auf Whispers Füllwort-Zeitstempeln schneiden?

Nein, nicht direkt. Mit dem dichten Prompt lag der mittlere Abstand zwischen Whispers Endzeit für ein Füllwort und dem echten Ende des Lauts bei 0,13 Sekunden für medium und bis zu 0,43 Sekunden für large-v3. Zwischen 26 und 42 Prozent der gefundenen Füllwörter begannen mehr als 0,2 Sekunden von ihrem echten Beginn entfernt.

Modell, dichter PromptMittlere Abweichung am AnfangMittlere Abweichung am EndeAnfang mehr als 0,2 s daneben
small0,10 s0,27 s26 %
medium0,11 s0,13 s35 %
large-v3-turbo0,11 s0,36 s29 %
large-v30,16 s0,43 s42 %

Eine Fünftelsekunde klingt wenig, aber ein Schnitt, der 0,3 Sekunden zu spät endet, nimmt die erste Silbe des nächsten Wortes mit, und einer, der zu früh endet, lässt einen Stummel „äh“ stehen. Whispers Zeitstempel taugen dazu, ein Füllwort zu finden, nicht dazu, den Schnitt zu setzen. Die Kanten müssen aus dem Audio kommen: aus der Stelle, an der der Pegel des gehaltenen Lauts zu fallen beginnt, und aus der Ruhe kurz davor.

Bei der Präzision ist dieselbe Vorsicht angebracht. Zwischen 14 und 17 Prozent der Füllwörter, die Whisper mit dem Prompt schrieb, lagen nicht innerhalb einer Viertelsekunde auf einem annotierten Füllwort. Manche sind verrutscht, manche sind Atemzüge oder Fehlstarts, die als „uh“ geschrieben wurden, und ein paar sind erfunden. Alles, was automatisch schneidet, sollte dich die Liste vorher prüfen lassen.

Welches Whisper-Modell passt für Füllwörter?

Jedes, mit Prompt. Auf Englisch fing medium mit 85 Prozent am meisten und small mit 78 am wenigsten, eine Spanne, klein genug, dass die Geschwindigkeit entscheiden sollte; der Whisper-Modellvergleich hat die Zahlen zu Größe und Tempo. large-v3-turbo ist auf einer Grafikkarte der vernünftige Standard.

Die Ausnahme kam vom türkischen Clip, bei dem large-v3 mit demselben Prompt nur eines der vier Füllwörter schrieb, die die kleineren Modelle jeweils zu dritt fanden. Es ist dasselbe Modell, das in unseren früheren Türkisch-Tests kurze Zwischenrufe übersprungen hat. Wenn Füllwörter in einer anderen Sprache als Englisch wichtig sind, teste large-v3 also gegen turbo, bevor du ihm vertraust.

Wann sollten Füllwörter draußen bleiben?

„Ich mache Untertitel.“ Lass sie weg, das ist Whispers Standard. Zögerlaute kosten Lesezeit und bedeuten nichts; sie zu verdichten ist übliche Praxis, wie der Leitfaden zur Lesegeschwindigkeit erklärt.

„Ich will die Füllwörter aus dem Video schneiden.“ Hole sie in einem separaten Durchgang per Prompt zurück, nutze das Transkript nur, um sie zu finden, und nimm die Schnittkanten aus dem Audio.

„Ich brauche ein wörtliches Transkript.“ Hole sie per Prompt zurück und prüfe dann nach Gehör. Mit 78 bis 85 Prozent kommt der Prompt zum größten Teil ans Ziel, nicht ganz.

„Ich untersuche Sprache.“ Nutze einen Prompt und prüfe eine Stichprobe von Hand. Selbst mit dem dichten Prompt fehlte in unserem Test noch etwa jedes fünfte Füllwort.

So findet Sablate Füllwörter

Sablate fährt beide Durchgänge. Das Transkript, das du bearbeitest und einbrennst, ist Whispers sauberer Standard, weil Untertitel so sein sollen. Wenn du im Cuts-Modus nach Füllgeräuschen suchst, transkribiert es die Sprache ein zweites Mal mit einem dichten Füllwort-Prompt in der gesprochenen Sprache, mit jedem Fenster mitgeschickt, in 13 Sprachen.

Dieses zweite Transkript nutzt es nur, um Füllwörter zu finden. Die Schnittkanten kommen aus dem Laut, dort, wo der Pegel des gehaltenen Vokals fällt, und eine separate Prüfung sucht in jeder Sprache nach langen, gleichmäßigen Zögerlauten, die Whisper nie geschrieben hat. Beim türkischen Clip fand diese Prüfung das vierte Füllwort, einen 0,65 Sekunden langen Zögerlaut, den kein Modell transkribiert hatte. Füllwörter, die direkt in ein Wort übergehen, bleiben unangetastet, und die, bei denen es sich nicht sicher ist, werden ausgeschaltet aufgelistet, bis du sie angehört hast. Füllwörter und Stille aus einem Video entfernen zeigt den ganzen Ablauf.

Die Kurzfassung

Whisper hört Füllwörter und lässt sie mit Absicht weg, weil seine Trainingstranskripte es taten. Ein dichter Prompt in der gesprochenen Sprache, mit jedem Fenster mitgeschickt, holt etwa vier von fünf zurück. Nutze dieses Transkript, um Füllwörter zu finden, nicht um sie zu schneiden: Die Zeitstempel liegen oft genug eine Fünftelsekunde daneben, um Wörter zu kappen. Für Untertitel bleib bei Whispers sauberem Standard; um Füllwörter auf deinem eigenen Rechner zu finden und zu schneiden, lade Sablate herunter.

Häufig gestellte Fragen

Transkribiert Whisper Füllwörter wie um und uh?

Standardmäßig fast nie. Bei 425 von Hand annotierten Füllwörtern aus englischen Meeting-Aufnahmen schrieb Whisper ohne Prompt je nach Modell zwischen 0 und 4 Prozent davon. Mit einem initial prompt (Starttext) voller Füllwörter waren es 78 bis 85 Prozent. Gehört wird das Audio in beiden Fällen; das Modell bevorzugt einfach sauberen Transkripttext.

Wie bringe ich Whisper dazu, Füllwörter zu behalten?

Gib ihm einen initial prompt, der selbst voller Füllwörter ist, in der gesprochenen Sprache geschrieben, und sorge dafür, dass der Prompt jedes 30-Sekunden-Fenster erreicht, nicht nur das erste. In faster-whisper erledigt das die Batch-Pipeline von selbst; whisper.cpp braucht seine Option carry-initial-prompt und openai-whisper die Einstellung carry_initial_prompt.

Warum entfernt Whisper Füllwörter?

Weil es aus Transkripten gelernt hat, die zum Lesen geschrieben sind und Zögerlaute meist weglassen. Laut OpenAIs Prompting-Guide folgt Whisper untypischen Transkript-Stilen seltener, und Whispers englischer Text-Normalizer, der beim Auswerten der Genauigkeit läuft, löscht um, uh, hmm und mm vor dem Vergleich, sodass Benchmark-Werte das Schreiben von Füllwörtern nie belohnen.

Sind Whispers Zeitstempel für Füllwörter genau?

Nicht genau genug, um danach Video zu schneiden. In unserem Test, mit zurückgeholten Füllwörtern, lag die mittlere Endzeit je nach Modell 0,13 bis 0,43 Sekunden daneben, und zwischen einem Viertel und zwei Fünfteln der Füllwörter begannen mehr als 0,2 Sekunden vom echten Laut entfernt. Ohne Prompt wurden die meisten Füllwörter in die Zeit eines Nachbarwortes eingerechnet.

Welches Whisper-Modell schreibt Füllwörter am besten?

Mit einem dichten Füllwort-Prompt schrieb medium mit 85 Prozent am meisten, dann large-v3 mit 82, turbo mit 79 und small mit 78, bei ähnlicher Präzision von etwa 83 bis 86 Prozent. Die Unterschiede sind klein genug, dass die Geschwindigkeit entscheiden sollte. Bei einem kurzen türkischen Clip fand large-v3 nur eines von vier Füllwörtern, während small, medium und turbo je drei fanden.