Lao Thai Liedtexte erkennen: Messwerte aus meinem Test

Mit KI erstellt. Verantwortlich: Vathanakone Prakosay. Aktualisiert am 14.11.2026.

Lao Thai Liedtexte erkennen: Bei Lao klappt das nur mit einem eigenen Modell und viel Nacharbeit. Ich habe acht KI-Songs getestet, sieben auf Lao und einen auf Englisch. Für Lao schrieb das beste Modell etwa jedes zweite Zeichen falsch. Thai habe ich nicht gemessen, weil mir ein Thai-Song im Testsatz fehlte. Hier liest du die Messwerte, was sie bedeuten und was du daraus für eigene Lieder ableiten kannst.

Wie gut lassen sich Lao-Liedtexte erkennen?

Lao-Liedtexte lassen sich mit dem Modell BuzzASR/lao zu etwa der Hälfte richtig erkennen. Die Zeichenfehlerquote (CER) lag bei 0,49. Ein Wert von 0 wäre perfekt, ein Wert von 1 hieße „nichts stimmt“. Die Standardmodelle von Whisper schrieben bei Lao-Liedern Thai- oder Lateinschrift und kamen auf den schlechtesten Wert 1,0.

Zum Vergleich: Beim englischen Song erkannten beide Whisper-Modelle den Text gut. Die Wortfehlerquote lag bei 0,13 bis 0,14. Das sind Mittelwerte aus meinem Test vom 11. bis 14. Oktober 2026 auf einem Server ohne Grafikchip. Beim Englischen war es nur ein Song, die Zahl ist also ein Hinweis und keine Statistik.

Warum schreibt Whisper bei Lao Thai oder lateinische Buchstaben?

Whisper kennt Lao, erkennt es aber im Lied nicht von selbst. Die Sprachliste von Whisper enthält 100 Sprachen, darunter Lao („lo“) und Thai („th“). In meinem Test wurde ein Lao-Lied bei der Spracherkennung ohne Vorgabe nie als Lao erkannt. Whisper meldete meist Englisch, außerdem Thai, Vietnamesisch und andere Sprachen. Das gilt auch, wenn die Erkennung erst ab dem ersten Gesang startet.

Die Folge: Du musst die Sprache vorgeben. In meinem Test habe ich sie aus der Schrift des bekannten Liedtextes bestimmt. Selbst mit Vorgabe schrieben die Standardmodelle Thai- oder Lateinschrift statt Lao. Der Wert „mit Umschrift“ in der Tabelle zeigt: Wenn ich die Thai-Zeichen in Lao-Schrift umwandle, wird das Ergebnis besser (0,72 bis 0,83), aber noch nicht brauchbar.

Was ist BuzzASR/lao?

BuzzASR/lao ist eine Feinabstimmung von Whisper large-v3 nur für Lao (MIT-Lizenz). Das Modell wurde mit Sprachaufnahmen aus FLEURS und Common Voice trainiert, nicht mit Musik. Auf diesen Testdaten liegt die Zeichenfehlerquote laut Modellseite bei 20,95 Prozent, beim ursprünglichen Whisper large-v3 bei 61,09 Prozent. Bei Liedern ist der Abstand zu gesprochener Sprache groß: Mein Wert von 0,49 ist mehr als doppelt so hoch wie die 0,21 auf gesprochenen Testdaten. Das ist plausibel, weil Gesang, Melodie und Begleitung ein anderes Signal sind als eine Sprecherstimme. Eine Ursache habe ich nicht eigens geprüft.

Warum ist die Stimmtrennung Pflicht?

Ohne Stimmtrennung erkennt kein Modell den Gesang. Als ich die ganze Mischung mit Musik an die Modelle gab, lag die Fehlerquote bei BuzzASR bei 0,93 und bei den Whisper-Modellen bei 0,90 bis 1,0. Erst wenn die Gesangsspur getrennt ist (mit dem Modell Demucs), sinkt sie auf die Werte der Tabelle. Im Messprotokoll steht als Ursache: Die Musik verdrängt den Gesang in der Sprachaktivitäts-Erkennung (VAD).

Verlieren Streaming-Kopien viel Genauigkeit?

Nein, bei Lao kosten komprimierte Kopien kaum Genauigkeit. Ich habe die Songs zusätzlich als MP3 mit 64 kbit/s und als AAC mit 128 kbit/s gemessen. Bei BuzzASR stieg die Fehlerquote nur von 0,49 auf 0,51. Beim englischen Song stieg sie von 0,13 auf 0,14 bis 0,21. Du musst also nicht das Original-WAV hochladen.

Wie lange dauert die Erkennung?

Die Erkennung dauert je Lied mehrere Minuten, auch auf einem leistungsstarken Server. Mit nur zwei CPU-Kernen brauchte BuzzASR im Mittel etwa 4 Minuten je Song, Whisper turbo etwa 4 Minuten und Whisper large-v3 etwa 22 Minuten. Das Modell large-v3 war beim englischen Song nicht besser als turbo (0,13 gegen 0,13), aber knapp doppelt so langsam. Für Englisch und Deutsch empfiehlt mein Messbericht deshalb turbo.

Wie findest du den Namen eines Lao- oder Thai-Songs?

Für die Suche nach dem Titel brauchst du keinen Liedtext, sondern einen Audio-Fingerabdruck. Ich habe das Verfahren Chromaprint getestet. Es erkannte alle 28 Dateien meiner Testsongs wieder, also Originale und Kopien (Ähnlichkeit 0,98 bis 0,99). Das zeigt: Ein Fingerabdruck übersteht MP3 und AAC. Ob ein Lao Song oder Thai Song in der Weltdatenbank AcoustID eingetragen ist, habe ich nicht geprüft, weil mir dafür der Zugang fehlt. Zum Vergleich: Die Erkennung des Textes kostet deutlich mehr Rechenzeit und liegt bei Lao zu etwa der Hälfte falsch.

Wer nur den Text kennt, sucht am besten per Suchmaschine. In den Google-Ergebnissen zu Lao Music und Lao Songs stehen laut meiner NeuronWriter-Auswertung vom 14.11.2026 vor allem YouTube-Videos. Viele davon sind Karaoke-Videos mit eingeblendetem Text („Music with lyrics“). Ob die Lyrics dort stimmen, kannst du nur selbst prüfen.

Was heißt das für dich?

Bei Lao-Liedern ist die automatische Erkennung ein Entwurf, kein Ergebnis. Die Tabelle zeigt vier Wege, je nach Ziel.

Wenn du den Text schon hast, brauchst du kein Erkennen. Dann legst du den Text nur zeitlich an den Gesang. Wie das geht, steht im Artikel „Karaoke-Untertitel automatisch erstellen“. Mehr zu den KI-Songs selbst findest du im Beitrag „KI-Musik erstellen“. Weitere Themen findest du unter Technik, meine Projekte unter Projekte und alle Beiträge im Blog.

Was bringt ein Video mit Lyrics und Untertiteln?

Ein Video mit eingeblendeten Lyrics zeigt den Text, während der Song läuft. Für dein eigenes Video kannst du Lao Music oder Thai Music mit Karaoke-Untertiteln versehen, wenn du den Text hast. Ich erzeuge sie mit einem eigenen Werkzeug, das jeder Silbe eine Zeit zuordnet, zum Beispiel für ein YouTube-Video mit einem Lao Song. Das Werkzeug beherrscht Laotisch, Thai, Englisch und Deutsch.

Was ist offen?

Drei Dinge fehlen in meinem Test. Erstens ein Thai-Song, deshalb kenne ich die Qualität des Thai-Modells Typhoon Whisper nicht. Zweitens ein Lied, das ein Mensch gesungen hat: Alle Testsongs stammen aus KI-Erzeugung. Drittens ein zweiter, unabhängiger Prüfer mit einem Cloud-Dienst. Die Zahlen gelten deshalb für meinen Testsatz und nicht für Lao-Musik allgemein.

Häufige Fragen

Kann KI Lao-Liedtexte erkennen?

Ja, aber nur mit Nacharbeit. Das beste Modell, BuzzASR/lao, kam im Test auf eine Zeichenfehlerquote von 0,49.

Erkennt Whisper Lao automatisch?

Nein. In meinem Test wurde ein Lao-Lied bei der Spracherkennung ohne Vorgabe nie als Lao erkannt. Du musst die Sprache vorgeben.

Wie gut funktioniert Thai?

Das habe ich nicht gemessen, weil mir ein Thai-Song im Testsatz fehlte.

Braucht die Erkennung eine Stimmtrennung?

Ja. Ohne Trennung lag die Fehlerquote bei 0,90 bis 1,0, mit Trennung bei 0,49 (Lao, BuzzASR) und 0,13 (Englisch, Whisper).

Wie finde ich den Titel eines Lao-Songs?

Mit einem Audio-Fingerabdruck. Chromaprint erkannte in meinem Test alle 28 Kopien meiner Songs wieder. Ob ein bestimmter Lao Song in einer Datenbank steht, habe ich nicht geprüft.

Wie lange dauert die Erkennung?

Auf zwei CPU-Kernen im Mittel etwa 4 Minuten je Song mit BuzzASR und etwa 22 Minuten mit Whisper large-v3.

Quellen

• Eigene Messung „song-analyse“ mit acht KI-Songs (sieben Lao, einer Englisch), 11. bis 14.10.2026, Server ohne Grafikchip
• Eigene Messung Audio-Fingerabdruck (Chromaprint), Oktober 2026
• NeuronWriter-Auswertung der Google-Ergebnisse zu „lao thai liedtexte erkennen“, 14.11.2026
• OpenAI, Whisper, Sprachliste in whisper/tokenizer.py (100 Sprachen, darunter Lao und Thai), GitHub openai/whisper, abgerufen 14.11.2026
• BuzzASR, Modellseite „BuzzASR/lao“ (Whisper large-v3, MIT-Lizenz, CER 20,95 %), Hugging Face, abgerufen 14.11.2026
• Meta AI, Demucs (Stimmtrennung, MIT-Lizenz), GitHub facebookresearch/demucs, abgerufen 14.11.2026