---
title: "Was ist die Zeichenfehlerrate (CER)? ASR-Metrik erklärt"
description: "Die Zeichenfehlerrate bewertet Speech-to-Text und OCR nach Zeichen statt Wörtern. Die Formel, ein arabisches Rechenbeispiel und wann CER besser passt als WER."
url: https://broadrouter.com/de/glossary/character-error-rate/
lang: de
updated: 2026-11-15
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

Mit KI-Unterstützung aus dem Englischen übersetzt. [Englisches Original lesen](https://broadrouter.com/glossary/character-error-rate/) (aktualisiert am 2026-11-15).

# Zeichenfehlerrate (Character Error Rate, CER)

Aktualisiert 2026-11-15

Die Zeichenfehlerrate (CER) misst die Genauigkeit von Transkription oder OCR auf Zeichenebene: die Ersetzungen, Löschungen und Einfügungen, die nötig sind, um die Ausgabe in den Referenztext zu verwandeln, geteilt durch die Zahl der Zeichen in der Referenz. Niedriger ist besser, 0 bedeutet volle Übereinstimmung.

Auch genannt: CER, Zeichenfehlerrate, Zeichenfehlerquote, character error rate

Die WER fragt, wie viele Wörter falsch waren. Die CER fragt, wie viele Buchstaben falsch waren, und das ist für Arabisch oft die fairere Frage.

## So funktioniert es

Die CER nutzt dieselbe Idee der Editierdistanz wie die [Wortfehlerrate](https://broadrouter.com/de/glossary/word-error-rate/), angewendet auf Zeichen. Die Metric Card von Hugging Face gibt die Formel an:

`CER = (S + D + I) / N`, wobei S die Ersetzungen, D die Löschungen, I die Einfügungen und N die Zahl der Zeichen in der Referenz ist (N = S + D + C, mit C den korrekten Zeichen).

Ein arabisches Rechenbeispiel. Die Referenz ist „وبالكتاب“ („und mit dem Buch“, ein Wort, 8 Buchstaben). Im Transkript steht „وبلكتاب“, es fehlt ein Alef:

| Metrik | Fehler | Referenzeinheiten | Wert |
| --- | --- | --- | --- |
| WER | 1 falsches Wort | 1 Wort | 1,0 (100 %) |
| CER | 1 gelöschter Buchstabe | 8 Zeichen | 0,125 (12,5 %) |

Ein fehlender Buchstabe macht für die WER das ganze Wort falsch. Die CER zeigt, dass das Transkript fast richtig war.

In Python berechnet das Paket `jiwer` sie mit `jiwer.cer(reference, hypothesis)`, und `jiwer.process_characters` liefert zusätzlich das Alignment. Normalisieren Sie vorher beide Seiten, wie bei der WER: Satzzeichen, Leerzeichen und im Arabischen Diakritika sowie Alef- und Yaa-Formen. Siehe [arabische Textnormalisierung](https://broadrouter.com/de/glossary/arabic-text-normalization/).

## Warum es wichtig ist

-   **Arabische Morphologie.** Das Arabische hängt Konjunktionen, Präpositionen und Pronomen als Klitika an Wörter an, sodass ein Wort tragen kann, was im Englischen drei oder vier Wörter sind. Ein einziger falscher Präfix-Buchstabe kostet bei der WER ein ganzes Wort. Die CER gewichtet ihn als ein Zeichen.
-   **Sprachen ohne Leerzeichen.** Die WER braucht Wortgrenzen. Die Hugging-Face-Card sagt, die CER sei nützlich „especially for multilingual datasets where WER is not suitable given the diversity of languages“ (Übersetzung: „besonders für mehrsprachige Datensätze, bei denen die WER angesichts der Vielfalt der Sprachen nicht geeignet ist“).
-   **Fehlerart.** Ein Modell mit hoher WER, aber niedriger CER trifft die Wörter fast: Ausrutscher bei Schreibung, Hamza oder Klitika, die Normalisierung oder ein Korrekturschritt beheben kann. Eine hohe CER bedeutet, dass das Modell ganze Wörter oder Inhalte verfehlt.
-   **Auch OCR.** Dieselbe Metrik bewertet Text, der aus Bildern gelesen wurde; sie hilft also beim Vergleich von [OCR](https://broadrouter.com/de/glossary/ocr/)\-Pipelines.

Die Metric Card warnt außerdem, dass die CER nicht verrät, warum Fehler entstehen. Lesen Sie neben dem Wert auch Beispieltranskripte.

## Bei BroadNet Inference

BroadNet veröffentlicht für [BroadNet Transcribe Arabic](https://broadrouter.com/de/models/cohere-transcribe-arabic/) und [BroadNet Transcribe](https://broadrouter.com/de/models/cohere-transcribe/) die WER, nicht die CER. Für die CER transkribieren Sie ein Testset aus eigenen Aufnahmen und bewerten es selbst. Der Beitrag [arabische WER erklärt](https://broadrouter.com/de/blog/arabic-asr-wer-explained/) enthält eine Normalisierungsfunktion und ein `jiwer`\-Skript, das WER und CER ausgibt, und der [Leitfaden zu arabischem Speech-to-Text](https://broadrouter.com/de/guides/arabic-speech-to-text-api/) den Code für die Anfrage. Senden Sie immer `language=ar`: Ohne den Parameter kann Arabisch in lateinische Buchstaben transliteriert zurückkommen, was beide Werte ruiniert.

## Häufige Fehler

-   **Leerzeichen uneinheitlich zählen.** Legen Sie fest, ob Leerzeichen als Zeichen zählen, und wenden Sie dieselbe Regel auf jedes verglichene Modell an.
-   **Die eigene CER mit der WER eines anderen vergleichen.** Das sind unterschiedliche Skalen. Vergleichen Sie Gleiches mit Gleichem.

## Häufige Fragen

### Kann die CER über 100 % liegen?

Ja. Die Metric Card von Hugging Face weist darauf hin, dass die CER nicht immer zwischen 0 und 1 liegt, besonders wenn ein Transkript viele Einfügungen enthält, weil der Nenner nur die Zeichen der Referenz zählt.

### Sollte ich für Arabisch CER oder WER angeben?

Beides. Ranglisten und Anbieter nennen WER, also brauchen Sie sie für Vergleiche. Die CER zeigt, ob die Fehler ganze falsche Wörter sind oder hier und da ein Buchstabe oder Klitikon, was die WER verdeckt.

### Veröffentlicht BroadNet die CER seiner Transkriptionsmodelle?

Nein. BroadNet veröffentlicht nur die WER. Für die CER bewerten Sie Ihr eigenes Testset mit einem Tool wie jiwer.

## Siehe auch

-   [Wortfehlerrate (Word Error Rate, WER)](https://broadrouter.com/de/glossary/word-error-rate/) (Begriff)
-   [Speech-to-Text (Spracherkennung)](https://broadrouter.com/de/glossary/speech-to-text/) (Begriff)
-   [Arabische Textnormalisierung (text normalization)](https://broadrouter.com/de/glossary/arabic-text-normalization/) (Begriff)
-   [Arabische Diakritika (Tashkeel)](https://broadrouter.com/de/glossary/arabic-diacritics/) (Begriff)
-   [Modernes Hocharabisch (MSA)](https://broadrouter.com/de/glossary/msa/) (Begriff)
-   [Texterkennung (OCR)](https://broadrouter.com/de/glossary/ocr/) (Begriff)
-   [LLM-Benchmark](https://broadrouter.com/de/glossary/llm-benchmark/) (Begriff)
-   [Speech-to-Text API für Arabisch: Schritt für Schritt](https://broadrouter.com/de/guides/arabic-speech-to-text-api/) (Anleitung)
-   [Wortfehlerrate (WER) bei arabischer Spracherkennung erklärt](https://broadrouter.com/de/blog/arabic-asr-wer-explained/) (Artikel)
-   [Speech-to-Text-API für Arabisch: So wählen Sie 2026 die richtige](https://broadrouter.com/de/blog/arabic-speech-to-text-api-buyers-guide/) (Artikel)

Testen Sie es mit Ihrem echten Workload. Neue Konten starten mit USD 5 Guthaben für Gemma und Transkription. DeepSeek, GLM und Qwen3.8 erfordern eine Aufladung.

[Loslegen](https://inference.broadnet.ai/account/?utm_source=broadrouter&utm_medium=referral&utm_campaign=de-glossary-character-error-rate&utm_content=page-cta) ·

**Quellen**

-   [Hugging Face evaluate, Metric Card zu CER: Formel, Werte über 1, mehrsprachiger Einsatz (geprüft am 2026-11-15)](https://raw.githubusercontent.com/huggingface/evaluate/main/metrics/cer/README.md)
-   [Dokumentation von jiwer, Nutzung: jiwer.cer und process\_characters (geprüft am 2026-11-15)](https://jitsi.github.io/jiwer/usage/)
-   [Modellkatalog von BroadNet, Speech-to-Text: veröffentlichte WER-Messungen (geprüft am 2026-11-15) (auf Englisch)](https://www.broadnet.ai/inference/models)
