Krisp meet effect van ruisonderdrukking op spraakherkenning

TL;DR

• Wat: Krisp heeft een benchmark en dataset gepubliceerd die laat zien hoeveel beter spraakherkenning wordt als je eerst achtergrondgeluid wegfiltert.
• Waarom relevant: Steeds meer bedrijven gebruiken spraak-naar-tekst voor klantgesprekken, notulering of AI-agents — en ruis is de grootste oorzaak van fouten.
• Wat je ermee kunt: Controleer of jouw spraakherkenning-setup al een ruisfilter bevat, want zonder zo'n filter kan de foutmarge drie tot zes keer hoger liggen.

Ik viel over een bericht van Santiago Valdarrama (@svpino) op X: het wegfilteren van achtergrondgeluid vóórdat audio naar een spraakherkenningsmodel gaat, maakt een enorm verschil. Krisp, een bedrijf dat zich specialiseert in ruisonderdrukking voor spraak, heeft daar nu meetbare cijfers bij geleverd. Dat vind ik interessant genoeg om er even bij stil te staan.

Wat heeft Krisp precies gepubliceerd?

Krisp heeft met de release van hun Voice Isolation 2.5 een uitgebreide benchmark opgezet. Ze testten de impact van hun ruisfilter op tien verschillende spraak-naar-tekst-systemen van zeven grote aanbieders: Deepgram, NVIDIA, Soniox, ElevenLabs, AssemblyAI, Google en Cartesia. Dat zijn namen die je in de markt veel tegenkomt als je werkt met automatische transcriptie.

Het testmateriaal bestond uit 1.685 echte audio-opnames — geen labomstandigheden, maar opnames uit de praktijk. Samen goed voor ongeveer zeven uur audio, verdeeld over drie categorieën:

• Pratende mensen op de achtergrond (130 bestanden, 3,5 uur) — denk aan een druk kantoor of een callcenter
• Standaard akoestiek (1.300 bestanden, 2 uur) — een gewone kantooromgeving
• Moeilijke akoestiek (255 bestanden, 1,5 uur) — galm, straatlawaai, wind

Krisp heeft aangegeven dat ze van plan zijn om een groot deel van de benchmarkdata open te publiceren, zodat andere partijen de resultaten zelf kunnen reproduceren. Dat is een stap die ik waardeer, omdat het transparantie geeft over hoe de cijfers tot stand komen.

De cijfers: wat levert ruisonderdrukking op?

Het belangrijkste getal: gemiddeld daalt de Word Error Rate (WER) — het percentage woorden dat fout wordt herkend — van 15,35% naar 8,22%. Dat is een verbetering van 46,4%.

Om dat concreet te maken: stel je voor dat je een gesprek van duizend woorden automatisch laat uitschrijven. Zonder ruisfilter zitten er gemiddeld 154 fouten in. Mét filter zijn dat er 82. Dat is nog steeds niet perfect, maar het verschil is merkbaar als je die transcripties gebruikt voor notulen, klantanalyses of AI-toepassingen.

Het meest opvallende resultaat zit in de categorie "pratende mensen op de achtergrond". Daar zakt de WER van 35,92% naar 10,90% — bijna 70% minder fouten. Wat mij hier opvalt is hoe groot het effect is bij juist die situatie die in de praktijk het vaakst voorkomt: iemand belt vanuit een kantoor waar collega's ook praten, of een klant belt vanuit een winkelstraat.

Waarom is die Word Error Rate belangrijk?

Als je niet dagelijks met spraaktechnologie werkt, klinkt "WER" misschien abstract. Maar het werkt als volgt: als een klant aan de telefoon zegt "Ik wil mijn bestelling annuleren" en het systeem verstaat "Ik wil mijn bestelling ambuleren", dan mist je de intentie. Bij een foutmarge van 35% krijg je bij elk gesprek meerdere van dat soort misverstanden. Bij 10% is de kans op een relevante fout veel kleiner.

Voor bedrijven die spraakherkenning inzetten — of dat nu is voor het automatisch samenvatten van vergaderingen, het analyseren van klantgesprekken of het aansturen van een AI-telefoonagent — is WER eigenlijk de maat die bepaalt of het systeem bruikbaar is of frustrerend.

Wat betekent dit voor ondernemers?

Ik merk dat steeds meer bedrijven spraaktechnologie overwegen of al inzetten. Denk aan automatische notulering van overleggen, het terugluisteren en doorzoeken van klantgesprekken, of AI-agents die telefonisch vragen beantwoorden. Dat laatste groeit snel: Krisp meldt dat hun platform inmiddels meer dan twaalf miljard minuten audio per jaar verwerkt voor partijen als Vapi, LiveKit en Telnyx.

Kun je je voorstellen wat het betekent als je een AI-telefoonagent inzet die bij een op de drie woorden iets verkeerd verstaat? Die agent gaat dan verkeerde antwoorden geven, verkeerde orders plaatsen, of klanten doorverbinden naar de verkeerde afdeling. Door een ruisfilter vóór de spraakherkenning te plaatsen, verminder je dat probleem aanzienlijk.

Een kanttekening bij de bron

Ik wil er wel bij zeggen: deze benchmark is gepubliceerd door Krisp zelf, over hun eigen product. Dat maakt de cijfers niet onwaar, maar het is goed om te beseffen dat het geen onafhankelijk onderzoek is. Het feit dat ze de benchmarkdata willen vrijgeven, maakt het mogelijk om de resultaten te verifiëren — maar op het moment van schrijven is dat nog een voornemen, geen feit.

Uit bredere branchebronnen komt een wat conservatiever beeld: daar wordt gesproken over een WER-reductie van 10 tot 30% door ruisonderdrukking. Dat is nog steeds significant, maar minder dan de 46% die Krisp zelf rapporteert. Het verschil kan zitten in de testomstandigheden, het type ruis of de specifieke STT-systemen die getest zijn.

Wat kun je hier praktisch mee?

Als je als ondernemer spraakherkenning gebruikt of overweegt, is het verstandig om te controleren of er een ruisfilter in de keten zit. Veel spraak-naar-tekst-diensten bieden dat niet standaard aan — ze verwachten schone audio als input.

Dat hoeft niet per se Krisp te zijn. Er bestaan ook opensourcealternatieven zoals DeepFilterNet, en sommige STT-aanbieders bouwen eigen ruisonderdrukking in. Waar het om gaat is het principe: de kwaliteit van wat je erin stopt, bepaalt de kwaliteit van wat je eruit krijgt.

Stel dat je als ondernemer een telefonische klantenservice hebt en overweegt om gesprekken automatisch te laten samenvatten. Dan is het de moeite waard om eerst een paar gesprekken te testen mét en zonder ruisfilter, en te kijken of de samenvattingen merkbaar beter worden. Dat geeft je een concreet beeld van wat het voor jouw situatie oplevert.

Een stilletjes groeiende laag

Wat mij aan dit verhaal het meest opvalt, is dat ruisonderdrukking lang een soort bijzaak was — iets dat "erbij" kwam als je een headset kocht of een videobel-app installeerde. Maar nu spraakherkenning steeds vaker een serieus onderdeel wordt van bedrijfsprocessen, verschuift het naar een infrastructuurlaag die meetbaar verschil maakt.

Ik denk dat veel ondernemers zich niet realiseren dat de zwakste schakel in hun spraak-AI niet het taalmodel is, maar de kwaliteit van de audio die dat model bereikt. Voor mij is dit vooral een signaal dat de keten vóór het slimme model minstens zo belangrijk is als het model zelf.