Spiking neural networks bilden die Grundlage für vielseitige und energiesparende Informationsverarbeitung im Gehirn. Obwohl wir derzeit noch kein detailliertes Verständnis davon besitzen, wie diese Netzwerke rechnen, ermöglichen kürzlich entwickelte Optimierungstechniken die In-silico-Implementierung zunehmend komplexer funktionaler spiking neural networks. Diese Methoden versprechen eine effizientere Entwicklung von nicht-von-Neumann-Architekturen für die Rechentechnik und eröffnen neue Perspektiven bei der Aufklärung der Funktionsweise von Gehirnschaltkreisen. Um den Fortschritt solcher Methoden zu beschleunigen, sind objektive Vergleichsmaßstäbe für ihre Leistung unverzichtbar. Derzeit existieren jedoch keine allgemein anerkannten Verfahren zur Bewertung der rechnerischen Leistung von spiking neural networks. Um dieses Problem anzugehen, stellen wir zwei spikebasierte Klassifikationsdatensätze vor, die weitgehend anwendbar sind, um sowohl Software- als auch neuromorphe Hardware-Implementierungen von spiking neural networks zu benchmarken. Dazu entwickelten wir ein allgemeingültiges Verfahren zur Umwandlung von Audio in Spikes, das von der Neurophysiologie inspiriert ist. Darüber hinaus haben wir dieses Verfahren auf einen bestehenden sowie einen neuen Sprachdatensatz angewendet. Letzterer ist der frei verfügbare, hochauflösende und wortgenau ausgerichtete Heidelberger Zifferndatensatz, den wir speziell für diese Studie erstellt haben. Durch die Ausbildung einer Vielzahl klassischer und spiking-basierter Klassifikatoren zeigen wir, dass die Nutzung von Spiketime-Informationen innerhalb dieser Datensätze entscheidend für eine hohe Klassifiziergenauigkeit ist. Diese Ergebnisse dienen als erste Referenz für zukünftige Leistungsvergleiche von spiking neural networks.