NVIDIA stellt ein agentsbasiertes Arbeitsmodell vor, das die Evaluation und Optimierung von Spracherkennungssystemen für den klinischen Bereich signifikant beschleunigt. Da medizinische Fachbegriffe, Medikamente und Prozedurnamen nicht im alltäglichen Wortschatz vorkommen, scheitern Standardmodelle häufig an diesen Schlüsselbegriffen. Herkömmliche Datensammlung stößt zudem an Grenzen durch Datenschutzbestimmungen, hohe Annotationkosten und begrenzte Verfügbarkeit. Das neue Framework umgeht diese Hürden durch kontrollierte synthetische Datengenerierung und einen wiederholbaren Verbesserungszyklus. Der Kern des Workflows liegt in der Orchestrierung durch NVIDIA-Agent-Skills. Diese leiten Entwickler schrittweise durch die Definition einer fachspezifischen Terminologieprofilierung, die Generierung von Benchmark-Sätzen und die phonetische Anreicherung. Mit NeMo Data Designer werden Ausgangsbegriffe in kontextuelle Sätze erweitert. Kritisch für die Genauigkeit ist die explizite Einbettung von IPA-Phonemen über SSML-Tags, was die TTS-Engine anweist, medizinische Begriffe exakt auszusprechen. Fehlt eine verlässliche Aussprache im Wörterbuch, leitet der Agent automatisch einen manuellen Review-Prozess ein, bei dem Kandidaten geprüft und validiert werden. Dies verhindert, dass falsche Aussprachen ins Training einfließen. Die synthetisierten Audiodateien werden in einem NeMo-kompatiblen Manifest zusammengeführt, das als Schnittstelle für Evaluation und Modellanpassung dient. Die Evaluationkomponente analysiert die Spracherkennung anhand domänenspezifischer Metriken wie dem Keyword Error Rate für Zielbegriffe, des Word Error Rate und des Character Error Rate. Treten Fehler gehäuft bei bestimmten Entitätstypen auf, leitet die Adaptkomponente gezielte Fine-Tuning-Schritte ein oder weist auf erweiterten Datenbedarf hin. Nach Anpassungen bestätigt die Reevaluationkomponente den Erfolg des Zyklus. Der Einsatz synthetischer Daten eliminiert Datenschutzrisiken und erlaubt eine versionierbare, reproduzierbare Benchmark-Erstellung innerhalb kürzester Zeit. Fachdomänen lassen sich durch einfache Profilkonfiguration abbilden, ohne Echt-Audioaufnahmen oder Ethikkommissionen. Die Agent-Skills fungieren als ständige Kontrollinstanz und garantieren, dass menschliche Validierungsschritte nicht umgangen werden. Trotz der Effizienz bleiben Grenzen bestehen: Synthetische Audio-Daten ersetzen keine Validierung unter realen klinischen Bedingungen. Umgebungsgeräusche, Mehrstimmigkeit oder Telehealth-Artifakte müssen in künftigen Iterationen durch akustische Stress-Profile integriert werden. Zudem erfordert die phonetische Kontrolle weiterhin menschliche Prüfung, da automatisierte Vorschläge nicht als fehlerfrei gelten. Das vorgestellte System etabliert einen skalierbaren Qualitätscyklus für klinische Sprach-KI. Durch die Verbindung von Agent-Orchestrierung, phonetisch gesteuerter Synthetik und metrikbasierter Evaluation ermöglicht es Entwicklern, Spracherkennungsmodelle präzise auf arbeitsflusskritische Begriffe zu trimmen. NVIDIA positioniert diesen Ansatz als industrietauglichen Standard für die sichere und effiziente Optimierung von Medical-Voice-AI-Systemen.