Textähnlichkeit prüfen: Kosinus-Ähnlichkeit einfach erklärt
Die Kosinus-Ähnlichkeit zweier Texte ist eine Zahl zwischen 0 und 100 Prozent, die zeigt, wie viel Wortschatz zwei Texte gemeinsam haben. 74 Prozent bedeutet: die beiden Texte teilen den Großteil ihrer relevanten Wörter, ein klassisches Zeichen für Near-Duplicate-Content. 6 Prozent bedeutet: fast kein gemeinsames Vokabular, auch wenn die Texte inhaltlich dasselbe aussagen können. Genau dieser Unterschied macht das Werkzeug nützlich und gleichzeitig limitiert, und beides zeigen wir unten an echten Beispielen.
Wie die Berechnung funktiert
Das Prinzip dahinter ist einfacher, als der Name vermuten lässt. Der Rechner nimmt beide Texte, wandelt sie in Kleinbuchstaben um, entfernt Satzzeichen und zerlegt sie in einzelne Wörter. Einzelbuchstaben und gängige Füllwörter (Stoppwörter wie “und”, “the”, “der”) fallen dabei raus, weil sie fast in jedem Text vorkommen und keine echte inhaltliche Aussage über Ähnlichkeit liefern.
Aus den verbliebenen Wörtern baut der Rechner für jeden Text einen Vektor: für jedes vorkommende Wort wird gezählt, wie oft es auftaucht. Diese beiden Vektoren werden dann per Kosinus-Ähnlichkeit verglichen, das Skalarprodukt der beiden Vektoren geteilt durch das Produkt ihrer Längen. Das Ergebnis liegt mathematisch zwischen 0 und 1 und wird im Tool als Prozentsatz von 0 bis 100 dargestellt. Je mehr Wörter (und je ähnlicher deren Häufigkeit) zwei Texte teilen, desto näher liegt der Wert an 100 Prozent.
Wichtig zu wissen: Das ist kein echtes KI-Embedding-Modell, das Bedeutung versteht. Es zählt ausschließlich, welche Wörter wörtlich in beiden Texten vorkommen. Die Berechnung läuft komplett im Browser, es wird nichts an einen Server geschickt.
Beispiel 1: zwei umformulierte Produktbeschreibungen
Ein typischer Fall aus dem SEO-Alltag: Du hast einen Produkttext geschrieben und für eine zweite Anzeige oder ein zweites Angebot leicht umformuliert. Reicht das, um als eigenständiger Text durchzugehen? Probier diese beiden Texte im Rechner aus (die Beispieltexte sind bewusst auf Englisch gehalten, das Tool funktioniert aber mit Text in jeder Sprache, Englisch ist hier nur die Demo-Sprache):
Text A: “Buy affordable wireless bluetooth headphones with active noise cancellation and thirty hour battery life. Free shipping on every order today.”
Text B: “Shop cheap wireless bluetooth headphones featuring active noise cancellation and a thirty hour battery. Enjoy free shipping on every order this week.”
Ergebnis: 74 Prozent Ähnlichkeit, damit im Band “Hohe Ähnlichkeit”.
| Kategorie | Wörter |
|---|---|
| Gemeinsam (13) | active, battery, bluetooth, cancellation, every, free, headphones, hour, noise, order, shipping, thirty, wireless |
| Nur in Text A (4) | affordable, buy, life, today |
| Nur in Text B (5) | cheap, enjoy, featuring, shop, week |
Auf den ersten Blick wirken die beiden Sätze unterschiedlich formuliert, “buy” statt “shop”, “affordable” statt “cheap”, ein anderer Satzbau. Beim genaueren Hinsehen teilen sie aber 13 der wichtigsten Wörter, während jeweils nur eine Handvoll Wörter einzigartig ist. Genau das fängt der Rechner ab: 74 Prozent liegen deutlich über dem moderaten Bereich und nahe an der eigenen “Hoch”-Schwelle des Tools. Für zwei Texte, die auf denselben Blick eines Menschen hin unterschiedlich wirken sollten, ist das ein Alarmsignal für Near-Duplicate-Content.
Beispiel 2: derselbe Ausgangstext, aber echt umformuliert
Jetzt der Gegenversuch. Text C entspricht exakt Text A von oben. Text D sagt inhaltlich fast dasselbe, benutzt dabei aber ein komplett anderes Vokabular:
Text D: “Our over ear audio devices block outside sound automatically and last more than a full day per charge, and delivery costs nothing no matter what you order.”
Ergebnis: 6 Prozent Ähnlichkeit, Band “Niedrige Ähnlichkeit”. Das einzige gemeinsame Wort ist “order”.
Lies dir Text A und Text D noch einmal in Ruhe durch: kabellose Kopfhörer mit Geräuschunterdrückung, ganztägige Akkulaufzeit, kostenloser Versand, in beiden Fällen. Ein Mensch würde sofort erkennen, dass es um dieselbe Sache geht. Der Rechner sieht davon nichts, weil “over ear audio devices” kein einziges Wort mit “wireless bluetooth headphones” teilt und “block outside sound automatically” nichts mit “active noise cancellation” gemeinsam hat. Das Ergebnis fällt auf 6 Prozent, obwohl der inhaltliche Überlapp hoch ist.
Die Lehre daraus: Ein hoher Wert ist ein starkes Signal für echten Textüberlapp. Ein niedriger Wert ist dagegen kein Beweis für Originalität, er zeigt nur, dass sich der Wortschatz unterscheidet. Für schnell und nachlässig umgeschriebene Duplikate (wie Beispiel 1) ist das Tool sehr treffsicher. Gegen einen sauber umformulierten Text (wie Beispiel 2) ist es blind.
Die Score-Bänder im Überblick
| Bereich | Bezeichnung | Bedeutung |
|---|---|---|
| 70% und höher | Hohe Ähnlichkeit | Die Texte teilen den Großteil ihres relevanten Wortschatzes |
| 40% bis 69% | Moderate Ähnlichkeit | Deutliche, aber nicht dominierende Überschneidung |
| 1% bis 39% | Niedrige Ähnlichkeit | Kaum gemeinsames Vokabular |
| 0% | Keine Ähnlichkeit | Kein einziges gemeinsames Wort nach dem Filtern |
Prüfe deine eigenen Texte
Kopier zwei beliebige Texte in die Felder, der Rechner zeigt dir sofort die prozentuale Ähnlichkeit und die geteilten sowie einzigartigen Begriffe.
Beide Texte eingeben um die Ähnlichkeit zu berechnen
TF-Kosinus-Ähnlichkeit · Stoppwörter entfernt · läuft im Browser
Häufige Fehler und Grenzfälle
Das Tool für ein echtes Embedding-Modell halten. Es zählt wörtliche Wortüberschneidungen, es versteht keine Bedeutung. Beispiel 2 oben zeigt das deutlich: inhaltlich fast identische Texte landen bei 6 Prozent, weil kein gemeinsames Vokabular vorliegt. Wer semantische Ähnlichkeit im Sinne echter KI-Embeddings braucht, braucht ein anderes Werkzeug.
Einem niedrigen Wert blind vertrauen. Ein Wert nahe 0 Prozent bedeutet nicht “garantiert einzigartig”. Ein gut umformulierter Text, der inhaltlich kopiert wurde, kann trotzdem fast keine gemeinsamen Wörter mit dem Original teilen und trotzdem als Plagiat im engeren Sinn gelten.
Kurzen Text gegen viel längeren Text vergleichen. Wenn ein Absatz vollständig in einer viel längeren Seite enthalten ist, verwässert der zusätzliche, einzigartige Wortschatz der langen Seite den Score, selbst wenn der kurze Text eins zu eins übernommen wurde. Ein niedrigerer Wert als erwartet heißt in diesem Fall nicht, dass keine Übernahme stattgefunden hat.
Stoppwörter beim Interpretieren vergessen. Wörter wie “und”, “the” oder “der” werden vor der Berechnung herausgefiltert. Sehr kurze Texte, die fast nur aus solchen Füllwörtern bestehen, können deshalb legitim bei 0 Prozent landen, auch wenn sie sich beim Lesen ähnlich anfühlen.
Häufig gestellte Fragen
Was ist der Unterschied zu einem echten Embedding-Modell wie OpenAIs text-embedding-3? Ein echtes Embedding-Modell wandelt Text in einen Bedeutungsvektor um, trainiert auf riesigen Datenmengen, und erkennt dadurch auch inhaltliche Nähe bei völlig unterschiedlichem Wortschatz. Dieses Tool zählt dagegen nur, welche Wörter buchstäblich in beiden Texten vorkommen. Es ist einfacher, transparenter und läuft komplett offline im Browser, kann aber keine Bedeutung erkennen, siehe Beispiel 2 mit seinen 6 Prozent bei eigentlich gleichem Inhalt.
Ab welchem Wert sollte ich mir wegen Duplicate Content Sorgen machen? Das Band ab 70 Prozent, “Hohe Ähnlichkeit”, ist der Punkt, an dem man genauer hinschauen sollte. Verlass dich dabei aber nicht nur auf die reine Zahl, schau dir auch die Liste der gemeinsamen und einzigartigen Begriffe an. Zwei Texte mit vielen geteilten Fachbegriffen (etwa bei technischen Produktbeschreibungen) können legitim hoch liegen, ohne echtes Duplicate-Content-Problem zu sein.
Erkennt das Tool umformulierte Plagiate? Nein, und das ist die wichtigste Einschränkung. Beispiel 2 zeigt das mit exakten Zahlen: derselbe Ausgangsinhalt, aber mit anderem Vokabular umformuliert, ergibt nur 6 Prozent. Für die Erkennung von sauber paraphrasiertem Plagiat braucht es ein semantisches Werkzeug, keinen reinen Wortabgleich.
Fließen Stoppwörter in den Score mit ein? Nein. Häufige Füllwörter werden vor der Berechnung entfernt, damit der Score echte inhaltliche Überschneidung misst statt nur die Tatsache, dass beide Texte in derselben Sprache geschrieben sind.
Wird mein Text an einen Server geschickt? Nein. Die gesamte Berechnung läuft direkt im Browser. Es wird nichts hochgeladen oder gespeichert.
Kann ich das Ergebnis mit anderen teilen? In dieser eingebetteten Version nicht direkt. Öffne dafür die vollständige Tool-Seite, dort wird beim Rechnen ein Link erzeugt, der deine beiden Texte bereits vorausgefüllt enthält.