Das Wichtigste in Kürze
- Spracherkennung berechnet, welcher Text am wahrscheinlichsten zu einem Audioabschnitt passt. In einer Aufnahme liegt kein verstecktes Manuskript, das man bloß freilegen müsste.
- Durch das Training mit riesigen Mengen mehrsprachiger Audiodaten sind die Modelle verlässlicher geworden. Wenn ein System eine Sprache unterstützt, heißt das aber noch nichts für die Qualität in dieser Sprache.
- Sprecherzuordnung, Zeitstempel, Satzzeichen und Export sind eigene Bausteine rund um die eigentliche Spracherkennung. Jeder davon kann für sich allein Fehler machen.
- Das Mikrofon und der Raum machen meistens mehr aus als die Wahl des Modells.
- Bei uns bleiben die Audiodatei, der Text mit Zeitstempeln und die menschliche Korrektur an einem Ort zusammen, weil Fehler genau dort auffallen.
1. Bei der Software kommt ein Signal an, kein Satz
Für die Software ist eine Aufnahme erst einmal eine lange Zahlenreihe. Jeder Wert steht für den Luftdruck in einem bestimmten Moment. Bevor überhaupt ein Wort vorgeschlagen wird, schneidet das System den Ton in kurze Zeitfenster und erfasst für jedes Fenster, wie sich die Energie auf die Frequenzen verteilt. An der Physik ändert das nichts. Zwei Stimmen, Raumhall, ein Laptoplüfter und die Dateikompression landen zusammen im selben Signal.
Darum spielt das Mikrofon eine größere Rolle, als viele beim Einkauf denken. Ist es nah am Mund, bleiben Konsonanten und die kurzen Pausen zwischen den Wörtern erhalten. Liegt dagegen ein Smartphone mitten auf dem Konferenztisch, nimmt es den Raumhall und alle Stimmen gleichzeitig auf. Einen Konsonanten, den der Raum verschluckt hat, kann auch kein Sprachmodell wiederherstellen.
2. Der Encoder kartiert die Sprache
Ein Encoder rechnet die kurzen Tonabschnitte in Vektoren um. Darin stecken die Hinweise, die später bei der Vorhersage helfen: lautliche Feinheiten, Sprechrhythmus und eine grobe Trennung zwischen Stimme, Hintergrundgeräusch und Stille. Das Vortraining mit sehr großen Datenmengen hat diesen Schritt stark verändert. 2022 erschien eine Studie, für die ein Modell mit 680.000 Stunden schwach überwachter, mehrsprachiger Aufnahmen trainiert wurde. Spätere Arbeiten kamen auf über hundert und schließlich auf über tausend Sprachen, indem sie Aufnahmen nutzten, die vorher niemand abgetippt hatte.123
Große Datenmengen sorgen dafür, dass das Modell vieles schon einmal gehört hat, aber nicht dafür, dass es alle Sprachen gleich gut beherrscht. Wenn es mehr Mikrofone, Akzente und Fachthemen kennt, bringt Ihre Aufnahme es seltener aus dem Konzept. Eine bloße Liste unterstützter Sprachen verrät Ihnen trotzdem nicht, wie gut das System ein Verkaufsgespräch auf Hebräisch meistert, ein Interview auf Palästinensisch-Arabisch oder einen Satz, der in einer Sprache anfängt und in einer anderen aufhört.
3. Beim Dekodieren treten plausible Sätze gegeneinander an
Die Spracherkennung sucht sich die Wörter nicht einzeln zusammen. Sie prüft ganze Wortfolgen und gleicht sie mit dem Ton ab sowie mit dem, was sie über typischen Satzbau gelernt hat. Darum gibt sie einer sinnvollen Formulierung den Vorzug vor einer Kette ähnlich klingender Laute. Und genau deshalb liefert sie bei verwaschenem Ton manchmal einen glatten, gut lesbaren Satz, den so niemand gesagt hat.
Besonders deutlich merkt man das bei Namen, Zahlen und Sprachwechseln. Wer zur Erkennung von Code-Switching forscht, stößt immer wieder auf dasselbe Problem: Für jede Sprache einzeln gibt es reichlich Tonmaterial, aber kaum Aufnahmen, in denen jemand mitten im Satz die Sprache wechselt. Im Hebräischen und Arabischen kommt dazu, dass viele Wörter uneinheitlich geschrieben werden und es nur wenige Aufnahmen von freier, spontaner Alltagssprache gibt. Neuere Forschungsdatensätze helfen hier zwar weiter, schließen die Lücke aber noch nicht.456
4. Ein fertiges Transkript entsteht aus einer Pipeline, nicht aus einer einzigen Antwort
Die eigentliche Spracherkennung liefert nur Wörter und Zeitangaben. Wer wann gesprochen hat, klärt ein anderer Schritt, die Sprechertrennung. Das Alignment knüpft jedes Wort wieder an die genaue Uhrzeit. Satzzeichen und Absätze sorgen dafür, dass man den Text lesen kann. Danach folgen noch Speicherung, neue Durchläufe bei Abbrüchen, der Editor, die Suche und der Export. Jeder dieser Schritte ist ein eigenes Bauteil und kann unabhängig von den anderen versagen.
Manchmal widersprechen sich die einzelnen Schritte auch. Dann stimmen zwar die Wörter, aber es steht der falsche Sprecher davor. Oder eine automatische Zusammenfassung liest sich sauber, während im Transkript selbst ein Nachname völlig entstellt wurde. Statt einfach eine Prozentzahl für die Treffsicherheit einzublenden, zeigen wir lieber die Originalaufnahme samt Zeitstempeln, damit ein Mensch die Stelle kurz prüfen und entscheiden kann.
5. Was wir testen, bevor wir uns auf einen Ablauf verlassen
Nehmen Sie zum Testen Ihre schwierigsten eigenen Aufnahmen. Das kann ein Videoanruf sein, in dem drei Leute durcheinanderreden, ein Mitschnitt aus der letzten Reihe im Hörsaal, eine Sprachnachricht von einem belebten Flur oder eine Aufnahme, in der ein Nachname vierzigmal fällt. Stoppen Sie dann die Zeit, bis Sie eine fertig korrigierte Datei haben, die Sie auch wirklich verschicken würden. Messen Sie nicht die Zeit, bis der erste Text erscheint.
Bei KolWrite liegen Audio-Player, Text, Sprecher und Zeitstempel in einer einzigen Ansicht beieinander, und diese Struktur bleibt auch beim Export in Dokumente und Untertiteldateien erhalten. Das nimmt der Spracherkennung zwar nicht ihre Unsicherheit. Man findet die wackligen Stellen aber sofort und hat sie schnell ausgemerzt. Und dieser letzte Schliff bleibt ohnehin Menschenarbeit.
Häufige Fragen
Ist KI-Transkription dasselbe wie Spracherkennung?
Die Spracherkennung ist nur der Teil, der aus dem Ton Wörter macht. Ein vollständiges Transkriptionsprogramm baut darum noch einiges herum: Es erkennt die Sprache, trennt die Sprecher, setzt Zeitstempel und Satzzeichen und bietet Funktionen zum Bearbeiten, Suchen und Exportieren. Im Alltag machen meistens diese Zusatzschritte Ärger, weniger die Spracherkennung selbst.
Warum liest sich ein inhaltlich falsches Transkript oft so flüssig?
Der Decoder sucht anhand des Zusammenhangs nach einer wahrscheinlichen Wortfolge. Wenn der Ton nuschelig oder verrauscht ist, gewinnt oft eine Formulierung, die an dieser Stelle plausibel klingt, statt dessen, was wirklich gesagt wurde. Flüssig liest sich das Ergebnis trotzdem. Namen, Zahlen und alle Stellen, die Sie wörtlich zitieren wollen, sollten Sie deshalb immer noch einmal kurz gegenhören.
Bedeuten mehr unterstützte Sprachen auch überall die gleiche Qualität?
Nein. Wie viele Stunden Trainingsmaterial es gibt, wie gut Dialekte abgedeckt sind und wie gründlich getestet wurde, unterscheidet sich von Sprache zu Sprache enorm. Eine Sprachenliste zeigt nur, was technisch grundsätzlich geht. Über die Treffsicherheit in Ihrer Sprache sagt sie nichts aus.
Kommen die Zeitstempel aus demselben Modell wie die Wörter?
Nicht unbedingt. Zeitangaben, Sprecherzuordnung und Satzzeichen stammen oft aus getrennten Arbeitsschritten. Genau deshalb stehen in manchen Transkripten zwar die richtigen Wörter, aber an der falschen Stelle auf der Zeitleiste. Wir prüfen jeden dieser Schritte einzeln.
Quellen und weiterführende Literatur
- 1Radford et al., Robust Speech Recognition via Large-Scale Weak Supervision
- 2Pratap et al., Scaling Speech Technology to 1,000+ Languages
- 3Zhang et al., Google USM: Scaling Automatic Speech Recognition Beyond 100 Languages
- 4Chi & Bell, Improving Code-switched ASR with Linguistic Information
- 5Turetzky et al., HebDB: a Weakly Supervised Dataset for Hebrew Speech Processing
- 6Hamed et al., Dialectal Arabic-English Code-Switching Speech Recognition
