Das Wichtigste in Kürze
- Die Begriffe sind nach Themen sortiert: Spracherkennung, Genauigkeit, Sprecher, Sprachen, Zeit und Stil, Dateiformate und Untertitel sowie Audio und Arbeitsablauf.
- Manche ähnlich klingende Begriffe meinen Verschiedenes, zum Beispiel Captions und Untertitel oder Diarisierung und Transkription.
- Begriffe zur Genauigkeit geben an, wie gemessen wird. Ohne die Messmethode zu kennen, lässt sich ein reiner Zahlenwert nicht vergleichen.
- Das Glossar eignet sich gut als Checkliste, wenn Sie Tools vergleichen oder ein Briefing für einen Transkriptionsauftrag schreiben.
- Wird bei einem Begriff KolWrite erwähnt, steht dort nur, was das Produkt heute tatsächlich kann.
Welche Begriffe beschreiben, wie Sprache zu Text wird?
Automatische Spracherkennung (Automatic Speech Recognition, ASR) ist die Technik, die gesprochene Audioaufnahmen in geschriebenen Text umwandelt. Im Alltag sagt man dazu meist Speech-to-Text. Transkription meint die gesamte Aufgabe dahinter: Das fertige Transkript hält das Gesprochene schriftlich fest und ergänzt die erkannten Wörter oft um Sprecherangaben, Zeitmarken und Satzzeichen.
Die eigentliche Erkennung übernimmt ein Modell, also ein trainiertes System. Die Audio- und Textbestände, aus denen es gelernt hat, heißen Trainingsdaten. Ein akustisches Modell ordnet Klänge sprachlichen Einheiten zu. Ein Sprachmodell berechnet, wie wahrscheinlich bestimmte Wortfolgen sind. So entscheidet sich die Erkennung eher für eine plausible Formulierung als für eine ungewöhnliche. Moderne Systeme vereinen diese Aufgaben oft in einem einzigen Modell.
Beim Decoding sucht das System nach der wahrscheinlichsten Wortfolge für einen bestimmten Audioausschnitt. Mit einem Konfidenzwert (Confidence Score) bewertet es seine eigene Schätzung durch eine Zahl. Dieser Wert ist aber nur ein Hinweis und keine Garantie. Als Halluzination bezeichnet man flüssig formulierten Text, der in der Aufnahme gar nicht gesagt wurde. So etwas kann bei Stille oder schlechter Tonqualität vorkommen und ist ein Grund, warum automatisch erstellter Text geprüft werden muss.
Welche Begriffe beschreiben die Genauigkeit?
Die Wortfehlerrate (Word Error Rate, WER) gleicht ein Transkript mit einem Referenztranskript ab. Gezählt werden alle Wörter, die ersetzt, ausgelassen oder zusätzlich eingefügt wurden. Diese Summe teilt man dann durch die Gesamtzahl der Wörter in der Referenz. Ein falsches Wort statt des richtigen nennt man Substitution, ein fehlendes Wort Deletion und ein überzähliges Wort Insertion. Die Zeichenfehlerrate (Character Error Rate, CER) rechnet genauso, zählt aber einzelne Zeichen statt Wörter. Man nutzt sie für Sprachen und Schriftsysteme ohne eindeutige Wortgrenzen.
Als Referenztranskript dient ein geprüfter, fehlerfreier Text, an dem das Ergebnis gemessen wird. Vor dem Auszählen bringt man beide Texte durch eine Normalisierung auf denselben Stand, damit der Vergleich fair bleibt. Dabei werden zum Beispiel Satzzeichen entfernt, Zahlenformate angeglichen und Schreibweisen vereinheitlicht. Ein WER-Wert sagt nur dann etwas aus, wenn man auch das Referenztranskript, die Normalisierungsregeln und das Testaudio kennt.
Bei der WER zählt jedes Wort gleich viel. Ein fehlendes „der“ fällt genauso ins Gewicht wie ein falscher Nachname. Viele Anwender prüfen Namen, Zahlen und Fachbegriffe deshalb gesondert. Wir nennen hier keinen festen Prozentwert, weil die Ergebnisse je nach Audioqualität und Sprache schwanken.
Welche Begriffe beschreiben Sprecher?
Die Diarisierung stellt fest, wer wann gesprochen hat, und teilt eine Aufnahme entsprechend nach Sprechern in einzelne Redebeiträge auf. Welche Wörter gesagt wurden, erkennt sie nicht. Einem solchen Abschnitt wird ein Sprecher-Label (Speaker Label) zugewiesen, etwa „Sprecher 1“ oder ein Name. Ein Redebeitrag (Turn) ist dabei der zusammenhängende Abschnitt, in dem eine Person am Stück spricht.
Reden zwei oder mehr Personen gleichzeitig, spricht man von überlappender Sprache (Overlapping Speech). Das macht sowohl der Spracherkennung als auch der Diarisierung zu schaffen. Die Sprachaktivitätserkennung (Voice Activity Detection, VAD) spürt die Stellen einer Aufnahme auf, in denen gesprochen wird, und überspringt Stille sowie Störgeräusche. Die Diarisierungsfehlerrate (Diarization Error Rate, DER) misst, wie viel Zeit dem falschen Sprecher zugeordnet, übersehen oder fälschlich als Sprache eingestuft wurde.
Welche Begriffe beschreiben Sprachen und Übersetzung?
Die Sprachidentifikation (Language Identification) erkennt, welche Sprache gerade gesprochen wird. Wechselt jemand mitten im Gespräch oder sogar im selben Satz die Sprache und mischt zum Beispiel Hebräisch und Englisch, nennt man das Code-Switching. Ein Dialekt ist eine regionale oder soziale Sprachvariante. Im Arabischen ist etwa Modernes Hocharabisch die formelle Schrift- und Rundfunksprache, während im Alltag überwiegend Dialekt gesprochen wird.
Eine Transliteration überträgt die Laute eines Wortes in ein anderes Schriftsystem, etwa wenn man einen arabischen Namen mit hebräischen Buchstaben schreibt. Eine Übersetzung überträgt dagegen die Bedeutung in eine andere Sprache. Rechts-nach-links-Sprachen (Right-to-Left, RTL) wie Hebräisch oder Arabisch schreibt man von rechts nach links. Kommen darin englische Wörter oder Zahlen vor, beeinflusst das die Darstellung von Untertiteln und Dokumenten.
KolWrite transkribiert in über 100 Sprachen, kommt mit gemischter Sprache wie Hebräisch und Englisch zurecht und übersetzt zwischen den unterstützten Sprachen.
Welche Begriffe beschreiben Zeitangaben und Schreibstil?
Ein Zeitstempel (Timestamp) gibt an, wann etwas gesagt wurde, gemessen ab dem Start der Datei. Ein Timecode kennzeichnet ein einzelnes Videobild nach einem festen Standard, meist in Stunden, Minuten, Sekunden und Einzelbildern (Frames). Zeitstempel auf Wortebene (Word-level Timestamps) liefern für jedes einzelne Wort eine eigene Start- und Endzeit. Liegt ein Text bereits vor, lässt er sich per Forced Alignment mit der Audiospur abgleichen, um genau diese Zeiten zu bestimmen.
Eine wörtliche Transkription (Verbatim) übernimmt alles, was gesagt wurde, samt Füllwörtern, Satzabbrüchen und Wiederholungen. Ein geglättetes Wortprotokoll (Clean Verbatim, manchmal auch Intelligent Verbatim) streicht Füllwörter und Satzabbrüche heraus, behält aber den genauen Wortlaut und Sinn des Gesagten bei. Die Wiederherstellung der Zeichensetzung (Punctuation Restoration) ergänzt die erkannten Wörter um Großbuchstaben, Kommas und Punkte. Die Zahlenformatierung wiederum wandelt gesprochene Zahlwörter in Ziffern um.
Welche Begriffe beschreiben Dateiformate und Untertitel?
SRT und VTT sind einfache Textformate für Untertitel, in denen Textzeilen mit Start- und Endzeiten verknüpft sind. VTT (oder WebVTT) ist der Standard fürs Web und erlaubt es zusätzlich, den Text zu positionieren und zu gestalten. TXT enthält reinen Text, DOCX ist ein Word-Dokument und PDF ein Dokument mit festem Layout. JSON ist ein strukturiertes Datenformat für Software, in dem oft auch Wort-Zeitstempel und Sprecher-Labels gespeichert werden.
Captions zeigen Sprache und wichtige Geräusche für Zuschauer an, die den Ton nicht hören können. Untertitel (Subtitles) sind für Zuschauer gedacht, die den Ton zwar hören, das Gesprochene aber trotzdem als Text oder Übersetzung brauchen. Untertitel für Gehörlose und Schwerhörige (SDH) sind Untertitel, die zusätzlich Geräusche beschreiben und Sprecher benennen. Geschlossene Untertitel (Closed Captions) liegen als eigene Spur vor und lassen sich ein- oder ausschalten. Offene oder fest eingebrannte Untertitel (Open Captions) sind dagegen fest ins Videobild gezeichnet.
Welche Begriffe beschreiben Audio und Arbeitsablauf?
Ein Codec ist das Verfahren, das Audiodaten kodiert und komprimiert. Verlustfreie Formate (Lossless) wie WAV behalten alle Details des Originaltons. Verlustbehaftete Formate (Lossy) wie MP3 lassen dagegen einen Teil der Daten weg, um die Datei kleiner zu machen. Die Bitrate gibt an, wie viele Daten pro Audiosekunde verarbeitet werden. Eine höhere Bitrate erhält im Allgemeinen mehr Details. Wie oft das Tonsignal pro Sekunde gemessen wird, beschreibt die Abtastrate (Sample Rate). Mono nutzt einen Audiokanal, Stereo zwei.
Das Signal-Rausch-Verhältnis (Signal-to-Noise Ratio, SNR) vergleicht die Lautstärke der Stimme mit der Lautstärke der Hintergrundgeräusche. Ein niedriges SNR gehört zu den häufigsten Ursachen für Fehler bei der Spracherkennung. Bei der Stapelverarbeitung (Batch Processing) wird eine Gruppe aufgezeichneter Dateien zusammen abgearbeitet. Die Streaming- oder Echtzeiterkennung verarbeitet den Ton dagegen sofort beim Eintreffen für den Live-Einsatz. KolWrite arbeitet mit hochgeladenen Aufnahmen und bietet keine Live-Untertitel während eines Anrufs.
Ein benutzerdefiniertes Vokabular (Custom Vocabulary) oder Glossar ist eine Liste mit Namen und Fachbegriffen, die man dem System mitgibt, damit es diese Wörter zuverlässiger erkennt. Über eine API, also eine Programmierschnittstelle, können Softwareprogramme Audiodaten senden und Text empfangen. Die Überprüfung (Review, teils auch Human-in-the-Loop genannt) ist der Schritt, in dem ein Mensch das automatisch erstellte Transkript kontrolliert und korrigiert.
Häufige Fragen
Wofür steht die Abkürzung ASR?
Für Automatic Speech Recognition, auf Deutsch automatische Spracherkennung. Das ist die Technik, die gesprochene Audioaufnahmen in geschriebenen Text umwandelt.
Was ist der Unterschied zwischen Captions und Untertiteln?
Captions geben Sprache und wichtige Geräusche für Zuschauer wieder, die nicht hören können. Untertitel (Subtitles) verschriftlichen oder übersetzen das Gesprochene für Zuschauer, die den Ton zwar hören, den Text aber trotzdem brauchen, oft in einer anderen Sprache.
Was versteht man unter Diarisierung?
Die Diarisierung stellt fest, wer wann gesprochen hat, und teilt die Aufnahme nach Sprechern in einzelne Redebeiträge auf. Das geschieht getrennt von der eigentlichen Worterkennung.
Was misst die Wortfehlerrate (WER)?
Sie zählt im Vergleich zu einem Referenztranskript alle ersetzten, ausgelassenen und zusätzlich eingefügten Wörter und teilt diese Summe durch die Gesamtzahl der Wörter in der Referenz. Jedes Wort zählt dabei gleich viel.
Was ist der Unterschied zwischen Verbatim und Clean Verbatim?
Verbatim übernimmt alles Gesagte samt Füllwörtern und Satzabbrüchen. Clean Verbatim lässt diese Elemente weg, behält aber die Wortwahl der sprechenden Person und den Sinn bei.
