Kann man ein Gespräch in zwei Sprachen auf dem iPhone transkribieren?

Das kommt in ganz gewöhnlichen Situationen vor: ein Anruf mit zweisprachigen Verwandten, der mitten im Satz zwischen Deutsch und Englisch wechselt, eine Vorlesung, die in einer Sprache beginnt und Fragen in einer anderen entgegennimmt, eine Sprachlernsitzung, bei der absichtlich hin- und hergewechselt wird. Die Aufnahme selbst hat damit kein Problem — einem Mikrofon ist egal, in welcher Sprache der Ton ankommt. Das Problem zeigt sich erst im Transkript.

Warum iOS nicht einfach mitgehen kann

Die Spracherkennung am iPhone hört nicht mit, um herauszufinden, welche Sprache gerade gesprochen wird, und stellt sich nicht unterwegs darauf ein. Ihr wird vor Beginn des Durchgangs eine einzige Sprache genannt, die sie erwarten soll, und sie verbringt die gesamte Aufnahme damit, das Gehörte in die Laute und den Wortschatz dieser Sprache zu pressen. Das gilt gleichermaßen, ob der Durchgang auf dem Gerät läuft oder auf Apples Server ausweicht — die Sprache ist eine im Voraus getroffene Einstellung, nichts, was während der Wiedergabe erkannt wird.

Bei einer Aufnahme, die durchgehend in einer Sprache bleibt, bleibt dieser Mechanismus unsichtbar. Bei einer Aufnahme, die die Sprache wechselt, bedeutet es, dass die Einstellung immer nur für einen Teil des Audios stimmt.

Wie das Transkript dann tatsächlich aussieht

Kein Fehler und keine Lücke. Die Passagen in der Sprache, die der Erkennung genannt wurde, kommen weitgehend normal zurück. Die Passagen in der anderen Sprache werden trotzdem den ähnlichsten Wörtern der erwarteten Sprache zugeordnet, weil das der einzige Wortschatz ist, aus dem geraten werden kann — dasselbe, was passiert, wenn die gesamte Aufnahme auf die falsche Sprache eingestellt ist, nur begrenzt auf den Teil, der es wirklich war. Das Ergebnis liest sich wie echte Wörter am falschen Platz, nicht wie ein Fehler, der auf den ersten Blick auffällt — deshalb lohnt es sich, ein Transkript gegen das Audio zu prüfen, bevor man einem Abschnitt vertraut, dem man beim Sprechen nicht genau zugehört hat.

Regionale Varianten derselben Sprache verhalten sich für diesen Fall genauso. Englisch (USA) und Englisch (Vereinigtes Königreich) sind getrennte Einträge, auf die eine Transkriptionseinstellung zeigen kann, keine Akzente, die ein einziges Modell einfach mit aufnimmt — eine Aufnahme, die zwischen beiden wechselt, hat also dieselbe Art von Problem wie eine, die zwischen zwei unverwandten Sprachen wechselt, nur milder.

Welche Sprache man einstellt

Wenn eine Sprache die Aufnahme klar dominiert — eine Vorlesung fast durchgehend in einer Sprache mit ein paar Fragen in einer anderen, ein Anruf, bei dem vor allem eine Person in ihrer eigenen Sprache spricht — die Transkriptionssprache auf diejenige stellen, die den größeren Teil des Audios abdeckt. Das bringt den Großteil des Transkripts korrekt und reduziert die Minderheitspassagen auf das, was man gegen die Aufnahme liest und von Hand korrigiert — ein kleinerer Aufwand, als es klingt, wenn es nur ein paar Sätze sind statt des ganzen Textes.

Wenn beide Sprachen ungefähr gleich stark vertreten sind, schneidet keine Einstellung besser ab als die andere — beide Optionen treffen ungefähr die Hälfte der Aufnahme richtig und verunstalten den Rest. Das ist die Situation, in der sich das Aufteilen der Aufnahme lohnt, statt eine Sprache zu wählen und mit dem Ergebnis zu leben.

Wann sich das Aufteilen der Aufnahme lohnt

Aufteilen hilft nur, wenn die Sprachen in klar getrennte Zeitabschnitte fallen statt Wort für Wort innerhalb desselben Satzes zu wechseln — eine Vorlesung, die in der ersten Hälfte in einer Sprache läuft und in der zweiten in einer anderen, ein Gespräch, in dem eine Person durchgehend in einer Sprache spricht und die andere durchgehend in ihrer eigenen. An der Stelle schneiden, an der die Sprache wechselt, jedes Stück mit seiner eigenen Spracheinstellung transkribieren, und jede Hälfte erreicht dieselbe Genauigkeit wie eine Aufnahme in nur einer Sprache. Schnelles Hin- und Herwechseln innerhalb eines Satzes lässt sich dagegen gar nicht sauber trennen — es gibt keinen Schnittpunkt, der die Sprachen scheidet, also braucht ein Transkript solcher Sprache ohnehin einen von Hand korrigierten Durchgang, egal wie eingestellt wird.

Wie das Aufteilen in der Praxis geht

Eine .m4a-Datei in Stücke zu schneiden, ist Aufgabe eines Schnittwerkzeugs, und es lohnt sich zu wissen, welche Apps eines haben, bevor man annimmt, dass die Aufnahme-App es auch tut. Apples eigene App Sprachmemos bringt einen einfachen Schnitt mit, GarageBand erlaubt aufwendigere Schnitte. Sobald jedes Stück eine eigene Datei ist, ist das Importieren in die App, mit der transkribiert wird, und das Einstellen der richtigen Sprache für dieses Stück ein ganz gewöhnlicher Transkriptionsdurchgang wie bei jeder anderen Aufnahme — daran ändert der vorherige Schnitt nichts.

Damit leben, die andere Option

Für vieles, wofür das vorkommt — ein Familiengespräch, eine schnelle Sprachnotiz, die aus Gewohnheit die Sprache wechselt und nicht aus Struktur — ist das Aufteilen der Datei mehr Aufwand, als das Transkript wert ist. Die dominierende Sprache einzustellen und die Minderheitspassagen danach von Hand zu korrigieren, ergibt in einem Durchgang und einer Korrektur ein brauchbares, lesbares Transkript — für die meisten persönlichen Aufnahmen der schnellere Weg zu etwas, das man wirklich noch einmal liest.

Wie Voice Studio damit umgeht

Voice Studio transkribiert mit einer einzigen Spracheinstellung aus 38 unterstützten Sprachen, und diese Einstellung gilt für die gesamte Aufnahme, auf der sie läuft — es gibt keine Option pro Abschnitt und keine automatische Erkennung, weil die Spracherkennung von iOS selbst keine davon anbietet. Das Transkript ist editierbarer Text, das Korrigieren der in der falschen Sprache transkribierten Passagen ist also eine ganz normale manuelle Bearbeitung, genau wie das Korrigieren jedes anderen falschen Wortes. Voice Studio enthält kein Schnittwerkzeug — eine Aufnahme nach Sprache aufzuteilen bedeutet also, sie zuerst in Sprachmemos oder GarageBand zu schneiden und jedes Stück wieder zu importieren. Das Importieren vorhandener Audiodateien wird unterstützt, und jedes importierte Stück wird genauso transkribiert wie eine in der App aufgenommene. Nichts davon ist in der kostenlosen Version eingeschränkt: Aufnehmen, Importieren, Transkribieren und Exportieren sind uneingeschränkt verfügbar.

Häufige Fragen

Erkennt iOS automatisch, welche Sprache gesprochen wird?

Nein. Einem Transkriptionsdurchgang wird vorab eine einzige Sprache genannt, die er erwarten soll, und er verbringt die gesamte Aufnahme damit, das Gehörte in diese Sprache zu pressen, unabhängig davon, was tatsächlich gesprochen wird.

Was passiert mit dem Teil einer Aufnahme, der in einer nicht eingestellten Sprache gesprochen wurde?

Er wird trotzdem den ähnlichsten Wörtern der eingestellten Sprache zugeordnet, statt schlicht zu scheitern oder von selbst die Sprache zu wechseln. Er liest sich wie echter Text am falschen Platz — deshalb lohnt es sich, ihn gegen das Audio zu prüfen, statt ihn als richtig anzunehmen.

Lohnt es sich, eine Aufnahme nach Sprache in getrennte Dateien aufzuteilen?

Nur, wenn die Sprachen in klar getrennte Zeitabschnitte fallen statt innerhalb desselben Satzes zu wechseln. Eine Vorlesung, die auf halber Strecke die Sprache wechselt, lässt sich sauber teilen; schnelles Hin- und Herwechseln nicht, und braucht ohnehin einen von Hand korrigierten Durchgang.

Unterstützt Voice Studio mehr als eine Transkriptionssprache pro Aufnahme?

Nein — eine einzige Spracheinstellung gilt für die gesamte Aufnahme, dieselbe Grenze, die die Spracherkennung von iOS generell hat. Ein geschnittenes Stück zu importieren und getrennt mit eigener Spracheinstellung zu transkribieren, ist der Ausweg.