Macht eine höhere Qualitätsstufe die Transkription am iPhone langsamer?

Die Frage kommt aus einer vernünftigen Intuition: Ultra erzeugt eine größere Datei als Standard, und größer bedeutet meist langsamer, irgendwo in der Kette. Es lohnt sich, genau durchzugehen, was die Qualitätsstufe wirklich ändert und womit eine Spracherkennung tatsächlich arbeitet — denn beides überschneidet sich am Ende kaum.

Was die Qualitätsstufe wirklich ändert

Standard, hoch und ultra legen die Abtastrate fest, mit der eine Aufnahme erfasst wird — wie oft pro Sekunde das Mikrofonsignal gemessen wird — bei 22,05 kHz, 44,1 kHz und 48 kHz, in jedem Fall als mono AAC gespeichert. Eine höhere Abtastrate erfasst einen breiteren Ausschnitt des hörbaren Bereichs mit feinerer zeitlicher Auflösung. Was sie nicht tut: mehr Sprache, mehr Wörter oder mehr Information darüber liefern, was gesagt wurde. Es ist ein Unterschied darin, wie fein derselbe Klang gemessen wird, und das zeigt sich vor allem in einer größeren Datei auf dem Speicher.

Womit eine Spracherkennung tatsächlich arbeitet

Spracherkennungssysteme, am iPhone wie überall sonst, lesen die Quelldatei nicht mit ihrer nativen Abtastrate und urteilen direkt darauf. Das Audio wird dekodiert und auf die feste Arbeits-Abtastrate umgerechnet, um die herum das Modell der Spracherkennung selbst gebaut wurde, und Sprachmodelle sind meist um eine Rate herum gebaut, die deutlich unter dem liegt, was Musik oder allgemeine Audioproduktion interessiert — menschliche Sprache trägt oberhalb weniger Kilohertz kaum noch nutzbare Information, es gibt also nichts zu gewinnen, wenn man der Erkennung mehr davon gibt. Dieser Umrechnungsschritt passiert automatisch und identisch, unabhängig davon, mit welcher Qualitätsstufe die Datei entstanden ist.

Das praktische Ergebnis: Eine Spracherkennung, die eine Ultra-Aufnahme verarbeitet, und dieselbe Erkennung, die dieselben Worte in Standard verarbeitet, arbeiten in dem Moment, in dem die eigentliche Erkennung beginnt, bereits mit Audio, das auf dieselbe Rate reduziert wurde. Die Erkennung bekommt den Unterschied, den die Qualitätsstufe gemacht hat, nie zu sehen.

Was also tatsächlich bestimmt, wie lange eine Transkription dauert

• Wie lang die Aufnahme ist. Das ist mit Abstand der dominierende Faktor — eine zehnminütige Aufnahme gibt der Erkennung zehn Minuten Sprache zu verarbeiten, unabhängig davon, mit welcher Qualitätsstufe sie aufgenommen wurde.
• Ob der Versuch auf dem Gerät gelingt oder auf Apples Server zurückfällt. iOS versucht zuerst die Erkennung auf dem Gerät; kommt dieser Versuch leer zurück oder wirft einen Fehler, geht der erneute Versuch an Apples Spracherkennungsdienst, und ein Weg über das Netz ist eine andere Art des Wartens als ein rein lokaler.
• Die gesprochene Sprache, da Abdeckung und Qualität des lokalen Modells je nach Sprache variieren.
• Wie beschäftigt das Telefon gerade mit etwas anderem ist — eine echte gemeinsam genutzte Ressource, an der die Qualitätsstufe aber keinen Anteil hat.

Nichts davon ist die Abtastrate, mit der eine Aufnahme gespeichert wurde. Wenn eine Transkription länger dauert als erwartet, ist die Qualitätsstufe nicht der Ort, an dem man danach suchen sollte.

Die eine Stelle, an der Dateigröße die Geschwindigkeit streift — und warum es hier keine Rolle spielt

Es gibt eine reale, ehrliche Einschränkung: Eine größere Quelldatei zu lesen und zu dekodieren dauert etwas länger als bei einer kleineren, schlicht weil mehr Bytes vom Speicher bewegt werden müssen. Bei einer Aufnahme in typischer Sprachlänge ist dieser Unterschied ein Rundungsfehler — ein Bruchteil einer Sekunde, verborgen in einem Prozess, der ohnehin schon je nach Länge mehrere Sekunden bis ein paar Minuten dauert. Das ist nichts, was jemand beim Transkribieren eines Anrufs oder einer Vorlesung je bemerken würde, geschweige denn ein Weg, um wirklich schneller zu werden.

Wo die Qualitätsstufe tatsächlich etwas ausmacht

Sie ist keine sinnlose Einstellung — sie beantwortet nur eine andere Frage. Eine höhere Abtastrate erfasst tatsächlich einen größeren Teil des hörbaren Bereichs, was für Musik oder alles, was kritisch abgehört werden soll, etwas wert ist, und sie kostet über eine lange Aufnahme hinweg echten Speicherplatz. Das ist eine echte Abwägung, die man vor einer langen Sitzung bedenken sollte. Nur ist es keine Abwägung bei der Transkriptionsgeschwindigkeit.

Wie Voice Studio das handhabt

Voice Studio bietet standard, hoch und ultra — 22,05 kHz, 44,1 kHz und 48 kHz, immer mono AAC —, und die Transkription versucht immer zuerst den Weg auf dem Gerät, unabhängig davon, mit welcher der drei Stufen die Datei aufgenommen wurde, und wiederholt nur ohne die On-Device-Kennung, wenn dieser erste Versuch leer zurückkommt oder fehlschlägt. Die gewählte Qualitätsstufe ist eine Entscheidung über Speicherplatz und Klangtreue, nicht etwas, das ändert, wie die Transkription entsteht oder wie lange sie braucht.

Häufige Fragen

Kommen Transkriptionen schneller zurück, wenn ich auf Standard umstelle?

Nein. Die Erkennung rechnet das Audio unabhängig von der Abtastrate der Quelldatei auf ihre eigene feste Arbeitsrate um, sodass Standard- und Ultra-Aufnahmen derselben Sprache aus Audio mit derselben effektiven Rate verarbeitet werden.

Dauert eine längere Aufnahme immer länger bei der Transkription als eine kürzere?

Ja, mit deutlichem Abstand — die Länge ist der dominierende Faktor dafür, wie lange eine Transkription dauert, weit vor allem anderen, einschließlich der Qualitätsstufe.

Beeinflusst die Qualitätsstufe die Genauigkeit der Transkription genauso, wie sie die Geschwindigkeit beeinflussen könnte?

Kaum, und aus demselben Grund: Die Erkennung arbeitet ohnehin mit umgerechnetem Audio. Was die Genauigkeit tatsächlich bewegt, sind Dinge wie Hintergrundgeräusche, Abstand zum Mikrofon und wie klar jemand spricht — nicht die Abtastrate, mit der die Datei gespeichert wurde.

Warum scheitern manche langen Aufnahmen an der Transkription, statt einfach nur länger zu dauern?

Lange Audiodateien werden meist in Abschnitten statt in einem einzigen durchgehenden Durchlauf verarbeitet, und ein einzelner Abschnitt kann fehlschlagen — meist wegen eines Netzwerkproblems auf dem Rückfallweg —, während der Rest der Aufnahme normal transkribiert wird. Das ist eine Frage der Länge und der Verbindung, keine der Qualitätsstufe.