Lernt eine Transkriptions-App Ihre Stimme mit der Zeit – auf dem iPhone?

Es ist eine naheliegende Vermutung, übertragen aus anderer Software. Eine Tastatur sagt Ihr nächstes Wort umso besser voraus, je länger Sie darauf tippen. Ein Sprachassistent, der eingerichtet wurde, um genau Sie zu erkennen, reagiert bei Ihnen anders als bei einer fremden Person. Beides ist nicht eingebildet, also ist die Annahme, eine Transkriptions-App funktioniere genauso — sie baue still ein Profil Ihrer Stimme auf und werde bei Ihnen speziell genauer — keine abwegige Erwartung.

Was „Ihre Stimme lernen" tatsächlich voraussetzen würde

Damit sich ein Modell auf eine bestimmte Person einstellt, müssen drei Dinge zutreffen: Ihr Audio muss über den Moment der Transkription hinaus aufbewahrt werden, es muss Ihnen zugeordnet statt als anonyme Anfrage verworfen werden, und irgendetwas muss dieses Modell regelmäßig anhand dieses gespeicherten Verlaufs neu trainieren oder anpassen. Das ist eine echte Infrastruktur, dieselbe, die hinter jedem Produkt steht, das tatsächlich personalisiert — sie braucht Speicherplatz, eine Identität, an die dieser Speicherplatz gebunden ist, und einen Neutrainings-Schritt, der nach einem gewissen Rhythmus läuft. Eine App ohne Konto und ohne eigenen Server hat keinen dieser drei Bausteine. Es gibt nirgendwo, wo sich ein Verlauf Ihrer Stimme ansammeln könnte, und nichts eingeplant, das daraus lernen würde, selbst wenn es einen gäbe.

Was eine iPhone-Transkription tatsächlich erzeugt

Die Transkription auf dem iPhone – in Voice Studio wie in fast jeder App, die kein eigenes Sprachmodell mitbringt – baut auf Apples Speech-Framework auf: zuerst ein Durchlauf auf dem Gerät, und ein erneuter Versuch gegen Apples Server, wenn dieser lokale Durchlauf leer bleibt oder scheitert. Beides sind allgemeine Modelle, je eines pro Sprache, an jedes Telefon mit dieser iOS-Version verteilt und von jeder App, die das Framework aufruft, identisch genutzt. Ihr konkreter Verlauf mit einer bestimmten Aufnahme-App hat keinen Zugang zu einem der beiden Modelle – das auf dem Gerät steckt in einem festen Download auf Ihrem Telefon, und das auf dem Server ist geteilte Infrastruktur, die auf Apples Seite Anfragen aller Apps gleich bedient, kein Ihnen zugeordnetes Profil.

Das gilt unabhängig davon, wie viele Aufnahmen Sie gemacht haben oder wie lange Sie die App schon nutzen. Die fünfhundertste Transkription entsteht durch genau dasselbe Modell wie die erste. Nichts an der bisherigen Nutzung der App ändert, was passiert, wenn Sie auf Transkribieren tippen.

Wo es echte, personenbezogene Sprachpersonalisierung auf dem iPhone tatsächlich gibt

Das heißt nicht, dass sich kein Teil von iOS je an eine bestimmte Stimme anpasst – das tut er, nur eben nicht hier. Beim Einrichten von „Hey Siri" sagen Sie den Satz mehrmals, damit das Telefon lernt, Sie als die sprechende Person zu erkennen – ein echter, dokumentierter Fall, in dem iOS etwas aufbaut, das an die Stimme einer bestimmten Person gebunden ist. Das ist allerdings eine engere Aufgabe als Transkription: Es geht darum zu entscheiden, ob die gerade gehörte Stimme wahrscheinlich Ihre ist, nicht darum, beliebige Sprache in präzisen Text umzuwandeln. Es ist außerdem eine eigene Apple-Funktion speziell für Siri, nicht etwas, das Drittanbieter-Apps offensteht, die das allgemeine Speech-Framework für eine Transkription aufrufen. Diese Unterscheidung zu kennen zeigt gerade, wie echte Personalisierung auf dieser Plattform aussieht – und wie anders sie ist als das, was eine Transkriptions-App tut.

Warum ein Transkript mit der Nutzung dann trotzdem besser zu werden scheint

Ein paar Dinge ändern sich über Wochen der Nutzung derselben App tatsächlich, und keines davon ist die Software, die sich an Sie anpasst.

• Sie werden besser in den mechanischen Dingen – wo das Telefon liegt, wie weit weg es ist, in einer ruhigeren Umgebung aufzunehmen –, nachdem Sie ein- oder zweimal bemerkt haben, was ein schlechter Winkel oder ein lauter Raum einem Transkript antun.
• Sie legen sich auf die passende Transkriptionssprache und -variante für Ihre tatsächliche Sprechweise fest, statt auf die Standardeinstellung, nachdem ein früheres Transkript falsch oder unsinnig herauskam.
• Sie fangen an, dieselben wiederkehrenden Fehler direkt im Transkripttext zu korrigieren – einen Namen, einen Fachbegriff, ein Wort, das die Erkennung konsequent falsch versteht –, sodass sie aufhören, als Problem aufzufallen, obwohl die Erkennung denselben Fehler bei neuem Audio wieder machen würde.
• Die Netzwerkbedingungen unterscheiden sich zwischen einzelnen Versuchen, sodass dieselbe Formulierung gelegentlich über den Server-Rückfall sauberer zurückkommt als über einen still gescheiterten Durchlauf auf dem Gerät, oder umgekehrt – ein Unterschied darin, welcher Durchlauf gelaufen ist, nicht darin, dass sich einer der beiden verbessert hätte.

Alle vier Punkte wirken von außen wie „die App gewöhnt sich an mich". Was tatsächlich passiert, ist, dass Sie Bedingungen anpassen, auf die die Erkennung schon immer empfindlich reagiert hat, oder dass Sie dieselben paar Fehler oft genug von Hand ausbessern, dass sie aufhören, als Fehler wahrgenommen zu werden. Das zugrunde liegende Modell hat sich dabei keinen Millimeter bewegt.

Warum das mehr ist als nur Beruhigung

Es ändert, was bei einem Transkript, das immer wieder an demselben Wort scheitert, tatsächlich sinnvoll ist. Darauf zu warten, dass die App es irgendwann lernt, heißt, auf etwas zu warten, das nicht eintreten wird, weil kein Mechanismus dahintersteht – dasselbe Audio, nächsten Monat erneut eingereicht, wird vom selben festen Modell verarbeitet und wird sehr wahrscheinlich denselben Fehler produzieren. Es einmal im Transkripttext zu korrigieren, oder zu prüfen, ob die Transkriptionssprache zu Ihrer tatsächlichen Sprechweise passt, ist die Version dieser Korrektur, die wirklich hält, weil sie etwas Reales verändert, statt darauf zu hoffen, dass sich ein Modell von selbst anpasst.

Wie Voice Studio damit umgeht

Voice Studio hat kein Konto, keinen eigenen Server und kein Analyse-SDK, also gibt es auf unserer Seite nichts, worin sich ein Verlauf Ihrer Stimme ansammeln könnte, selbst wenn das Speech-Framework darauf ausgelegt wäre, einen solchen zu nutzen. Die Transkription versucht für die gewählte Sprache stets zuerst den Durchlauf auf dem Gerät und weicht nur auf Apples Server aus, wenn dieser Durchlauf leer bleibt oder scheitert – dieselben zwei festen Modelle, die jede andere Person mit dieser iOS-Version ebenfalls nutzt. Was in der kostenlosen App uneingeschränkt bleibt, ist das Transkript selbst: Es liegt als gewöhnlicher, bearbeitbarer Text vor, sodass ein Name oder eine Formulierung, die immer wieder falsch herauskommt, eine Korrektur ist, die Sie einmal direkt im Transkript vornehmen – statt darauf zu warten, dass die Software es irgendwann von selbst richtig macht.

Häufige Fragen

Wird eine Transkriptions-App mit häufigerer Nutzung genauer?

Nein. Das verwendete Sprachmodell ist ein festes, allgemeines Modell, gebunden an eine Sprache, kein Modell, das sich an eine bestimmte Person anpasst, je öfter diese Person eine bestimmte App nutzt. Die Verbesserung, die viele bemerken, kommt meist davon, dass sie ihre Art zu Aufnehmen anpassen, nicht davon, dass sich die Software ändert.

Personalisiert sich die Spracherkennung des iPhones überhaupt auf die Stimme?

Ein sehr enger Teil davon schon — „Hey Siri" wird eingerichtet, indem Sie die Phrase mehrmals sagen, damit das Telefon lernt, Sie speziell als sprechende Person zu erkennen. Das ist eine eigene, Apple-interne Siri-Funktion zur Erkennung, wer spricht, nicht etwas, an das sich die Transkription einer Drittanbieter-App anschließt.

Warum wird dieselbe Aufnahme bei einem zweiten Versuch manchmal anders transkribiert?

Meist, weil ein anderer Durchlauf gelaufen ist — einmal ein Versuch auf dem Gerät, das andere Mal ein erneuter Versuch gegen Apples Server, je nach Netzwerkbedingungen in diesem Moment. Das ist ein Unterschied darin, welches feste Modell die Anfrage bearbeitet hat, nicht, dass sich eines der beiden verbessert hätte.

Was tue ich, wenn die App ein Wort, das ich ständig korrigieren muss, ohnehin nicht lernen wird?

Korrigieren Sie es direkt im Transkripttext, sobald es erscheint — die Erkennung wird beim nächsten Mal sehr wahrscheinlich denselben Fehler bei neuem Audio wieder machen, da Ihre Korrektur nichts am zugrunde liegenden Modell ändert. Zuerst zu prüfen, ob die Transkriptionssprache zu Ihrer tatsächlichen Sprechweise passt, lohnt sich, weil eine falsch eingestellte Sprache genau diese Art von wiederkehrendem Fehler verursacht.