Zeigt ein iPhone-Transkript, wer gerade spricht?

Das fällt meist zum ersten Mal auf, wenn jemand ein Interview oder eine Besprechung transkribiert statt einer einzelnen Stimme, die für sich spricht. Die Wörter stimmen oft erstaunlich gut. Was einfach fehlt, ohne Fehlermeldung und ohne offensichtlichen Schalter dafür, ist jede Angabe dazu, wer welchen Teil gesagt hat.

Zwei verschiedene Aufgaben, die wie eine aussehen

Sprache in Wörter umzuwandeln ist eine Aufgabe: Ein Modell hört sich einen Audioabschnitt an und sagt die Wortfolge voraus, die ihn erzeugt hat. Herauszufinden, wie viele unterschiedliche Stimmen in einer Aufnahme vorkommen und welcher Abschnitt zu welcher Stimme gehört, ist eine völlig andere Aufgabe, meist Sprecherdiarisation genannt. Sie fragt nicht, was gesagt wurde — sie fragt, wer gesprochen hat, anhand von Dingen wie Tonhöhe, Klangfarbe und dem akustischen Fingerabdruck einer Stimme.

Ein fertiges Transkript lässt das wie eine einzige Aufgabe wirken, weil man beide Antworten gleichzeitig will. Apples Speech-Framework, auf dem sowohl die Transkription auf dem Gerät als auch die serverseitige Variante am iPhone läuft, erledigt nur die erste. Es liefert Wörter. Ob im Audio eine Stimme steckt oder fünf, das Ergebnis ist ein reiner Textblock — nichts im Framework identifiziert oder trennt Sprecher, und keine App eines Drittanbieters, die es nutzt, kann es dazu bringen, etwas zu tun, was es nicht tut.

Wie sich das in der Praxis zeigt

Das Transkript eines Interviews mit zwei Personen liest sich als ein einziger Absatz, der ohne Unterbrechung durch Fragen und Antworten läuft, ohne "F:" oder Namen, die den Wechsel markieren. Sich überschneidende Sprache — jemand redet über jemand anderen hinweg — kommt als die Wörter heraus, die das Modell trennen konnte, ohne jeden Hinweis darauf, dass zwei Personen beteiligt waren. War man nicht dabei oder erinnert sich nicht mehr an das Gespräch, steht im Text selbst nichts, was verrät, wer welche Zeile gesagt hat.

Was in der Praxis tatsächlich hilft

Namen laut aussprechen, auf der Aufnahme

Die günstigste Lösung passiert schon vor der Transkription. Wiederholt man zu Beginn eines Redebeitrags einen Namen oder eine Rolle — "also, Priya, was ist dann passiert" —, landet dieser Satz im Transkript als ganz normale Wörter und übernimmt die Kennzeichnung, die sonst eine Diarisationsfunktion leisten müsste. Das kostet nichts und braucht keinerlei Unterstützung durch die App.

Sprecherwechsel während der Aufnahme markieren

Tippt man in dem Moment, in dem jemand Neues zu sprechen beginnt, auf eine Markierung, hat man hinterher eine Reihe von Zeitstempeln zum Arbeiten — dieselbe Gewohnheit, die aus ganz anderen Gründen auch bei einer Vorlesung oder einem langen Interview hilft. Bearbeitet man das Transkript später, zeigen einem diese Markierungen genau, wo ein Name eingefügt werden muss, ohne die ganze Aufnahme noch einmal durchzuhören, um die Wechsel zu finden.

Das Transkript einmal, gezielt, überarbeiten

Weil das Transkript ganz normaler, bearbeitbarer Text ist, besteht die praktische Lösung aus einem einzigen Durchgang danach: das Audio beschleunigt abspielen und dort, wo die Markierungen oder der Inhalt selbst zeigen, dass der Sprecher gewechselt hat, den Namen eintippen. Bei einem kurzen Interview sind das Minuten, keine Stunden, und es muss pro Aufnahme nur einmal passieren.

Getrennt aufnehmen, wenn es wirklich darauf ankommt

Bei allem, wo eine falsche Zuordnung ein echtes Problem wäre — ein rechtlich relevantes Gespräch, ein formelles Interview, aus dem man wörtlich zitieren will — umgeht die zuverlässigere Lösung das Transkript ganz: Jede Person nimmt auf ihrem eigenen Gerät auf. Ein einzelnes Telefon mit einem einzelnen Mikrofon hat physikalisch keine Möglichkeit, zwei Stimmen im selben Raum zu trennen; zwei getrennte Aufnahmen haben diese Mehrdeutigkeit von vornherein nicht.

Wo das am meisten ins Gewicht fällt

Es tritt genau dort am stärksten auf, wo Transkripte am nützlichsten sind: Interviews, Besprechungen und jedes Gespräch, aus dem man später zitieren möchte statt nur darin zu suchen. Keine dieser Situationen wird durch das Fehlen von Sprecherkennzeichnungen schlimmer — es braucht nur den kleinen manuellen Aufwand von oben, um eine Textwand in etwas zu verwandeln, das man mit Zuversicht zitieren kann.

Wie Voice Studio damit umgeht

Voice Studio nutzt Apples Speech-Framework für die Transkription, also entspricht das Ergebnis genau der obigen Beschreibung: korrekte Wörter, keine automatischen Sprecherkennzeichnungen. Das Transkript ist ganz normaler, bearbeitbarer Text, sodass das nachträgliche Ergänzen von Namen oder einem "F:"/"A:"-Muster nur einen Durchgang braucht. Während der Aufnahme gesetzte Markierungen dienen genau dazu, diesen Durchgang zu leiten — eine schnelle Möglichkeit, sich zu merken, wo der Sprecher gewechselt hat, ohne die ganze Datei erneut anzuhören. Sobald das Transkript so ist, wie man es haben möchte, lässt es sich als TXT oder JSON exportieren, oder man gibt das Audio selbst als .m4a-Datei weiter.

Häufige Fragen

Kann irgendeine iPhone-App wirklich automatisch Sprecherkennzeichnungen hinzufügen?

Manche Apps wenden auf das Transkript eine zusätzliche Verarbeitung an, um Sprecherwechsel anhand von Stimmmerkmalen zu erraten. Das ist eine echt andere Funktion als die Sprach-zu-Text-Umwandlung selbst, und sie tut sich schwer, wenn Stimmen sich ähneln oder das Audio nicht sauber ist — es ist eine Vermutung, keine Garantie, anders als die reine Worttranskription.

Löst Aufnehmen in Stereo oder mit zwei Mikrofonen das Problem?

Nicht von allein. Stimmen zuverlässig zu trennen braucht entweder wirklich getrennte Aufnahmen pro Person oder einen eigens dafür gebauten Diarisationsschritt — einfach mehr Kanäle aufzuzeichnen, kennzeichnet für sich genommen nicht, wer spricht.

Warum erkennt das Transkript Namen richtig, wenn Leute sie laut aussprechen?

Weil es an der Stelle einfach ganz normale Wörter transkribiert. "Hier ist Priya" kommt als Text heraus wie jeder andere Satz auch — die Kennzeichnung passiert in dem, was gesagt wurde, nicht in irgendetwas, das die Transkriptionsfunktion zusätzlich leistet.

Betrifft das auch Aufnahmen mit nur einer Person, wie eine Vorlesung oder ein Sprachtagebuch?

Nein. Das Fehlen von Sprecherkennzeichnungen spielt nur eine Rolle, sobald es mehr als eine Stimme zu unterscheiden gibt. Bei einem einzelnen Sprecher gibt es nichts zu klären.