Wie lange dauert es, eine Sprachnotiz auf dem iPhone zu transkribieren?

In eine Notiz tippen, und die Wörter erscheinen im selben Moment. Eine Aufnahme dem Telefon zur Transkription übergeben, und es passiert etwas anderes: Manchmal ist der Text zurück, bevor Sie das Telefon überhaupt abgelegt haben, manchmal dauert es spürbar länger, und keine Uhr verrät vorher, welcher der beiden Fälle es wird. Keines der beiden Ergebnisse heißt, dass etwas nicht stimmt. Es sind zwei verschiedene Vorgänge, und welcher läuft, entscheidet über die Wartezeit.

Transkribieren ist ein Schritt, den Sie auslösen — nicht etwas, das die Aufnahme von selbst tut

Eine Aufnahme in Ihrer Bibliothek bleibt schlicht eine Aufnahme, bis Sie ein Transkript anfordern — Sprache in Text zu verwandeln ist eine eigene Aktion, kein Vorgang, der unsichtbar im Moment des Stopp-Drückens abläuft. Das ist hier wichtig, weil die Uhr erst zu laufen beginnt, wenn Sie es tatsächlich anfordern, und alles zwischen dieser Anfrage und dem erscheinenden Text ist genau das Thema dieses Ratgebers.

Zwei unterschiedliche Wege, und sie warten unterschiedlich

Der lokale Weg

Liegt für die Sprache bereits ein Modell auf dem Telefon, wird das Audio direkt dort verarbeitet, mit dem Prozessor und der Neural Engine des Telefons selbst. Nichts wird hochgeladen, also gibt es keinen Netzwerkschritt, auf den zu warten wäre — die ganze Wartezeit besteht einfach darin, wie lange diese Hardware braucht, um das Audio durchzuarbeiten. Ein kurzer, klarer Clip in einer gut abgedeckten Sprache ist meist das Schnellste, was dieser Vorgang leisten kann.

Apples Server, als Rückfall

Dieser Weg läuft nur, wenn der lokale Versuch bereits stattgefunden hat und nichts oder einen Fehler zurückgab. Diesmal verlässt das Audio das Telefon tatsächlich: hochgeladen, bei Apple verarbeitet, und der Text kommt zurück. Drei Netzwerkschritte statt null — eine langsame Verbindung oder ein schwaches Signal macht sich hier bemerkbar, wie es lokal nie der Fall ist.

Warum der Rückfall eine Datei langsamer macht, nicht nur anders

Der Rückfall ist keine Abkürzung anstelle des lokalen Versuchs, er kommt nach ihm. Eine Aufnahme, die am Ende den Server braucht, wurde zuerst lokal versucht, dieser Versuch scheiterte oder lieferte nichts, und erst dann beginnt der zweite, netzwerkbasierte Versuch. Eine Datei, die den Rückfall durchläuft, wird also nicht anstelle von lokal transkribiert, sondern zweimal — einmal nach dem anderen —, und genau deshalb kann sie spürbar länger brauchen als eine Datei, die der lokale Durchlauf gleich beim ersten Versuch sauber erledigt hat.

Was die Wartezeit tatsächlich verändert

• Wie viel Audio vorliegt — mehr Sprache bedeutet für beide Wege ungefähr proportional mehr zu verarbeiten.
• Ob die Sprache überhaupt ein lokales Modell hat. Die Abdeckung für lokale Erkennung ist enger als die der insgesamt für Transkription unterstützten Sprachen, sodass manche Sprachen jedes Mal direkt den langsameren Weg nehmen, ohne je eine Chance auf den schnellen zu bekommen.
• Die Aufnahmequalität. Leises, entferntes, verrauschtes oder stark akzentuiertes Audio ist genau das, was einen lokalen Versuch leer zurückkommen lassen kann — und das löst den langsameren Rückfall überhaupt erst aus.
• Die Verbindungsqualität, aber nur, wenn der Rückfall läuft. Für eine Datei, die der lokale Durchlauf bewältigt, spielt sie keine Rolle.

Lange Aufnahmen im Besonderen

Eine anderthalbstündige Vorlesung muss nicht als ein einziger ununterbrochener Block verarbeitet werden — lange Audiodateien werden bei so aufgebauten Systemen üblicherweise in Abschnitte zerlegt, sodass eine sehr lange Datei stückweise zurückkommen kann statt alles auf einmal oder gar nicht. Das ist eher ein Detail der Umsetzung als etwas, worauf man sich einstellen müsste — wichtig ist es vor allem, damit eine lange Aufnahme, die spürbar länger braucht als eine Zwei-Minuten-Notiz, nicht wie ein Zeichen dafür wirkt, dass etwas hängengeblieben ist.

Was während der Verarbeitung tatsächlich zu tun ist

Bei allem Längeren: Telefon ans Netzteil. Ein Spracherkennungsmodell laufen zu lassen fordert Prozessor und Neural Engine, und eine lange Datei erwärmt das Telefon und kostet spürbar Akku — aus demselben Grund, aus dem ein anspruchsvolles Spiel oder ein langer Videoanruf den Akku schneller leert als bloßes Scrollen. Darüber hinaus gibt es wirklich nichts, womit sich der Vorgang beschleunigen ließe. Es ist ein einmaliger Aufwand pro Aufnahme, nichts, das weiterläuft, sobald der Text zurück ist.

Wie Voice Studio damit umgeht

Voice Studio versucht immer zuerst den lokalen Weg und greift nur dann auf Apples Server zurück, wenn dieser lokale Durchlauf nichts oder einen Fehler liefert. Eine kurze Aufnahme in einer gut abgedeckten Sprache auf leistungsfähiger Hardware ist meist der schnellstmögliche Fall und berührt das Netzwerk überhaupt nicht. Etwas in einer weniger verbreiteten Sprache oder an einem lauten Ort aufgenommen, nimmt eher den langsameren Weg — nicht, weil endgültig etwas fehlgeschlagen ist, sondern weil es still auf einem zweiten Weg erneut versucht wird, nachdem der erste nichts ergeben hat. Die Transkription deckt 38 Sprachen ab; die lokale Abdeckung darunter ist enger und wird von Apple festgelegt, nicht von der App. So oder so steht an keiner Stelle dieses Vorgangs ein Konto oder ein eigener Server.

Häufige Fragen

Läuft die Transkription während der Aufnahme, oder erst danach?

Erst danach. Transkribieren ist ein eigener Schritt, den Sie auslösen, sobald eine Aufnahme existiert — es läuft nicht live mit, während Sie sprechen, wie es beim Diktieren in ein Textfeld der Fall ist.

Braucht eine längere Aufnahme immer proportional länger zum Transkribieren?

Ungefähr, aber nicht genau — Sprachabdeckung, Aufnahmequalität und ob der lokale Versuch gelingt, wirken sich stärker auf die Wartezeit aus als die Länge allein.

Warum kam ein Transkript fast sofort zurück und ein anderes brauchte viel länger?

Das schnelle wurde sehr wahrscheinlich vollständig auf dem Telefon erledigt. Das langsame brauchte vermutlich den Server-Rückfall, wurde also faktisch zweimal transkribiert — einmal lokal, dann noch einmal über das Netz, nachdem der erste Versuch leer zurückkam.

Verbraucht das Transkribieren einer Aufnahme spürbar mehr Akku?

Ein Spracherkennungsmodell auf dem Telefon laufen zu lassen fordert Prozessor und Neural Engine, sodass eine lange Datei das Telefon erwärmt und etwas Akku kostet. Für eine lange Transkription ans Netzteil zu gehen, ist ein vernünftiger Reflex, genau wie bei allem anderen, das den Prozessor stark beansprucht.