Verbessert eine höhere Aufnahmequalität die Genauigkeit der Transkription?

Es ist eine naheliegende Annahme, wenn man von Fotos herkommt: Ein höher aufgelöstes Bild macht Texterkennung zuverlässiger, also sollte eine höher aufgelöste Aufnahme auch die Spracherkennung zuverlässiger machen. Bei Audio und gesprochener Sprache stimmt diese Annahme fast nie, und es lohnt sich zu wissen, warum — bevor man eine Qualitätsstufe aus dem falschen Grund wählt.

Was eine Qualitätsstufe tatsächlich verändert

Bei einem Telefonrekorder mit mehreren Qualitätsstufen ändert sich zwischen ihnen normalerweise die Abtastrate — wie oft pro Sekunde das Mikrofonsignal gemessen wird. Die drei Stufen von Voice Studio sind Standard mit 22,05 kHz, Hoch mit 44,1 kHz und Ultra mit 48 kHz, immer mono AAC. Eine Stufe höher erfasst einen breiteren Ausschnitt des hörbaren Spektrums und erzeugt eine größere Datei. Am Kompressionsverfahren ändert sich nichts, und es kommt keine Information hinzu, die im Raum nicht ohnehin vorhanden war.

Wo die Information steckt, die ein Transkript wirklich braucht

Die Verständlichkeit von Sprache liegt größtenteils unter etwa 8 kHz — Konsonanten, Vokale und die Tonhöhe einer Stimme passen bequem unter diese Grenze. Selbst die niedrigste der drei Stufen, 22,05 kHz, liegt deutlich über dem Punkt, an dem Sprache klar wird, weil die Abtastrate etwa doppelt so hoch sein muss wie die höchste relevante Frequenz. Praktisch bedeutet das: Wenn man zwischen Standard, Hoch und Ultra wählt, ist der Teil des Signals, aus dem ein Transkript entsteht, bei allen drei bereits vollständig vorhanden. Eine höhere Stufe erfasst mehr Details des Raums, nicht mehr von der Stimme.

Was wirklich entscheidet, ob ein Transkript gut wird

Zwei getrennte Dinge bestimmen, wie ein Transkript ausfällt, und keines davon ist der Qualitätsregler.

Ob die Erkennung auf dem Gerät oder auf Apples Server lief

Die Spracherkennung unter iOS versucht zuerst den lokalen Weg und wiederholt bei vielen Implementierungen den Versuch gegen Apples Server, wenn dieser Durchlauf leer zurückkommt oder fehlschlägt. Welcher Weg läuft, hängt von der Sprachabdeckung ab und davon, ob das lokale Modell dieser Sprache tatsächlich auf das Telefon heruntergeladen wurde — nicht davon, wie das Audio kodiert wurde. Eine Aufnahme in Standardqualität in einer Sprache mit solidem lokalem Modell wird genauso zuverlässig transkribiert wie eine in Ultra-Qualität.

Was tatsächlich im Audio steckt

Das ist der Teil, den eine Qualitätsstufe nicht reparieren kann. Abstand zur sprechenden Person, Hintergrundgeräusche, ein schlecht platziertes Mikrofon, sich überlappende Stimmen und übersteuertes Audio durch zu nahes oder zu lautes Sprechen verschlechtern alle das, womit die Erkennung arbeitet — und keines davon hat mit der Abtastrate zu tun. Ein ruhiger Raum mit dem Telefon fünfzehn Zentimeter vor jemandes Mund, in Standardqualität, wird eine laute Cafeteria-Aufnahme in Ultra jedes Mal übertreffen.

Welche Qualität also, wenn Transkription das Ziel ist

Hoch ist für fast jede gesprochene Aufnahme ein sinnvoller Standardwert — deutlich über dem Punkt, an dem die Klarheit der Sprache durch irgendetwas begrenzt würde, das der Encoder tut. Wenn der Speicherplatz wirklich knapp ist, kostet Standard nichts, was ein Transkript gebraucht hätte; der erfasste Frequenzbereich deckt bereits ab, was Sprache braucht. Ultra macht ein Transkript nicht genauer. Die Stufe lohnt sich nur, wenn man aus einem anderen Grund die bestmögliche Kopie des Audios selbst haben möchte — als Transkriptionseinstellung taugt sie nicht.

Wie die Qualitätsstufe in Voice Studio funktioniert

Die Qualitätsstufe — Standard, Hoch oder Ultra — ist eine kostenlose Einstellung, keine der wenigen Funktionen, die Pro vorbehalten sind. Die Transkription versucht immer zuerst den lokalen Weg und weicht nur dann auf Apples Server aus, wenn dieser Durchlauf leer zurückkommt oder fehlschlägt — unabhängig davon, mit welcher Qualitätsstufe aufgenommen wurde. Fällt ein Transkript schlechter aus als erwartet, lohnt sich der Blick darauf, wo das Telefon während der Aufnahme lag — nicht, welche Qualitätsstufe eingestellt war.

Häufige Fragen

Liefert eine Aufnahme in Ultra-Qualität ein genaueres Transkript als in Hoch?

Nein, nicht nennenswert. Die Spracherkennung arbeitet mit einem Frequenzbereich, den beide Stufen bereits reichlich abdecken. Ultra ergibt eine größere Datei, kein klareres Transkript.

Was verschlechtert ein Transkript tatsächlich?

Abstand zur sprechenden Person, Hintergrundgeräusche, sich überlappende Stimmen und übersteuertes Audio durch zu nahes oder zu lautes Sprechen. All das zählt weit mehr als die Qualitätsstufe.

Sollte ich Standardqualität nutzen, wenn mir vor allem das Transkript wichtig ist, um Speicherplatz zu sparen?

Das ist eine vernünftige Wahl. Standard liegt bereits über dem Frequenzbereich, den Spracherkennung braucht — man opfert also nicht das Transkript, nur die Dateigröße.

Hilft eine höhere Abtastrate, dass iOS die lokale Erkennung statt des Servers nutzt?

Nein. Diese Entscheidung hängt von der Sprachabdeckung und davon ab, ob das lokale Modell dieser Sprache auf das Telefon heruntergeladen ist — nicht davon, wie die Aufnahme kodiert wurde.