Sprachmemo auf dem iPhone in einer anderen Sprache transkribieren

Es läuft fast immer gleich ab: Jemand nimmt etwas auf Portugiesisch auf, mit einem Telefon, dessen Menüs auf Deutsch sind, und die Transkription kommt leer oder unsinnig zurück. Der erste Impuls ist, die App verantwortlich zu machen. Meist liegt es an einer Spracheinstellung, die nie von ihrem Standardwert geändert wurde.

Zwei verschiedene Spracheinstellungen, leicht zu verwechseln

Eine App wie diese kennt zwei getrennte Sprachbegriffe, die sich nicht gemeinsam bewegen. Der eine ist die Oberflächensprache — die Sprache von Schaltflächen, Menüs und Bildschirmtexten. Der andere ist die Transkriptionssprache — welche Sprache dem Spracherkenner für eine bestimmte Aufnahme vorgegeben wird. Voice Studio unterstützt 19 Oberflächensprachen und, davon getrennt, 38 Sprachen für die Transkription. Eine der beiden zu ändern rührt an der anderen nichts.

Genau diese Lücke erklärt die eingangs beschriebene Situation: Ein Telefon mit deutscher Oberfläche kann problemlos Portugiesisch, Japanisch oder Arabisch transkribieren, weil die Oberflächensprache dafür nie zuständig war. Zuständig ist die Einstellung der Transkriptionssprache, und steht die auf der falschen Sprache, hört der Erkenner die falschen Laute — egal wie sorgfältig alles andere eingerichtet ist.

Wie iOS die zu hörende Sprache wirklich festlegt

Sie wird nicht erkannt — sie wird vorgegeben

Eine Spracherkennungsanfrage unter iOS legt die Sprache vorab fest. Das System hört sich nicht erst einen Ausschnitt an, ermittelt die gesprochene Sprache und transkribiert dann — es geht von vornherein davon aus, dass eine bestimmte Sprache kommt, und vergleicht den Ton die ganze Zeit über mit dem Modell dieser Sprache. Das ist eine Eigenschaft der Funktionsweise des zugrunde liegenden Frameworks, keine Einschränkung einer bestimmten App.

Was bei falsch gewählter Sprache passiert

Der Erkenner versucht es trotzdem. Er vergleicht, was er hört, mit den Lauten und dem Wortschatz der vorgegebenen Sprache — bei einer wirklich anderen Sprache entsteht dabei entweder leerer Text oder echte Wörter in der falschen Sprache, die mit dem tatsächlich Gesagten nichts zu tun haben. Selten scheitert das laut und deutlich: Eine Transkription, die oberflächlich wie normale Sätze aussieht, aber keinen Sinn ergibt, ist das klassische Zeichen einer falschen Spracheinstellung, nicht einer schlechten Aufnahme.

Wenn die eigene Sprache oder Variante nicht abgedeckt ist

Nicht jede existierende Sprachvariante hat einen eigenen Eintrag. Weit verbreitete Sprachen haben meist mehrere regionale Optionen; kleinere Sprachen manchmal nur eine, manchmal gar keine. Steht die eigene Variante nicht auf der Liste, ist der allgemeinere Eintrag derselben Sprache meist die bessere Wahl, statt die Einstellung auf etwas Unverwandtes zu lassen — eine nahe Übereinstimmung mit einer ähnlichen Sprache schlägt einen Abgleich gegen eine völlig andere Sprache noch immer.

Eine Aufnahme, die mittendrin die Sprache wechselt

Der Erkenner gleicht während der gesamten Anfrage nur mit einer Sprache ab. Ein Gespräch, das zwischen zwei Sprachen wechselt — etwa in zweisprachigen Haushalten, manchen Geschäftsbesprechungen oder beim Sprachenlernen — wird deshalb in der eingestellten Sprache ordentlich transkribiert und in der anderen schlecht. Von der Audioseite her gibt es dafür keine halbe Lösung; praktisch bewährt sich, die im Aufnahme dominierende Sprache einzustellen und die Passagen in der anderen Sprache anschließend von Hand nachzukorrigieren.

Auf dem Gerät oder auf dem Server — und was die Sprache damit zu tun hat

Unabhängig davon, welche Sprache eingestellt ist, gibt es noch die Frage, ob die Erkennung lokal auf dem Telefon oder auf Apples Servern läuft — Voice Studio versucht immer zuerst die Verarbeitung auf dem Gerät und weicht erst auf den Server aus, wenn dieser lokale Versuch leer zurückkommt oder fehlschlägt. Die Abdeckung für die On-Device-Verarbeitung ist enger als die für Transkription insgesamt, und das steuert die App nicht selbst; manche Sprachen transkribieren zuverlässig gerade deshalb, weil der Ausweichpfad still den Server erreicht hat, nicht weil alles lokal ablief. Dieses Thema behandelt der Ratgeber zu On-Device- gegenüber Cloud-Transkription ausführlicher — lesenswert, wenn die Privatsphäre für eine bestimmte Sprache wichtig ist, denn die Antwort unterscheidet sich tatsächlich von Sprache zu Sprache.

Wie Voice Studio das handhabt

Die Transkriptionssprache ist eine Einstellung, die man selbst wählt, getrennt von den 19 Oberflächensprachen der App, aus den 38 Sprachen, die die App für die Transkription unterstützt. Sie gehört nicht zu den Dingen, die Pro vorbehalten sind — wie Aufnehmen, Markierungen und Suche steht sie in der kostenlosen App zur Verfügung. Kommt eine Transkription bei einer erkennbar klaren Aufnahme immer wieder leer oder unsinnig zurück, ist diese Einstellung das Erste, was sich zu prüfen lohnt — lange bevor man die Aufnahme selbst für unbrauchbar hält.

Häufige Fragen

Ändert sich die Transkriptionssprache mit, wenn ich die Oberflächensprache der App ändere?

Nein. Das sind unabhängige Einstellungen — 19 Oberflächensprachen und 38 Transkriptionssprachen in Voice Studio —, eine Änderung der einen bewegt die andere nicht.

Kann das iPhone automatisch erkennen, welche Sprache gesprochen wird?

Nein. Die Spracherkennung unter iOS bekommt die erwartete Sprache vorab mitgeteilt und vergleicht den Ton während der gesamten Transkription mit dieser Sprache. Sie hört sich das Audio nicht erst an, um die Sprache zu erraten.

Warum enthält meine Transkription echte Wörter, die aber keinen Sinn ergeben?

Das ist das klassische Zeichen einer falsch eingestellten Transkriptionssprache, nicht einer schlechten Aufnahme — der Erkenner hat das Gehörte mit dem Wortschatz einer anderen Sprache verglichen und trotzdem Text erzeugt.

Was passiert, wenn ich ein Gespräch aufnehme, das zwei Sprachen mischt?

Die Sprache, die zur Einstellung passt, wird vernünftig transkribiert; die andere nicht, weil der Erkenner pro Aufnahme nur eine Sprache hört. Diese Passagen müssen von Hand nachkorrigiert werden.