Warum ist meine Transkription über die Cloud gelaufen?

Diese Frage kommt meist auf, nachdem etwas Indirektes aufgefallen ist — eine Transkription, die länger dauerte als sonst, ein Ausschlag beim mobilen Datenverbrauch, oder einfach das Lesen einer Datenschutzerklärung mit der Frage, ob sie auf eine bereits vorliegende Transkription zutrifft. Die ehrliche Antwort: Im Nachhinein lässt sich ohne einen Test zum Zeitpunkt der Aufnahme nicht sagen, welchen Weg eine bestimmte Aufnahme genommen hat — aber genau lässt sich sagen, was es verursacht hätte, und das ist meist hilfreicher.

Eine Reihenfolge, keine Einstellung

Das ist kein Schalter irgendwo in den Einstellungen, der umgelegt wurde. Es ist eine Abfolge, die fest in der Art eingebaut ist, wie die App Apples Spracherkennung aufruft: die Transkription mit angeforderter Erkennung auf dem Gerät versuchen, und nur wenn dieser Versuch nichts liefert oder einen Fehler wirft, denselben Ton erneut versuchen — diesmal mit deaktivierter Erkennung auf dem Gerät. Dieser zweite Versuch ist es, der den Server von Apple erreicht. Meistens gelingt der erste Versuch, und der zweite läuft nie — die Fälle, in denen er läuft, sind genau die, um die es bei dieser Frage geht.

Dieser Aufbau hat einen einfachen Grund: Die Alternative zum erneuten Versuch wäre, eine leere Transkription auszuliefern und dabei zu bleiben. Ein leeres Ergebnis ist kein sichereres Scheitern, nur ein nutzloseres. Der erneute Versuch tauscht ein Stück Gewissheit darüber, wohin der Ton gegangen ist, gegen eine Transkription, die tatsächlich existiert.

Was den ersten Versuch scheitern lässt

Die Sprache hat kein Modell auf dem Gerät

Spracherkennung auf dem Gerät wird von Apple Sprache für Sprache aufgebaut, nicht auf einen Schlag für alle freigeschaltet. Hat die transkribierte Sprache kein lokales Modell auf dem Telefon, scheitert der Versuch auf dem Gerät sofort, jedes Mal, unabhängig davon, wie die Aufnahme klingt. An der Audioqualität hätte sich daran nichts geändert.

Das Modell existiert, wurde aber nie heruntergeladen

Dass eine Sprache unterstützt wird und dass sie auf dem eigenen Telefon vorhanden ist, sind zwei verschiedene Dinge. Das lokale Modell für eine Sprache trifft in der Regel ein, nachdem diese Sprache irgendwo hinzugefügt wurde, wo das System es bemerkt — Tastatur oder Diktat-Einstellungen —, und das Telefon Zeit im WLAN hatte, es abzurufen. Eine Sprache, die nie zum Diktieren verwendet wurde, hat ihr Modell möglicherweise schlicht noch nicht auf dem Gerät, selbst wenn diese Sprache grundsätzlich auf dem Gerät unterstützt wird.

Die Aufnahme selbst hat ein kleineres Modell überfordert

Modelle auf dem Gerät sind kompakt genug, um auf einem Telefon zu laufen, was sie weniger nachsichtig macht als das dahinterstehende Servermodell. Leise oder entfernte Sprache, starkes Hintergrundgeräusch, ein ausgeprägter Akzent oder mehrere Personen, die durcheinanderreden, sind genau die Art von Ton, bei der ein lokales Modell eher nichts zurückliefert, während das größere Servermodell denselben Ausschnitt problemlos verarbeitet. Das ist der Fall, in dem die Sprache tatsächlich auf dem Gerät unterstützt wird und trotzdem beim Server landet — allein wegen des Klangs der Aufnahme.

Eine Entscheidung pro Aufnahme, nicht pro App

Weil der Auslöser lautet „ist genau dieser Versuch gescheitert", können zwei Aufnahmen in derselben Sprache, Minuten auseinander gemacht, unterschiedliche Wege nehmen. Eine klare, nah aufgenommene lässt sich vollständig auf dem Gerät transkribieren; eine leisere, quer durch den Raum aufgenommene, in derselben Sprache, kann lokal scheitern und auf den Server zurückgreifen. An den Einstellungen hat sich zwischen beiden nichts geändert — entschieden hat der Ton selbst.

Was tatsächlich gesendet wurde, falls der Server einsprang

Läuft der erneute Versuch, wird der Ton an Apples Spracherkennungsdienst übertragen — keine Zusammenfassung, kein bloßer Teiltext. Dieser Dienst ist ein eigener Apple-Weg, derselbe, der hinter dem Diktieren über die Tastatur steht, und kein von der App gewähltes Drittunternehmen. „Von Apple selbst" ist nicht dasselbe wie „lokal", und diese beiden Aussagen sollte man auseinanderhalten: Der Ton hat das Telefon tatsächlich verlassen, auch wenn er nicht das Ökosystem eines Dienstes verlassen hat, den Apple ohnehin dokumentiert und betreibt.

Es vorher wissen statt erst hinterher

Da sich die Aufteilung pro Aufnahme entscheidet, lässt sie sich im Voraus nur herausfinden, indem man die Rückgriffsmöglichkeit selbst entfernt und schaut, was passiert: Flugmodus einschalten, WLAN aus, dann transkribieren. Ohne erreichbares Netzwerk hat der erneute Versuch nirgends hin. Kommt eine Transkription zurück, hat der Versuch auf dem Gerät allein funktioniert; kommt nichts zurück, hätte diese Aufnahme — in dieser Sprache, in diesem Raum — ohnehin den Server gebraucht.

Dieser Test gilt genau für die Aufnahme, mit der er gemacht wird. Ein anderer Raum, eine andere Sprache oder eine andere sprechende Person können auf der anderen Seite derselben Weiche landen — es lohnt sich also, ihn für alles zu wiederholen, worauf die Antwort wirklich ankommt, statt sich auf ein einzelnes Ergebnis zu verlassen.

Wo Voice Studio dabei einzuordnen ist

Voice Studio versucht bei jeder Aufnahme und in jeder seiner 38 Transkriptionssprachen immer zuerst die Transkription auf dem Gerät und versucht es nur dann mit deaktivierter Erkennung auf dem Gerät erneut, wenn dieser erste Durchgang leer bleibt oder einen Fehler wirft. Dieser erneute Versuch ist es, der Ton an Apples Sprachdienst sendet, und der einzige Weg überhaupt, auf dem Ton das Telefon verlässt — Voice Studio hat kein Konto, keinen eigenen Server und kein Analytics-SDK, sodass nichts von einer Aufnahme sonst irgendwohin geht, unabhängig davon, welcher Versuch die Transkription geliefert hat. Wer für eine bestimmte Aufnahme Gewissheit statt einer nachträglichen Erklärung möchte, klärt das direkt durch Transkribieren im Flugmodus: Entweder der Durchgang auf dem Gerät schafft es, oder es kommt nichts zurück — in beiden Fällen wurde kein Ton gesendet.

Häufige Fragen

Kann ich den Rückgriff auf die Cloud abschalten und immer nur lokale Transkriptionen bekommen?

Nicht als Einstellung, aber dasselbe Ergebnis lässt sich durch Transkribieren im Flugmodus erzwingen. Ohne verfügbares Netzwerk kann nur der Versuch auf dem Gerät ein Ergebnis liefern — scheitert er, gibt es eine leere Transkription statt einer an den Server gesendeten.

Bedeutet eine über die Cloud gelaufene Transkription, dass die App sich entschieden hat, sie irgendwohin zu senden?

Es bedeutet, dass der Versuch auf dem Gerät für genau diese Aufnahme leer blieb oder einen Fehler warf und die App es ohne Anforderung der lokalen Erkennung erneut versucht hat. Das ist eine Reaktion auf einen gescheiterten lokalen Versuch, keine im Voraus getroffene Entscheidung.

Warum wurde dieselbe Sprache gestern lokal transkribiert und lief heute über den Server?

Weil der Auslöser die einzelne Aufnahme ist, nicht die Sprache insgesamt. Eine klarere oder näher aufgenommene Aufnahme kann auf dem Gerät gelingen, während eine leisere oder verrauschtere in derselben Sprache lokal scheitert und auf den Server zurückgreift.

Wird die Server-Transkription von Apple an Dritte weitergegeben?

Nein. Es ist ein eigener Apple-Dienst, derselbe, der beim Diktieren über die Tastatur genutzt wird. Der Ton verlässt tatsächlich das Telefon, das ist der wichtige Teil, wird aber keinem externen Unternehmen übergeben.