Warum verhaspelt sich mein iPhone-Transkript bei Namen?

Es ist ein konkretes, sich wiederholendes Ärgernis: Ein Transkript liest sich über drei Absätze hinweg makellos, trifft jeden gewöhnlichen Satz genau, und verwandelt dann den Namen einer Kollegin in derselben Aufnahme dreimal in drei unterschiedliche, falsche Wörter. Sobald man das Muster bemerkt, wirkt es selten zufällig — und ist es auch nicht. So verhält sich ein allgemeines Spracherkennungsmodell, wenn es auf ein Wort trifft, das es nie zu erwarten gelernt hat.

Die Erkennung weiß nicht, dass es Namen gibt

Spracherkennung auf dem iPhone funktioniert, indem der Klang des Gesagten mit einem Sprachmodell abgeglichen wird und danach die wahrscheinlichste Wortfolge gewählt wird, die zu diesem Klang passt — wahrscheinlich gemessen daran, wie die Sprache normalerweise verwendet wird, nicht daran, wer tatsächlich mit Ihnen im Raum sitzt. Dieses Modell hat den konkreten Menschen, das Produkt oder den Ort in Ihrem Leben nie kennengelernt. Es hat nur riesige Mengen gewöhnlicher Sprache gesehen und bewertet jedes mögliche Wort danach, wie oft es in dieser Art von Sprache vorkommt.

Ein gängiger Vorname taucht im Training meist häufig genug auf, um gute Chancen zu haben. Ein selteneres Name, ein Nachname, eine Marke oder ein erfundener Produktname ist im Gesehenen selten oder gar nicht vertreten — die Chancen stehen also von vornherein schlecht, und trotzdem muss die Erkennung irgendetwas ausgeben. Sie greift zu dem gewöhnlichen Wort oder dem geläufigeren Namen, der klanglich nah genug ist, um die Lücke zu füllen, denn „das Nächstliegende, das ich tatsächlich kenne" schlägt immer „nichts", sobald sich die Erkennung auf eine Antwort festlegen muss.

Warum ausgerechnet Namen diese Wette verlieren

Sie sind per Definition selten

Dass ein Wort ungewöhnlich ist, ist für ein Sprachmodell kein Ausnahmefall, sondern der Normalzustand für einen riesigen Teil echter Namen. Genau der Grund, warum ein Name eine bestimmte Person oder Sache identifiziert, ist, dass die meisten Namen nicht von allen geteilt werden — exakt die Eigenschaft, die sie zu statistisch unwahrscheinlichen Kandidaten für ein System macht, das auf der Häufigkeit eines Wortes aufbaut.

Der umgebende Kontext hilft kaum

Erkennung stützt sich stark auf Kontext: Ein mehrdeutiger Klang mitten in einem gewöhnlichen Satz löst sich auf, weil an dieser Stelle nur bestimmte Wörter grammatisch und inhaltlich Sinn ergeben. „Hier ist [Name], ich rufe wegen der Rechnung an" sagt dem Modell, dass an dieser Stelle irgendein Name steht, aber die Grammatik allein grenzt nicht ein, welcher — jeder Name ist dort grammatisch austauschbar, also greift das Modell auf den zurück, den es am häufigsten gesehen hat, nicht auf den, den Sie tatsächlich gesagt haben.

Es betrifft nicht nur Personen

Derselbe Mechanismus verstümmelt Markennamen, Medikamentennamen, Straßennamen, laut ausgesprochene Modellnummern und Fachbegriffe aus einem bestimmten Bereich. Alles, was ungewöhnlich genug ist, um wichtig zu sein, ist aus demselben Grund ungewöhnlich genug, damit ein allgemeines Modell sich dabei vertut.

Das ist kein Zeichen, dass etwas fehlgeschlagen ist

Ein falscher Name in einem ansonsten korrekten Transkript bedeutet, dass die Erkennung funktioniert und einen konkreten, erklärbaren Fehler gemacht hat — etwas anderes als ein leeres Transkript, das bedeutet, dass die Erkennung überhaupt keinen brauchbaren Text erzeugt hat. Die Audiodatei selbst bleibt in beiden Fällen unberührt; ein verstümmelter Name im Transkript heißt nicht, dass der Name falsch aufgenommen wurde, sondern nur, dass die Umwandlung genau dieses Klangs in Text beim falschen Wort gelandet ist.

Es ist auch nicht so, dass ein Erkennungsdurchlauf das behebt und ein anderer nicht. Die Erkennung auf dem Gerät und der Rückgriff auf einen Server sind beide allgemeine, auf dieselbe Art trainierte Sprachmodelle, die mit derselben Art gewöhnlicher Sprache arbeiten — kein persönliches Namensverzeichnis, das der eine hätte und der andere nicht. Es gibt keine echte Grundlage für die Erwartung, dass ein Name sauberer herauskommt, je nachdem, welcher Durchlauf ihn verarbeitet hat.

Was den Unterschied ein wenig verringert

• Sprechen Sie den Namen in normalem Tempo aus, ohne ihn zu verschlucken — die Erkennung arbeitet allein mit dem akustischen Signal, und ein hastig gesprochener oder leiser werdender Name liefert weniger Anhaltspunkte als der Rest des Satzes.
• Verwenden Sie innerhalb einer Aufnahme durchgehend dieselbe Form des Namens. Ein Modell, das sich bei einer Aussprache bereits auf eine falsche Vermutung festgelegt hat, profitiert nicht davon, wenn Sie danach zu einem Spitznamen oder einer anderen Aussprache für dieselbe Person wechseln.
• Rechnen Sie damit, dass derselbe Name jedes Mal auf dieselbe Weise falsch herauskommt, nicht zufällig. Diese Beständigkeit ist tatsächlich nützlich: Ein Name, der immer in dasselbe falsche Wort verwandelt wird, lässt sich, sobald das Muster auffällt, schnell und vorhersehbar per Suchen-und-Ersetzen korrigieren, statt jedes Mal neu gejagt werden zu müssen.

Die Korrektur im Nachhinein ist die eigentliche Lösung

Es gibt keine Einstellung, die der Spracherkennung eines iPhones vorab einen bestimmten Namen beibringt, und keine Möglichkeit, das Problem dauerhaft vor der Aufnahme zu lösen. Der praktische Weg ist derselbe wie bei jedem anderen Transkriptionsfehler: das Transkript einmal lesen, den Namen dort korrigieren, wo er falsch ist, und weitermachen. Diese Korrektur geschieht am eigenen Eintrag der Aufnahme — deshalb lohnt es sich, sie vor dem Export oder Teilen des Transkripts vorzunehmen und nicht danach. Eine aus dem Text erstellte TXT- oder JSON-Datei ist eine Momentaufnahme genau dieses Zeitpunkts, und eine spätere Korrektur erreicht eine bereits verschickte Kopie nicht mehr.

Wie Voice Studio damit umgeht

Voice Studio transkribiert über Apples Speech-Framework: zuerst Erkennung auf dem Gerät, und nur dann ein weiterer Versuch mit deaktivierter Erkennung auf dem Gerät, bei dem das Audio an Apples Server geschickt wird, wenn dieser erste Durchlauf leer bleibt oder einen Fehler wirft. Keiner der beiden Durchläufe hat besonderes Wissen über die Namen in Ihrem Leben, daher ist ein verstümmelter Name ein gewöhnliches Ergebnis der Funktionsweise allgemeiner Spracherkennung, nicht etwas, das an einer bestimmten Aufnahme oder einem bestimmten Durchlauf liegt. Das Transkript jeder Aufnahme lässt sich jederzeit und kostenlos bearbeiten — einen Namen zu korrigieren ist dieselbe kostenlose Aktion wie jede andere Korrektur darin — und der anschließende Export als TXT oder JSON enthält den korrigierten Text, da der Export immer den Stand des Transkripts zu diesem Zeitpunkt wiedergibt.

Häufige Fragen

Kann man der App einen Namen beibringen, damit sie ihn nicht mehr falsch erkennt?

Nein. Es gibt kein persönliches Wörterbuch und keine Namensliste, die die Erkennung zuerst prüft — jeder Durchlauf ist ein allgemeines Sprachmodell ohne jedes Wissen über die konkreten Menschen, Orte oder Produkte in Ihrem Leben. Den Namen im Transkript nachträglich zu korrigieren ist die eigentliche Lösung.

Erkennt der serverbasierte Durchlauf Namen besser als die Erkennung auf dem Gerät?

Nicht zuverlässig. Beide sind auf dieselbe Art trainierte, allgemeine Sprachmodelle und kein persönliches Namensverzeichnis, daher gibt es keine echte Grundlage für die Erwartung, dass einer von beiden einen bestimmten Namen besser trifft.

Behebt erneutes Transkribieren derselben Aufnahme einen falschen Namen?

In der Regel nicht. Das Audio hat sich nicht geändert und ebenso wenig das Modell, das es verarbeitet, daher kommt derselbe Name meist wieder auf dieselbe falsche Weise heraus, sofern sich sonst nichts an den Bedingungen geändert hat.

Wenn ich einen Namen in einem Transkript korrigiere, wird er in künftigen Aufnahmen richtig erkannt?

Nein. Eine Korrektur gilt für den Transkript-Eintrag genau dieser Aufnahme. Sie ist kein Wörterbucheintrag, den die Erkennung für später Aufgenommenes heranzieht.