Warum enthält mein iPhone-Sprachmemo-Transkript "äh" und "ähm"?

Ein Transkript wie "also, äh, ich glaube, die, ähm, die Frist ist Freitag" wirkt, als würde die Erkennung über sich selbst stolpern. Ist sie nicht. "Äh" und "ähm" sind echte, erkennbare Laute mit einer eigenen akustischen Form, und ein Modell, das gut zwischen Wörtern unterscheidet, ist über denselben Mechanismus auch einigermaßen gut darin, sie zu erfassen. Überraschend ist nicht, dass sie auftauchen — sondern dass sie nicht jedes Mal auftauchen.

Die Erkennung weiß nicht, was ein Füllwort ist

Spracherkennung bildet Laute auf Text ab. Ihr wird nicht grundsätzlich gesagt: "Diese bestimmten Laute sind Füllwörter, lass sie weg" — das würde bedeuten zu entscheiden, was gemeint war, gegenüber dem, was tatsächlich gesagt wurde, ein Urteil über Absicht, keine Transkriptionsaufgabe. Ohne diese Vorgabe ist die ehrliche Ausgabe alles, was tatsächlich geäußert wurde, Zögerlaute eingeschlossen — aus demselben Grund, aus dem ein Transkript ein wiederholtes Wort oder einen abgebrochenen und neu angesetzten Satz behält: Die Aufgabe der Erkennung endet bei "welcher Laut war das", nicht bei "war dieser Laut es wert, behalten zu werden".

Warum es uneinheitlich ist statt alles-oder-nichts

Ein paar Dinge bestimmen, ob ein bestimmtes "äh" oder "ähm" in die eine oder andere Richtung ausschlägt, und keines davon lässt sich über einen Einstellungsbildschirm steuern:

• Wie klar es ausgesprochen wurde. Ein kurzes, abgehacktes "äh" zwischen zwei Wörtern kann mit dem umgebenden Klang verschmelzen und nie als eigene Einheit erkannt werden — genau wie ein genuscheltes echtes Wort verschwinden kann.
• Was unmittelbar drumherum war. Ein Füllwort direkt vor einer Pause übersteht die Erkennung eher; eines, das mitten im Satz verschluckt wird, ohne Lücke auf beiden Seiten, verschmilzt eher mit dem Nachbarwort oder fällt ganz weg.
• Wie es gesagt wurde, nicht nur was. Ein gedehntes, betontes "ähhh" verhält sich anders als ein kurzes, fast abgeschnittenes "äh" — akustisch sind das nicht dieselben Ereignisse, auch wenn eine Person beides als Füllwort hört.

Nichts davon ist ein Fehler, den man melden müsste. Es ist dasselbe Mustererkennungsverhalten unter Unsicherheit, das jedes andere Wort im Transkript bestimmt, nur angewandt auf Laute, die zufällig Zögern statt Inhalt sind.

Macht es einen Unterschied, ob auf dem Gerät oder auf dem Server?

iOS versucht zuerst die Spracherkennung auf dem Gerät und greift nur dann auf Apples Server zurück, wenn dieser lokale Durchgang leer zurückkommt oder fehlschlägt. Beide arbeiten mit denselben akustischen Hinweisen und ohne jede Vorgabe, Zögerlaute herauszufiltern — welcher der beiden bei einer bestimmten Aufnahme lief, ist also kein verlässlicher Weg, mehr oder weniger Füllwörter im Ergebnis zu bekommen. Die Uneinheitlichkeit steckt im Audio und im Modell, nicht darin, welcher der beiden Wege genutzt wurde.

Wann es sich lohnt, sie stehen zu lassen

Bevor jedes "äh" gelöscht wird, lohnt sich die Frage, ob dieses Transkript das überhaupt braucht. Ein wortgetreues Protokoll einer Aussage, eines Interviews oder eines schwierigen Gesprächs ist manchmal nützlicher, wenn die Zögerlaute stehen bleiben — eine Pause und ein Stocken, bevor jemand auf eine Frage antwortet, kann Teil dessen sein, wofür das Transkript gedacht ist. Und wenn die Aufnahme dazu dient, die eigenen Sprechgewohnheiten zu hören — einen Vortrag üben, eine Antwort trainieren —, sind die Füllwörter genau das, worauf es beim Zuhören ankommt; sie aus dem Text zu tilgen, bevor das Muster im Audio überhaupt aufgefallen ist, unterläuft den eigentlichen Zweck.

Aufräumen, wenn sie nicht gebraucht werden

Für den alltäglichen Gebrauch — ein Sprachmemo in Notizen, einen Entwurf, eine Nachricht verwandeln — sind Füllwörter einfach Ballast, den man entfernt, und der schnellste Weg ist nicht, jedes einzelne zu jagen, sondern ein einziger Durchgang: das Transkript im normalen Lesetempo durchgehen und "äh", "ähm" sowie das gelegentlich wiederholte Wort streichen, sobald der Blick darauf fällt — derselbe Durchgang wie bei Zeichensetzung oder einem falsch verstandenen Namen. Das geht schnell, weil dabei kein Inhalt korrigiert wird, sondern Laute gestutzt werden, die nie Bedeutung tragen sollten.

Wie Voice Studio damit umgeht

Die Transkription läuft über Apples Spracherkennung, zuerst auf dem Gerät, und Voice Studio führt keinen separaten Durchgang aus, um Füllwörter zu erkennen oder zu entfernen — was die Erkennung aufgeschrieben hat, erscheint im Transkript. Was die App dafür bietet: Das Transkript bleibt danach kostenlos bearbeitbar — ein "äh" löschen, ein falsch verstandenes Wort korrigieren, und die Korrektur bleibt überall erhalten, wo dieser Text verwendet wird — bei der Suche in der App, und ein TXT- oder JSON-Export enthält die bereinigte Fassung, nicht die ursprüngliche.

Häufige Fragen

Kann ich Füllwörter in Voice Studio automatisch aus Transkripten entfernen lassen?

Nein — es gibt keine Einstellung, die "äh" und "ähm" entfernt, bevor sie ins Transkript gelangen. Der Text spiegelt genau das wider, was Apples Erkennung erzeugt hat, und Füllwörter zu entfernen ist eine manuelle Bearbeitung, genau wie das Korrigieren jedes anderen Wortes.

Warum erfasst das Transkript ein "äh" beim ersten Mal, übersieht es aber später in derselben Aufnahme?

Weil jedes Vorkommen unabhängig vom umgebenden Klang erkannt wird, nicht als verfolgtes Muster. Wie klar dieses bestimmte "äh" ausgesprochen wurde und welche Pause es umgab, entscheidet, ob dieses Vorkommen aufgeschrieben wird — nicht, ob frühere es wurden.

Entfernt der Wechsel zur serverbasierten Transkription Füllwörter?

Nein. iOS versucht zuerst die Erkennung auf dem Gerät und greift nur dann auf den Server zurück, wenn dieser Durchgang leer bleibt oder fehlschlägt, und beide arbeiten mit denselben akustischen Hinweisen ohne jede Vorgabe, Zögerlaute herauszufiltern — welcher der beiden gelaufen ist, ändert also nicht verlässlich, wie viele Füllwörter auftauchen.

Sollte ich Füllwörter aus jedem Transkript entfernen?

Nur, wenn das Transkript sauber lesbar sein soll. Ein wortgetreues Protokoll — ein Interview, eine Aussage, eine Probe, die zur eigenen Sprechweise ausgewertet wird — kann nützlicher sein, wenn sie stehen bleiben, weil die Zögerlaute selbst manchmal genau die gesuchte Information sind.