Warum vertauscht mein iPhone-Transkript gleich klingende Wörter?

Es ist eine ganz bestimmte Art von Transkriptionsfehler, und sie fühlt sich anders an als die übrigen. Der Satz ist nicht zerhackt, der Rhythmus stimmt, jedes andere Wort ist richtig — und dann steht „das", wo „dass" hingehört, oder ein Transkript über eine Gitarre schreibt „Seite" statt „Saite". Beim Abspielen klingt an der Aufnahme selbst nichts falsch, und genau das macht dieses Fehlermuster beim ersten Mal so verwirrend.

Der Ton unterscheidet die beiden wirklich nicht

Ein genuscheltes Wort oder eines, das im Hintergrundgeräusch untergeht, ist ein Signalproblem — das Audio trug weniger Information als sonst, und die Erkennung musste mit einem dünneren Signal raten. Homofone sind eine völlig andere Situation: „das" und „dass" klingen nicht ähnlich, sie klingen identisch. Es gibt keine Art, eines der beiden deutlicher auszusprechen, die die aufgenommene Schallwelle verändern würde, denn der Unterschied zwischen ihnen war nie akustisch — er steckt vollständig in Rechtschreibung und Grammatik, auf die ein Mikrofon keinen Zugriff hat.

Fast-Homofone funktionieren genauso, nur mit etwas mehr Spielraum: „Seite" und „Saite", „wieder" und „wider" unterscheiden sich durch eine Nuance, die die Alltagssprache fast immer verwischt. Ein System, das nur mit dem Audio arbeitet, steht vor derselben unmöglichen Aufgabe wie eine Person, die den Satz hören, aber nicht geschrieben sehen könnte.

Was den Ausschlag tatsächlich gibt

Spracherkennung ordnet nicht nur Klänge Wörtern zu — sie bewertet auch, welche Wortfolge nach normalem Sprachgebrauch wahrscheinlicher ist, weshalb sie meistens einen sinnvollen statt eines unsinnigen Satzes ausgibt, obwohl beide fast gleich klingen. Diese Bewertung leistet echte Arbeit, und deshalb sind Homofon-Fehler in einem gut funktionierenden Transkript die Ausnahme, nicht die Regel.

Aber diese Bewertung bleibt eine statistische Gewohnheit, gelernt aus riesigen Mengen gewöhnlichen Textes, kein Verständnis des konkreten Satzes, den Sie gesagt haben. Sie greift zu dem Wort, das an dieser grammatischen Stelle in der Alltagssprache häufiger vorkommt — und bei einem echten Homofon-Paar sind beide Wörter oft häufig genug, an ähnlich passenden Stellen, dass die Chancen eng beieinanderliegen. Ein Mensch, der den Satz noch einmal liest, löst das sofort auf, weil er weiß, was gemeint war. Ein statistisches Modell hat keine Version von „was gemeint war", auf die es zurückgreifen könnte — nur, was üblich ist.

Das ist die Kehrseite des Namensproblems, nicht dasselbe Problem

Ein Name wird verstümmelt, weil er selten ist — das Modell hat ihn kaum je gesehen und ersetzt ihn durch etwas Gebräuchliches. Eine Homofon-Verwechslung ist das Gegenteil: Beide Kandidaten sind meist gewöhnliche, ganz gewöhnliche Wörter, und das Modell ist wirklich zwischen zwei Dingen hin- und hergerissen, die es gut kennt, statt zu einem Ersatz zu greifen. Deshalb unterscheidet sich auch die Korrektur. Ein falscher Name wiederholt sich meist auf dieselbe Weise, sobald man das Muster erkannt hat. Ein Homofon-Ausrutscher wird satzweise entschieden, je nachdem, welche Lesart für diesen konkreten Zusammenhang knapp höher bewertet wurde — dasselbe Wortpaar kann also in einem Satz richtig und im nächsten falsch landen, innerhalb desselben Transkripts.

Warum Qualitätsstufe und verwendete Erkennung daran nichts ändern

Es lohnt sich, die üblichen Verdächtigen auszuschließen, denn dieser Fehler kommt von keinem von beiden. Eine höhere Abtastrate erfasst mehr Detail im Ton selbst, was bei einer leisen oder entfernten Stimme hilft — aber „das" und „dass" erzeugen bei jeder Abtastrate denselben Klang, also schafft mehr Detail keinen Unterschied, der nie zum Erfassen da war. Und die Erkennung auf dem Gerät wie der serverbasierte Ausweichweg bewerten Wortfolgen auf genau dieselbe statistische Art, auf derselben Art gewöhnlicher Trainingssprache, daher hat keiner der beiden Durchläufe hier einen echten Vorteil. Ein Transkript, unter perfekten Bedingungen aufgenommen, mit der höchsten Qualitätsstufe, über welchen Erkennungsweg auch immer, kann trotzdem auf der falschen Hälfte eines Homofon-Paars landen — weil das Problem nie im Audio lag.

Die Korrektur ist Lesen, nicht erneutes Hören

Die Aufnahme noch einmal abzuspielen hilft hier nicht wie bei einem wirklich unklaren Wort, weil es nichts gibt, worauf man genauer hören könnte — der Klang ist in beiden Fällen derselbe. Was tatsächlich funktioniert, ist das Transkript so zu lesen, wie man jeden Text gegenliest: in normalem Tempo, dem Sinn jedes Satzes folgend, statt es Wort für Wort gegen die Aufnahme zu prüfen. Sie haben bereits die eine Information, die der Erkennung nie zur Verfügung stand — was tatsächlich gemeint war — und das reicht, um ein vertauschtes „das" oder „Seite" fast so schnell zu erkennen, wie man den Satz liest.

Es hilft, diese Fehler an bestimmten Stellen zu erwarten, statt jeden Satz gleich zu verdächtigen: die kurzen, extrem häufigen Funktionswörter — das/dass, Seite/Saite, wieder/wider, Leere/Lehre — kommen hier am häufigsten vor, einfach weil das die Paare mit den meisten alltäglichen, ähnlich wahrscheinlichen Verwendungen auf beiden Seiten sind. Ein selteneres, unverwechselbareres Homofon-Paar stolpert deutlich seltener als die Handvoll kurzer Wörter, auf die sich fast jeder Satz stützt.

Wie Voice Studio dazu passt

Voice Studio transkribiert über Apples Speech-Framework bei jeder Aufnahme auf dieselbe Weise: 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. Beide Durchläufe sind allgemeine Sprachmodelle, die Wortfolgen danach bewerten, wie Sprache normalerweise verwendet wird, kein System mit Zugriff darauf, wovon ein bestimmter Satz tatsächlich handelte — ein Homofon-Ausrutscher kann also auf beiden Wegen auftreten und ist kein Zeichen dafür, dass einer der beiden Durchläufe etwas falsch gemacht hat. Das Transkript jeder Aufnahme bleibt bearbeitbarer Text, daher ist die Korrektur eines vertauschten Worts dieselbe einfache Bearbeitung wie jede andere darin, und der anschließende Export als TXT oder JSON enthält den Text so, wie das Transkript zu diesem Zeitpunkt lautet.

Häufige Fragen

Bedeutet die Verwechslung von „das" und „dass", dass die App mich falsch verstanden hat?

Nein. Die beiden Wörter klingen identisch, daher gab es im Audio selbst nichts, was sie unterscheidbar gemacht hätte. Die Erkennung bewertet, welches Wort in diesem Satz statistisch wahrscheinlicher ist, und wählt gelegentlich die falsche Hälfte eines wirklich gleich klingenden Paars.

Behebt erneutes Transkribieren derselben Aufnahme das?

In der Regel nicht. Das Audio hat sich nicht geändert, und beide Erkennungsdurchläufe bewerten Wortfolgen auf dieselbe statistische Art, daher fällt dieselbe knappe Entscheidung meist wieder gleich aus, sofern sich sonst nichts ändert.

Hilft eine höhere Qualitätsstufe bei dieser Art von Fehler?

Nein. Eine höhere Abtastrate erfasst mehr Detail im Ton, was bei einer leisen oder unklaren Stimme hilft. Hier hilft es nicht, weil Homofone unabhängig davon, wie viel Detail erfasst wird, denselben Klang erzeugen.

Kommt das bei der Erkennung auf dem Gerät oder beim serverbasierten Ausweichweg häufiger vor?

Keiner von beiden hat einen echten Vorteil. Beide sind allgemeine Sprachmodelle, die Wortfolgen auf dieselbe statistische Art bewerten, daher ist eine Homofon-Verwechslung über beide Wege etwa gleich wahrscheinlich.