Warum wiederholt mein iPhone-Transkript dasselbe Wort oder denselben Satz?

Ein doppelt auftauchendes Wort gehört zu den merkwürdigeren Funden in einem sonst sauberen Transkript — "das Meeting das Meeting beginnt um drei," oder ein ganzer Satz, der zweimal hintereinander steht. Das liest sich wie ein Aussetzer, und manchmal ist es auch einer. Ebenso oft tut das Transkript aber genau das, was es soll: Klang festhalten, nicht entscheiden, ob dieser Klang einmal oder zweimal wert war, gesagt zu werden.

Wenn die Wiederholung wirklich in der Aufnahme steckt

Menschen wiederholen sich ständig, ohne es zu merken. Ein Satz beginnt, stockt, und beginnt neu — "ich glaube, der — ich glaube, der Termin hat sich verschoben." Ein Wort wird gesagt und zur Betonung noch einmal gesagt, oder weil die sprechende Person den Faden verloren hatte und einen Takt zu früh wieder eingestiegen ist. Nichts davon ist ein Fehler der Erkennung. Ein System, das Klang statt Absicht transkribiert, hat keinen größeren Grund, eine echte Wiederholung zu unterschlagen, als es einen Grund hätte, ein echtes "äh" zu streichen — beides wird als gesprochener Inhalt behandelt, weil es genau das ist.

Das ist derselbe Grund, aus dem Füllwörter überhaupt im Transkript auftauchen: Die Aufgabe der Erkennung endet bei "welcher Klang war das," nicht bei "war das erhaltenswert." Eine echte Wiederholung und ein echtes "äh" bekommen dieselbe ehrliche Behandlung — sie werden notiert, weil sie gesagt wurden.

Wenn die Erkennung sich eine Wiederholung einbildet

Die andere Ursache liegt in der Akustik, nicht im Gesagten. Ein Raum mit harten Oberflächen kann einen verzögerten Reflex Ihrer Stimme zurück ins Mikrofon schicken, einen Sekundenbruchteil nach dem direkten Schall — derselbe physikalische Effekt, der eine Aufnahme hallig klingen lässt. Ist dieser Reflex stark genug und trifft mit ausreichend Abstand ein, kann er als eine zweite, eigenständige Äußerung desselben Worts registriert werden statt als Nachhall, und die Erkennung notiert zwei Wörter, wo eines gesagt wurde. Jemand, der Audio in der Nähe eines offenen Mikrofons abspielt, oder der Ton eines Videoanrufs, der in den Raum durchsickert, können denselben Effekt aus demselben Grund erzeugen: Das Mikrofon hat den Klang tatsächlich zweimal aufgenommen.

Diese Art von Wiederholung häuft sich genau in den Aufnahmen, die man erwarten würde — ein gefliester Raum, ein Anruf auf Lautsprecher, ein Hörsaal mit harten Wänden — statt zufällig in einer ansonsten gewöhnlichen Aufnahme aufzutauchen.

Lange Aufnahmen und wo die Nähte liegen

Eine lange Datei wird einem Spracherkennungsmodell nicht zwangsläufig in einem einzigen, ununterbrochenen Durchgang übergeben — viele Erkennungssysteme verarbeiten lange Audiodaten in Abschnitten und fügen die Ergebnisse danach wieder zusammen, was auch erklärt, warum eine einzelne Problemstelle in einer langen Vorlesung nicht das ganze Transkript zum Kippen bringen muss. Die Naht zwischen zwei Abschnitten ist ein plausibler Ort dafür, dass eine kurze Formulierung auf beiden Seiten des Schnitts mitgezählt wird — ähnlich wie man ein Wort doppelt zählen würde, wenn man einen Satz zwischen zwei Personen aufteilt, die ihn laut vorlesen, und beiden das Grenzwort zufällt. Eine Wiederholung, die an einer auffällig runden Stelle einer langen Aufnahme auftaucht statt mitten im Satz, ist genau deshalb einen kurzen Check wert.

Ändert das etwas zwischen Transkription auf dem Gerät und auf dem Server?

iOS versucht zuerst die Erkennung auf dem Gerät und weicht nur dann auf Apples Server aus, wenn dieser lokale Durchgang leer bleibt oder einen Fehler wirft. Beide arbeiten mit denselben Audiodaten und ohne jede Anweisung, Duplikate zu entfernen — welcher der beiden gelaufen ist, ist also kein zuverlässiger Hebel, um Wiederholungen erscheinen oder verschwinden zu lassen. Eine Wiederholung, die aus der Raumakustik stammt, taucht in beiden Fällen eher auf; eine Wiederholung, die aus etwas wirklich zweimal Gesagtem stammt, ebenso.

Die beiden Fälle unterscheiden — und was in jedem zu tun ist

• Spielen Sie die Aufnahme genau an dieser Stelle ab. Hören Sie das Wort oder den Satz zweimal, wurde es zweimal gesagt — lassen Sie es stehen oder kürzen Sie es, als normale Redaktionsentscheidung wie bei jeder anderen Wiederholung.
• Hören Sie es nur einmal, steht es aber zweimal da, ist das die Erkennung, nicht Sie — löschen Sie die überzählige Kopie mit derselben Bearbeitung, mit der Sie auch einen falsch verstandenen Namen korrigieren würden.
• Eine Wiederholung an einer Stelle mit harten Oberflächen oder Lautsprecher-Audio ist eher akustisch bedingt. Eine Wiederholung mitten im Gedanken, mit einem Stocken drumherum, ist eher eine echte Wiederholung des Gesagten.
• Keine der beiden Ursachen lässt sich durch eine höhere Aufnahmequalität beheben — das ist kein Klarheits- oder Bitraten-Problem, sondern entweder echte Sprache oder ein echtes Echo, und beides übersteht eine sauberere Aufnahme genauso gut.

Wie Voice Studio damit umgeht

Die Transkription läuft über Apples Spracherkennung, zuerst auf dem Gerät, und Voice Studio führt keinen separaten Durchgang aus, der versucht, wiederholte Wörter zu erkennen und zu entfernen — was die Erkennung ausgegeben hat, erscheint im Transkript, echte Wiederholungen und akustische gleichermaßen. Was die App bietet, ist ein Transkript, das sich im Nachhinein korrigieren lässt: Löschen Sie ein doppeltes Wort oder eine doppelte Zeile, und diese Korrektur bleibt sowohl in der appeigenen Suche als auch in allem, was Sie anschließend exportieren, ob TXT oder JSON — statt zum Originaltext zurückzuspringen.

Häufige Fragen

Ist ein wiederholtes Wort in meinem Transkript immer ein Fehler?

Nein. Manchmal ist es die genaue Wiedergabe von etwas, das Sie wirklich zweimal gesagt haben — eine Wiederholung oder ein Stocken mit Neustart. Ob das der Fall ist, hören Sie an der Stelle in der Aufnahme; wurde das Wort nur einmal gesagt, stammt die Wiederholung im Text von der Erkennung, nicht von Ihnen.

Warum würde ein halliger Raum dazu führen, dass ein Wort doppelt geschrieben wird?

Ein Raum mit harten Oberflächen kann einen verzögerten Reflex Ihrer Stimme zurück ins Mikrofon schicken. Ist dieser Reflex stark und klar genug, kann er als eine zweite, eigenständige Äußerung desselben Worts erfasst werden statt als Hintergrundgeräusch.

Behebt eine höhere Aufnahmequalität wiederholte Wörter?

Nein. Das ist kein Klarheitsproblem — entweder wurde etwas tatsächlich zweimal gesagt, oder das Mikrofon hat ein echtes Echo tatsächlich zweimal aufgenommen. Eine sauberere Aufnahme ändert an keinem der beiden etwas.

Ändert der Wechsel zwischen Transkription auf dem Gerät und auf dem Server, ob Wörter sich wiederholen?

Nicht zuverlässig. iOS versucht es zuerst auf dem Gerät und weicht nur bei einem leeren oder fehlerhaften Ergebnis auf den Server aus, aber beide arbeiten mit denselben Audiodaten ohne Anweisung, Duplikate zu entfernen — welcher der beiden gelaufen ist, ist also kein Hebel, um das zu beheben.