Warum schreibt mein iPhone-Transkript Zahlen als Ziffern statt als Wörter?

Sagen Sie „Ich habe fünfundzwanzig Euro dafür bezahlt“ in eine transkribierende App, und das Transkript lautet mit hoher Wahrscheinlichkeit „Ich habe 25 € dafür bezahlt“ oder „Ich habe 25 Euro dafür bezahlt“ — keine Wort-für-Wort-Wiedergabe dessen, was tatsächlich gesagt wurde. Der erste Impuls ist, das als Fehler zu lesen, als hätte die Erkennung „fünfundzwanzig“ gehört und aus Versehen „25“ geschrieben. Sie hat sich nicht verhört. Sie hat die Zahl korrekt erkannt und danach bewusst entschieden, wie sie schriftlich dargestellt wird — ein eigener Schritt, der mit der Erkennung selbst nichts zu tun hat.

Erkennen und Formatieren sind zwei verschiedene Aufgaben

Sprache in Text umzuwandeln ist kein einzelner Vorgang, sondern mindestens zwei, nacheinander ausgeführt. Der erste ist die Erkennung: den Klang mit einem Modell abgleichen, um herauszufinden, welche Wörter tatsächlich gesagt wurden. Der zweite ist die Formatierung: entscheiden, wie diese Wörter auf der Seite aussehen sollen. Bei den meisten Wörtern stimmen beide Schritte vollständig überein, sodass der Unterschied gar nicht auffällt — „der“ wird als „der“ erkannt und als „der“ geschrieben, nichts Bemerkenswertes. Zahlen sind eine der wenigen Kategorien, bei denen die beiden Schritte absichtlich auseinanderlaufen, weil die Wörter, die jemand laut ausspricht, und die Art, wie dieselben Wörter normalerweise geschrieben werden, tatsächlich nicht dasselbe sind.

Warum Ziffern gewinnen

Geschriebenes Deutsch schreibt eine Zahl fast nie so aus, wie sie gesprochen wird — abgesehen von einer Handvoll bestimmter Kontexte wie einem Scheck, einem formellen Dokument oder einer einzelnen Zahl mitten in einem Satz. Ein Preis, ein Datum, eine Telefonnummer, ein Alter, ein Prozentsatz: In gewöhnlichem geschriebenem Text sind das praktisch immer Ziffern. Der Formatierungsschritt einer Spracherkennung wird mit genau dieser Art von gewöhnlichem geschriebenem Text trainiert und gibt daher die Konvention wieder, die dieser Text tatsächlich verwendet, statt die gesprochenen Silben wörtlich auszuschreiben. Das ist keine Eigenart einer bestimmten App — es ist dasselbe Verhalten, das die iOS-Diktierfunktion in Nachrichten oder Notizen zeigt, wenn sie „wir treffen uns um sieben Uhr dreißig“ zu „wir treffen uns um 19:30 Uhr“ macht, ohne dass jemand danach gefragt hätte.

Wo das noch auftaucht

• Datum und Uhrzeit — „der dritte Mai“ oder „halb drei“ kommen häufig als geschriebenes Datum oder als Uhrzeit im Ziffernformat zurück statt als die tatsächlich gesagten Wörter.
• Geld und Mengen — ein in Worten genannter Betrag landet meist als Zahl, manchmal mit angehängtem Währungssymbol.
• Telefonnummern und Adressen — eine gesprochene Ziffernfolge kommt als Ziffern zurück, so gruppiert, wie eine Zahl normalerweise geschrieben wird, nicht als einzelne ausgeschriebene Zahlwörter.
• Kleine Zählungen mitten im Satz — das ist der Fall mit der größten Schwankung. Ein einzelnes „drei“ in lockerer Rede kann je nach Kontext so oder so ausfallen, anders als ein Preis oder ein Datum, die durchgehend gleich formatiert werden.

Die eine Stelle, die man prüfen sollte, statt ihr blind zu vertrauen

Eine korrekt erkannte Zahl als Ziffer zu formatieren ist harmlos — das ändert nur, wie die Zahl aussieht, nicht, was sie bedeutet. Das eigentliche Risiko liegt einen Schritt davor, bei der Erkennung selbst: Zahlen gehören neben Namen und Fachbegriffen zu den Kategorien, bei denen eine Spracherkennung am häufigsten danebenliegt, weil eine genuschelte oder schnell gesprochene Ziffer weniger Kontexthinweise bietet als ein gewöhnliches Wort. Eine Ziffer, die auf dem Bildschirm sauber und selbstsicher aussieht, ist kein Beweis dafür, dass es die richtige Ziffer ist — sie zeigt nur, dass die Zahl, bei der die Erkennung gelandet ist, gut formatiert wurde. Bei allem, wo eine falsche Zahl wirklich etwas ausmachen würde — eine Dosierung, eine Adresse, eine Summe, eine Telefonnummer —, lohnt es sich, das gezielt mit der Aufnahme abzugleichen, genau wie bei einem Namen, statt ihr zu vertrauen, nur weil sie ordentlich aussieht.

Gibt es eine Einstellung, um das abzuschalten?

Eigentlich nicht, und selbst wenn es sie gäbe, wäre es keine Einstellung auf App-Ebene. Die Formatierung passiert innerhalb von Apples Spracherkennung selbst, als Teil davon, erkannte Wörter in den zurückgegebenen Text umzuwandeln — sie ist kein eigener Durchgang, den eine transkribierende App im Nachhinein ausführt und für den sie einen Schalter anbieten könnte. Falls ein Dokument die Zahlen ausdrücklich ausgeschrieben statt als Ziffern braucht, ist das Transkript, sobald es existiert, ganz gewöhnlicher, bearbeitbarer Text — also eine Korrektur von Hand für die wenigen Zahlen, bei denen es wirklich darauf ankommt, statt etwas, das eine Einstellung lösen würde.

Wie Voice Studio damit umgeht

Das Transkript, das Voice Studio anzeigt, ist genau das, was Apples Spracherkennung zurückgibt, Formatierung eingeschlossen — es gibt keinen separaten Durchgang, der danach Zahlen, Daten oder irgendetwas anderes umschreibt. Die Transkription versucht zuerst die Erkennung auf dem Gerät für die jeweils gewählte Sprache und greift nur dann auf Apples Server zurück, wenn dieser lokale Durchgang leer bleibt oder einen Fehler wirft — dasselbe Ziffern-gegen-Wörter-Verhalten gilt also in beiden Fällen gleichermaßen. Da das Transkript reiner, bearbeitbarer Text ist, der als TXT oder JSON exportiert wird, ist das Korrigieren einer tatsächlich falschen Zahl — im Unterschied zu einer korrekt gehörten, die einfach als Ziffer geschrieben wurde — eine ganz normale Bearbeitung, genau wie das Korrigieren eines falsch verstandenen Namens.

Häufige Fragen

Ist es ein Fehler, wenn in meinem Transkript „25“ statt „fünfundzwanzig“ steht?

Nein, das ist normale Formatierung, kein Fehler. Geschriebene Zahlen erscheinen in gewöhnlichem Text so gut wie immer als Ziffern, und die Spracherkennung folgt derselben Konvention, statt die gesprochenen Wörter auszuschreiben.

Wie unterscheide ich eine Formatierungsentscheidung von einem echten Erkennungsfehler?

Gleichen Sie die Zahl mit der Aufnahme ab. Die Formatierung ändert nur, wie eine korrekt gehörte Zahl aussieht — 25 statt fünfundzwanzig —, sie macht aus „sieben“ nicht plötzlich „siebzehn“. Wenn eine Zahl eindeutig falsch wirkt oder überhaupt nicht zum Gesagten passt, ist das ein echter Erkennungsfehler, der korrigiert werden sollte, keine reine Stilfrage.

Kann ich mein Transkript so einstellen, dass Zahlen ausgeschrieben statt als Ziffern erscheinen?

Dafür gibt es keinen eingebauten Schalter — die Formatierung stammt von der Spracherkennung selbst, nicht von einer Einstellung in der App. Bearbeiten Sie das Transkript im Nachhinein für die einzelnen Zahlen, bei denen die ausgeschriebene Form wichtig ist.

Passiert das auch bei Daten und Preisen, oder nur beim Zählen?

Ja, im Allgemeinen betrifft das die meisten Arten von Zahlen — Daten, Uhrzeiten, Preise, Telefonnummern —, weil diese in geschriebenem Text ohnehin normalerweise als Ziffern erscheinen, nicht nur Zahlen, die beim lauten Aufzählen genannt werden.