Warum ist meine iPhone-Transkription leer?

Es ist eine besonders ärgerliche Art von Frust: Sie spielen die Aufnahme ab, das Audio ist da, man hört deutlich Menschen sprechen, und die Transkription darunter ist einfach leer oder bricht nach einer Zeile ab. Bevor Sie irgendetwas reparieren, hilft es zu wissen: Das ist ein Erkennungsproblem, kein Aufnahmeproblem. Die .m4a-Datei und die Transkription sind zwei getrennte Ergebnisse zweier getrennter Schritte, und der zweite kann scheitern, während der erste einwandfrei funktioniert.

Was „Transkribieren" tatsächlich bedeutet

Auf dem iPhone baut keine App die Transkription selbst — sie übergibt das Audio an Apples Speech-Framework und bekommt Text zurück, oder eben nicht. Dieses Framework versucht zuerst die Erkennung auf dem Gerät, mit einem Sprachmodell, das bereits auf dem Telefon liegt. Kommt dieser Durchlauf leer zurück oder wirft einen Fehler, folgt üblicherweise ein zweiter Versuch mit deaktivierter On-Device-Erkennung, der das Audio an Apples Sprachdienst schickt. Kommen beide Versuche mit nichts zurück, bleibt die Transkription leer — nicht weil die App aufgegeben hat, sondern weil kein Erkennungsversuch für dieses Audio erfolgreich war.

Das sind zwei Chancen zum Scheitern, nicht eine. Ein leeres Ergebnis heißt, dass beide fehlgeschlagen sind, was die wahrscheinlichen Ursachen schon deutlich eingrenzt.

Die häufigsten Gründe, warum beide Versuche scheitern

Das Audio ist zu leise oder zu weit entfernt

Erkennungsmodelle brauchen ein nutzbares Sprachsignal, nicht nur ein technisch vorhandenes. Ein Telefon, das quer durch einen großen Raum, in einer Tasche oder mit verdecktem Mikrofon aufnimmt, kann Audio erzeugen, das für ein menschliches Ohr als leise, aber verständliche Sprache klingt — und für ein Modell, das mit klareren Aufnahmen trainiert wurde, größtenteils als Rauschen. Sie erkennen die Worte, weil Sie wissen, was gesagt wurde; das Modell hat diesen Vorsprung nicht.

Die Aufnahme besteht größtenteils aus Stille oder Nicht-Sprache

Eine Datei, bei der die interessanten drei Minuten von zwanzig Minuten Raumgeräusch, Tippen oder dem Ablegen des Telefons umgeben sind, ist technisch immer noch eine Aufnahme mit Sprache darin. Manche Implementierungen verarbeiten die gesamte Datei und können nichts zurückgeben, wenn das Verhältnis von nutzbarer Sprache zum Rest zu gering ist, oder wenn die Sprache ausgerechnet in einem Abschnitt liegt, der als Stille behandelt wird.

Die Transkriptionssprache passt nicht zu dem, was tatsächlich gesagt wurde

Spracherkennung wird pro Sprache eingerichtet, und das ist wirklich ein Erkennungsschritt, kein Übersetzungsschritt: Einen englischen Erkenner auf eine deutsche Aufnahme anzusetzen, erzeugt keinen deutschen Text, sondern fast nichts, weil das Modell Klangmuster mit einem Vokabular abgleicht, zu dem diese Wörter nicht gehören. Mischt eine Aufnahme Sprachen, oder wurde vor dem Transkribieren die falsche Sprache gewählt, ist ein leeres oder fast leeres Ergebnis zu erwarten, kein Fehler.

Das lokale Sprachmodell wurde nie tatsächlich installiert

On-Device-Erkennung hängt von einem Sprachmodell ab, das irgendwann auf das Telefon heruntergeladen werden muss — es liegt nicht automatisch für jede unterstützte Sprache bei iOS bei. Fehlt dieses Modell, und ist das Telefon beim Transkribieren offline, gibt es auch keinen Server, auf den ausgewichen werden kann, und das Ergebnis ist leer aus einem Grund, der nichts mit der Aufnahme selbst zu tun hat.

Was Sie wirklich prüfen sollten

• Spielen Sie die Aufnahme an einer Stelle ab, an der jemand nachweislich gesprochen hat, und beurteilen Sie ehrlich, wie gut hörbar das im Verhältnis zum Hintergrundgeräusch ist — nicht, ob Sie die Worte verstehen, denn Sie kennen sie ja schon.
• Prüfen Sie, ob die Transkriptionssprache zur tatsächlich gesprochenen Sprache passt, besonders wenn Sie in mehreren Sprachen aufnehmen.
• Prüfen Sie, ob eine Netzwerkverbindung besteht, wenn Sie transkribieren. Ist das lokale Modell für diese Sprache nicht installiert, ist der Server-Versuch der einzige verbleibende Weg, und der braucht eine Verbindung.
• Versuchen Sie, einen kurzen, klar gesprochenen Testclip in derselben Sprache zu transkribieren. Kommt der ebenfalls leer zurück, liegt es an der Sprache oder der Einrichtung, nicht an dieser einen Aufnahme.

Was ein erneuter Versuch bringt — und was nicht

Dieselbe Aufnahme noch einmal zu transkribieren, ohne sonst etwas zu ändern, liefert wahrscheinlich wieder ein leeres Ergebnis — das Audio hat sich nicht verändert, und das Modell, das es betrachtet, auch nicht. Was das Ergebnis ändern kann, ist wieder online zu gehen, falls Sie vorher offline waren, denn das öffnet den Server-Versuch, der zuvor nicht verfügbar war. Das Telefon beim nächsten Mal näher zu platzieren oder die richtige Sprache zu wählen, verbessert künftige Aufnahmen, hilft aber nichts bei Audio, das schon zu leise für eine Erkennung aufgenommen wurde.

Eine Aufnahme, die nicht transkribiert werden konnte, hat nichts verloren. Die Audiodatei bleibt in jedem Fall unangetastet und lässt sich weiterhin abspielen, teilen oder später erneut transkribieren, sobald sich die Sprache oder die Netzwerksituation geändert hat.

Wie Voice Studio damit umgeht

Voice Studio transkribiert auf demselben Weg über Apples Speech-Framework: zuerst auf dem Gerät, und nur wenn dieser Durchlauf leer zurückkommt oder einen Fehler wirft, folgt ein zweiter Versuch mit deaktivierter On-Device-Erkennung, der das Audio bei bestehender Verbindung an Apples Server schickt. Eine leere Transkription bedeutet hier, dass beide Versuche nichts gefunden haben — meist wegen leisen oder entfernten Audios, einer falschen Sprache oder fehlendem Netz für den zweiten Versuch. Die Aufnahme selbst bleibt von einer gescheiterten Transkription unberührt — sie bleibt genau so erhalten, wie sie aufgenommen wurde, und Sie können es erneut versuchen, sobald sich geändert hat, was den Fehlschlag verursacht hat.

Häufige Fragen

Bedeutet eine leere Transkription, dass die Aufnahmedatei beschädigt ist?

Nein. Audio und Transkription entstehen in getrennten Schritten. Eine leere Transkription bedeutet, dass die Spracherkennung keine nutzbare Sprache im Audio gefunden hat — die Aufnahme spielt weiterhin genau so ab, wie sie aufgenommen wurde.

Ergibt ein erneutes Transkribieren derselben Aufnahme ein anderes Ergebnis?

Meist nicht, außer etwas anderes hat sich geändert — zum Beispiel ist das Telefon jetzt online, war es vorher aber nicht, was den Server-Versuch öffnet, den die On-Device-Erkennung allein nicht nutzen konnte.

Kann eine andere Transkriptionssprache ein leeres Ergebnis beheben?

Nur, wenn die ursprünglich gewählte Sprache falsch war. Passt sie bereits zu dem, was tatsächlich gesprochen wurde, hilft ein Wechsel nicht und verschlechtert das Ergebnis meist eher.

Braucht eine leere Transkription genauso lange wie eine erfolgreiche?

Die Erkennung muss das Audio trotzdem durchlaufen, um festzustellen, dass nichts Nutzbares darin steckt — ein gescheiterter Versuch ist bei gleicher Aufnahmelänge also nicht zwangsläufig schneller als ein erfolgreicher.