Das Wichtigste in Kürze
Es gibt keine einzige Genauigkeitszahl, und jede Prozentangabe, die Sie je gelesen haben, beschreibt ein System bei einer bestimmten Aufnahme. Eine saubere Einzelsprecher-Aufnahme und ein lautes Gruppengespräch liegen so weit auseinander, dass kein Prozentwert beides abdecken kann. Entscheidend ist die Aufnahme selbst: Mikrofonabstand, Hintergrundgeräusche, überlappende Sprache, Akzentabdeckung. Auch die Fehler verteilen sich nicht gleichmäßig – der Großteil eines Transkripts liest sich einwandfrei, während Namen, Fachbegriffe, Zahlen und durcheinanderredende Stimmen danebengehen. Zum Auffinden einer Stelle reicht das völlig. Wenn Sie zitieren wollen, prüfen Sie jede Zeile gegen die Aufnahme.
Wahrscheinlich sind Sie schon über eine Prozentangabe gestolpert, die irgendeinem Transkriptions-Tool zugeschrieben wird. Das ist eine echte Messung – nur eben nicht die Messung dessen, was passiert, wenn Sie Ihre eigene Aufnahme hindurchschicken. Wer das als Versprechen liest, erlebt im schlimmsten Moment eine Enttäuschung.
Die eigentlich wichtige Frage ist nicht, wie genau automatische Transkription im Allgemeinen ist. Sie lautet: Reicht das Transkript, das Sie zurückbekommen, für genau das, was Sie damit vorhaben? Das sind zwei verschiedene Fragen mit zwei verschiedenen Antworten, denn dieselbe Datei kann völlig ausreichen, um eine Stelle zu finden, und gleichzeitig völlig unbrauchbar sein, wenn Sie daraus zitieren wollen.
Eine Genauigkeitsangabe misst eine Aufnahme, kein System
Jede Genauigkeitsangabe ist das Ergebnis eines bestimmten Systems, das auf eine bestimmte Aufnahme angewendet wurde. Ändert sich die Aufnahme, ändert sich die Zahl mit. Das ist kein Fehler der Messung, das ist ihr Wesen.
Stellen Sie sich die beiden Enden der Skala vor. Eine Person, nah am Mikrofon, in einem ruhigen Raum, mit einem weitverbreiteten Akzent, spricht über Alltägliches. Das wird ausgezeichnet transkribiert. Nun stellen Sie sich vier Leute an einem Tisch vor, im Raum läuft eine Klimaanlage, alle reden durcheinander, benutzen Fachjargon aus ihrer Branche, zwei sitzen anderthalb Meter vom Handy entfernt. Das wird deutlich schlechter transkribiert. Beides sind ehrliche Messungen desselben Systems. Eine einzige Zahl kann nicht beides beschreiben, und der Abstand zwischen beiden ist so groß, dass auch ein Durchschnittswert keinen Sinn ergibt.
Wenn Sie also auf eine Zahl stoßen, ohne dass die zugehörige Aufnahme genannt wird, ist genau das die entscheidende fehlende Information. Sie wissen im Grunde nur, dass irgendjemand irgendetwas getestet hat. Der Maßstab, der für Sie zählt, ist Ihr eigenes Material. Nehmen Sie ein paar Minuten einer Aufnahme, die Ihren typischen Aufnahmen ähnelt, lassen Sie sie durchlaufen und lesen Sie das Ergebnis gegen die Aufnahme mit. Das sagt mehr aus als jede veröffentlichte Angabe – und dauert kürzer, als einen Vergleichsartikel zu lesen.
Die Aufnahme bestimmt das Ergebnis stärker als die Software
Viele suchen nach der genauesten Lösung, indem sie Tools vergleichen. Für die meisten Aufnahmen ist das der falsche Ansatzpunkt. Die Aufnahmebedingungen verändern das Ergebnis stärker als die Wahl der Engine.
- Mikrofonabstand. Jeder zusätzliche Zentimeter Abstand bringt mehr Raum und weniger Stimme ins Signal. Ein Handy auf dem Tisch zwischen zwei Personen ist eine andere Aufnahme als ein Handy direkt vor einer Person.
- Hintergrundgeräusche. Verkehr, ein Café, Lüfter, Tastaturen. Geräusche liegen nicht einfach hinter der Sprache, sie konkurrieren mit ihr, und die Wörter, die dabei verlieren, sind die leisen am Satzende.
- Überlappende Sprache. Wenn zwei Personen gleichzeitig sprechen, gibt es kein saubereres Signal zum Transkribieren. Irgendetwas wird notiert, und oft ist es eine Mischung aus beidem.
- Akzentabdeckung. Manche Akzente sind in den Trainingsdaten dieser Systeme deutlich besser vertreten als andere, und wer nicht gut vertreten ist, bekommt bei derselben klaren Aufnahme schlechtere Ergebnisse.
Tools unterscheiden sich tatsächlich, und wenn Ihr Material durchgängig auf eine bestimmte Art schwierig ist, lohnt sich ein Nachmittag zum Testen mehrerer Anbieter. Aber der Unterschied zwischen zwei brauchbaren Tools bei derselben Aufnahme ist meist kleiner als der Unterschied zwischen guter und schlechter Aufnahmequalität bei demselben Tool. Das Mikrofon näher zu rücken bringt mehr als ein Produktwechsel. Wenn Sie verstehen möchten, was die Software mit Ihrem Material eigentlich macht, erklärt wie KI-Transkription funktioniert, warum genau diese Bedingungen so viel ausmachen.
Fehler verteilen sich nicht gleichmäßig über die Datei
Das ist der Punkt, an dem viele überrascht werden, und er ist wichtiger als jede Kopfzahl. Fehler treten gebündelt auf. Der Großteil eines Transkripts kommt sauber heraus und liest sich flüssig, während sich die Ausfälle an ein paar vorhersehbaren Stellen konzentrieren: Eigennamen, Fachvokabular, Zahlen und jeder Moment, in dem Menschen durcheinanderreden.
Was bedeutet das fürs Lesen? Eine Seite mit gewöhnlichem Gesprächsverlauf wird gut transkribiert und liest sich flüssig. Dann kommt ein Nachname, ein Produktname oder eine Zahl, und der ist falsch. Nichts auf der Seite markiert den Unterschied. Das falsche Wort steht in derselben selbstsicheren Schrift wie die richtigen, umgeben von korrekten Sätzen – genau der Kontext, der einen Fehler glaubwürdig aussehen lässt. Ein Transkript kann sich wunderbar lesen und trotzdem genau an den Stellen falsch sein, an denen Sie es eigentlich verwenden wollten.
Dass diese Kategorien gemeinsam scheitern, hat einen Grund. Gewöhnliche Wörter werden durch ihr Umfeld eingegrenzt, sodass sich ein System von einem Verhörer erholen kann. Bei einem Namen fehlt diese Eingrenzung; fast jeder Laut könnte der Name einer Person sein, und die Grammatik liefert nichts, was eine falsche Vermutung ausschließt. Fachjargon hat dasselbe Problem, verschärft dadurch, dass ein alltägliches Wort oft nah genug klingt, um den Fachbegriff zu ersetzen. Zahlen sind der schärfste Fall, weil ein winziger akustischer Unterschied einen völlig anderen Wert ergibt und der Satz in beiden Fällen grammatisch korrekt bleibt.
Interpunktion ist eine Vermutung darüber, wo Sätze enden
Automatische Interpunktion ist keine Transkription. Sie ist eine Schlussfolgerung aus Pausen, Tonverlauf und Sprechrhythmus darüber, wo ein Gedanke endet und der nächste beginnt. Meistens liegt die Vermutung richtig, oder zumindest richtig genug, dass es niemandem auffällt.
Wo sie falsch liegt, verschiebt sich die Bedeutung. Ein mitten in einen Nebensatz gesetzter Punkt kann eine Einschränkung von dem trennen, was sie eigentlich einschränken sollte, sodass eine vorsichtige Aussage plötzlich absolut klingt und eine Bedingung zu einer Behauptung wird. Jedes einzelne Wort kann richtig sein, und der Satz sagt trotzdem etwas anderes, als die sprechende Person gemeint hat. Diese Art von Fehler ist auf der Seite unsichtbar, weil es nichts gibt, das auffallen könnte. Sie können sie nicht herauskorrigieren, indem Sie das Transkript lesen. Nur die Aufnahme klärt das.
Sprecherkennzeichnungen haben eine ähnliche Schwäche. Sie stimmen meist über eine längere Passage, in der eine Person durchgehend spricht, und sind am unzuverlässigsten genau an den Übergängen – dort, wo ein kurzer Einwurf der falschen Person zugeordnet werden kann. Wenn Sie ein Zitat aus der Nähe eines Sprecherwechsels ziehen, ist das eine Stelle, die Sie sich noch einmal anhören sollten.
Der Maßstab richtet sich danach, wofür das Transkript gedacht ist
Die Frage ist nicht, ob ein Transkript genau ist. Die Frage ist, ob es genau genug für den jeweiligen Zweck ist, und dieser Zweck variiert mehr, als man erwarten würde.
Wenn Sie das Transkript nutzen, um etwas wiederzufinden, spielen verstreute Fehler keine Rolle. Sie haben nach einem Wort gesucht, sind in der Nähe der richtigen Minute gelandet, haben die Aufnahme abgespielt. Das Transkript hat seine Aufgabe erfüllt, selbst mit einem verstümmelten Namen drei Zeilen weiter oben. Dasselbe gilt, wenn Sie eine Stunde Aufnahme überfliegen, um zu entscheiden, welche zwanzig Minuten Ihre Aufmerksamkeit verdienen, oder wenn Sie Audioaufnahmen in Text umwandeln, um schneller lesen zu können, als Sie hätten zuhören müssen.
Wenn das Transkript zitiert, veröffentlicht, archiviert oder von jemandem verwendet wird, der nicht im Raum war, gilt ein anderer Maßstab, und daran führt kein Weg vorbei. Jede Zeile, die Sie verwenden möchten, wird einzeln gegen die Aufnahme geprüft. Nicht ein flüchtiges Durchlesen des gesamten Dokuments, sondern ein gezieltes Nachhören jeder zitierten Passage, denn genau die oben beschriebenen Fehlerarten fallen beim bloßen Lesen nicht auf. Das gilt besonders für alles, bei dem eine Zahl oder ein Name das Gewicht des Satzes trägt.
Für ein Arbeitsdokument ist eine App der naheliegende Weg. SozAI, verfügbar für iOS, Android und macOS, wandelt Aufnahmen, Audio- und Videodateien sowie YouTube-Links in Text um, mit Sprecherkennzeichnung, Zusammenfassungen und Übersetzung in mehr als 99 Sprachen – und trotzdem prüfen Sie Zitate gegen die Aufnahme, wie bei jeder automatischen Ausgabe.
Wenn das Transkript selbst das Endprodukt ist, sind professionelle Transkriptionsdienste mit menschlichen Bearbeitern die richtige Antwort. Sie kosten mehr, weil eine Person zuhört, und genau dafür bezahlen Sie: jemanden, der den Namen richtig hört und schreibt, der weiß, wo der Satz endet, der eine wirklich unverständliche Passage kennzeichnet statt sie zu erraten. Wenn ein Kunde, ein Gericht, ein Archiv oder eine Publikation das Dokument erhält, kauft dieser Mehrpreis etwas Reales. Wenn das Transkript nur ein privates Hilfsmittel ist, um schneller an die Aufnahme heranzukommen, kauft er etwas, das Sie nicht brauchen.
Eine zweite Aufnahme schlägt eine Stunde Korrekturarbeit
Die Aufnahmebedingungen zu verbessern ist fast immer günstiger, als das Ergebnis nachträglich zu verbessern. Zehn Minuten, in denen Sie das Mikrofon näher rücken, ein Fenster schließen, den Lüfter abschalten und die Anwesenden bitten, nacheinander zu sprechen, sparen mehr Arbeit als eine Stunde nachträgliche Textkorrektur – und das Ergebnis ist auch noch besser, denn ein korrigiertes Transkript ist am Ende nur so gut wie Ihre Geduld beim Korrigieren.
Am leichtesten lässt sich das bei allem umsetzen, was sich wiederholt. Wenn Sie regelmäßig dieselbe Art von Gespräch aufnehmen, verbessert eine einzige aufmerksame Runde bei der Einrichtung alles, was Sie von da an aufnehmen. Besonders wichtig ist das bei Interviews, wo das Material oft einmalig ist und die Zitate den ganzen Sinn der Sache ausmachen; die praktischen Aspekte beim Transkribieren von Interviews sind größtenteils praktische Aspekte der Aufnahme selbst.
Womit Sie beim Öffnen der Datei rechnen sollten
Rechnen Sie mit flüssigem, gut lesbarem Text mit einer Handvoll falscher Substantive darin. Rechnen Sie damit, dass Passagen, in denen Leute durcheinandergeredet haben, dünn, verstümmelt oder still und leise fehlend ausfallen. Rechnen Sie mit Interpunktionsentscheidungen, die Sie selbst nicht getroffen hätten, und mit Sprecherkennzeichnungen, die im Großen und Ganzen stimmen, aber an den Übergängen unzuverlässig sind. Rechnen Sie mit keinen Markierungen, keinen Hervorhebungen, keinen Unsicherheitshinweisen. Das Dokument sieht durchgehend gleich selbstsicher aus, ist es aber nicht durchgehend gleich korrekt.
Rechnen Sie damit, dass Namen und Fachbegriffe unabhängig von der Aufnahmequalität eine eigene Durchsicht brauchen. Auch bei guter Aufnahme scheitern sie – nur seltener.
Und behalten Sie die Aufnahme. Ein automatisches Transkript kann sich nicht selbst überprüfen, und jede wichtige Kontrolle läuft übers Zuhören. Ein Transkript mit der dazugehörigen Aufnahme im Hintergrund ist ein verlässliches Arbeitswerkzeug. Ein Transkript, dessen Aufnahme gelöscht wurde, ist ein Dokument, das niemand mehr überprüfen kann – auch Sie nicht.
