Sprache-zu-Text

Die Audioaufnahme macht aus Schall einen Strom von Samples. Die Merkmalsextraktion wandelt diese Samples in eine Darstellung um, die das Modell lesen kann, meist ein Spektrogramm. Das Erkennungsmodell bildet diese Darstellung auf Text ab, manchmal über einen Zwischenschritt aus Phonemen oder Teilwort-Tokens. Die Nachbearbeitung macht aus der Ausgabe des Modells etwas, das ein Mensch schreiben würde: Satzzeichen, Groß- und Kleinschreibung, Zahlen als Ziffern und bei den besseren Tools das Entfernen von Füllwörtern und den Tonfall.

Wenn es heißt, ein Tool „nutzt KI“, ist fast immer die dritte Stufe gemeint. In der vierten steckt der größte Teil der Qualität im Alltag, und genau diese Stufe lässt das Marketing gern aus.

Cloud-STT schickt Audio an einen Server, lässt dort ein großes Modell laufen und gibt Text zurück. Es kann Modelle nutzen, die für einen Laptop zu groß sind, und funktioniert auf jedem Gerät mit Netzwerk. STT auf dem Gerät führt das Modell auf deiner eigenen Hardware aus: Das Audio verlässt nie den Rechner, es funktioniert offline, und es gibt keinen Umweg über einen Server. Auf Apple silicon ist der Abstand bei der Genauigkeit so weit geschrumpft, dass es bei der Wahl viel mehr um Datenschutz und Kosten geht als um Qualität.

„Sprache-zu-Text“ meint in einem Datenblatt meist das reine Modell. „Diktat“ meint das ganze Erlebnis, einschließlich der Stelle, an der der Text landet. „Transkription“ meint Dateien. „Streaming“ heißt, dass Wörter erscheinen, während du sprichst, und nicht danach. „Lokal“ oder „auf dem Gerät“ heißt, dass das Audio zu Hause bleibt. Wer weiß, welche Stufe jeder Begriff beschreibt, hat schon fast alles, was es braucht, um einen Vergleich ehrlich zu lesen.

Jeder Mac hat Sprache-zu-Text eingebaut. Apple nennt es Diktierfunktion, und sie tippt in jedes Textfeld, in dem der Cursor steht. Du kannst sie in etwa einer Minute einrichten.

1. 01 Wähle Menü „Apple“ → „Systemeinstellungen“ und klicke dann in der Seitenleiste auf „Tastatur“.
2. 02 Geh zu „Diktierfunktion“ und schalte sie ein.
3. 03 Klicke auf das Einblendmenü neben „Mikrofonquelle“ und wähle das gewünschte Mikrofon. Mit „Automatisch“ hört der Mac über das Gerät zu, das du am wahrscheinlichsten benutzt.
4. 04 Klicke auf das Einblendmenü „Kurzbefehl“ und wähle einen Kurzbefehl zum Starten der Diktierfunktion. Wähle „Anpassen“, um einen zu erstellen, der nicht in der Liste steht.
5. 05 Klicke in ein beliebiges Textfeld, drück den Kurzbefehl und sprich.
6. 06 Beende sie, wenn du fertig bist. Die Diktierfunktion stoppt auch automatisch, wenn 30 Sekunden lang keine Sprache erkannt wird.

Das hängt stärker vom Audio ab, als die meisten erwarten. NVIDIA veröffentlicht Ergebnisse für sein offenes Modell Parakeet TDT 0.6B v3 auf acht englischen Testsets, und dasselbe Modell erreicht eine Wortfehlerrate von 1,93 % bei sauber vorgelesener Sprache (LibriSpeech test-clean) und 11,31 % bei Meeting-Aufnahmen (AMI).

Auch Rauschen verschiebt die Zahl. Laut derselben Model Card steigt die durchschnittliche Wortfehlerrate von 6,34 % bei sauberem Audio auf 11,66 %, wenn das Rauschen so laut ist wie die Sprache (ein Signal-Rausch-Verhältnis von 0). Ein ruhiger Raum und ein nahes Mikrofon sind das günstigste Genauigkeits-Upgrade, das du machen kannst.

• Art der Sprache: Vorgelesene Sätze sind leichter als ein Meeting, in dem Leute durcheinanderreden.
• Hintergrundgeräusche und Musik: Die Fehlerraten steigen, je näher das Rauschen an die Lautstärke deiner Stimme herankommt.
• Akzent und Dialekt: Die Model Card von Whisper berichtet von unterschiedlicher Leistung je nach Akzent und Dialekt.
• Sprache: Die Model Card von Whisper berichtet von geringerer Genauigkeit bei Sprachen mit weniger Trainingsdaten.
• Wortschatz: Die Model Card von Parakeet warnt, dass ein Wort außerhalb des Wortschatzes des Modells wahrscheinlich nicht erkannt wird.

Sprache-zu-Text wird entweder auf deinem Gerät verarbeitet oder an einen Server geschickt, und meistens kannst du herausfinden, was davon zutrifft. Bei Apples Diktierfunktion steht die Antwort in den Einstellungen. Bei jedem anderen Tool zeigt dir die Berechtigungsliste, welche Apps das Mikrofon überhaupt hören können.

1. 01 Wähle Menü „Apple“ → „Systemeinstellungen“ und klicke dann in der Seitenleiste auf „Tastatur“.
2. 02 Geh zu „Diktierfunktion“ und lies den Text unter dem Schalter „Diktierfunktion“. Dort steht, ob deine Spracheingaben und Transkriptionen auf deinem Gerät verarbeitet werden.
3. 03 Geh zu Systemeinstellungen → Datenschutz & Sicherheit → Mikrofon, um jede App zu sehen, die das Mikrofon verwenden wollte.
4. 04 Schalte in dieser Liste jede App aus, die nicht zuhören soll.
5. 05 Lies bei einem Tool eines Drittanbieters in der Datenschutzrichtlinie nach, wo das Audio verarbeitet wird. Die Liste „Mikrofon“ zeigt, wer zuhören kann, nicht wohin das Audio geht.