Streaming-Transkription
Auch: Echtzeit-Transkription
Aktualisiert:
Definition
Streaming-Transkription zeigt Wörter auf dem Bildschirm, während du noch sprichst, statt erst, wenn du aufhörst. Die Alternative, Batch-Transkription, verarbeitet die ganze Äußerung auf einmal und zeigt den Text am Ende.
Streaming braucht ein Modell, das dafür gebaut ist, Teilergebnisse auszugeben und sie zu überarbeiten, wenn mehr Audio ankommt. Das ist ein anderes technisches Problem als das Transkribieren einer fertigen Aufnahme. Nicht jedes ASR-Modell kann streamen; Produkte streamen oft in manchen Sprachen und weichen in anderen auf Batch aus.
Beim Diktieren geht es beim Streaming vor allem um Vertrauen: Die Wörter ankommen zu sehen bestätigt, dass das Tool dich gehört hat. Über die Qualität des fertigen Texts entscheidet so oder so, was am Ende der Äußerung passiert.
Warum sich Diktieren mit Streaming sofort anfühlt
Bei der Batch-Erkennung beginnt das Modell zu arbeiten, wenn du die Taste loslässt, und du wartest, bis die ganze Aufnahme verarbeitet ist. Die Pause wächst mit der Dauer, die du gesprochen hast. Beim Streaming hat das Modell die ganze Zeit mitgehalten, sodass beim Loslassen nur noch der letzte Sekundenbruchteil Audio fertig zu erkennen ist und der Formatierungsdurchgang läuft. Das Ergebnis ist eine Verzögerung, die nicht mit dem Satz wächst, und genau das meinen Menschen, wenn sie sagen, ein Tool sei schnell.
Es gibt einen zweiten Effekt. Die Live-Wörter zeigen dir, dass das Tool dich richtig hört, also hörst du auf, danach noch auf das Ergebnis zu schielen, um es zu prüfen. Dieses Vertrauen macht den größten Teil dessen aus, was Diktieren zur Gewohnheit statt zum Experiment macht.
Teilergebnisse und Überarbeitungen
Ein Streaming-Modell legt sich vorläufig auf Wörter fest und kann es sich anders überlegen, wenn mehr Audio ankommt: Aus „das Meeting ist“ kann einen Moment später „das Meeting ist nicht“ werden. Gute Tools zeigen diese Überarbeitungen in einer vorübergehenden Anzeige, etwa einem Overlay an der Notch oder einer schwebenden Kapsel, und fügen nur den feststehenden Text in dein Dokument ein. Wer live Teilergebnisse in die App einfügt und sie dann umschreibt, liefert sich am Ende einen Kampf mit deinem Texteditor.
Warum nicht jede Sprache streamt
Streaming braucht ein Modell im Stil eines Transducers, das für die Sprache trainiert ist. Die Familien, die heute gut streamen, decken ein paar Dutzend Sprachen ab; Batch-Modelle wie Whisper decken etwa hundert ab. Ein Tool, das 99 Sprachen und Live-Text verspricht, streamt meist in den Sprachen, die sein Transducer unterstützt, und verarbeitet den Rest im Batch, und eine ehrliche Produktseite sagt, was was ist.
So siehst du Streaming-Transkription auf deinem Mac
macOS hat ein eingebautes Beispiel für Streaming-Transkription: Live-Untertitel. Die Funktion schreibt Untertitel für Audio aus deinen Apps oder für Ton, den das Mikrofon aufnimmt, während das Audio noch läuft. Laut Apple wird das Audio auf dem Gerät verarbeitet. Live-Untertitel gibt es nur auf Mac-Computern mit Apple silicon und nicht in allen Sprachen, Ländern oder Regionen.
- Wähle Menü „Apple“ → „Systemeinstellungen“ und klicke dann in der Seitenleiste auf „Bedienungshilfen“.
- Klicke auf „Live-Untertitel“ und schalte die Funktion ein.
- Spiel in einer beliebigen App ein Video oder einen Podcast ab.
- Beobachte das Untertitelfenster. Der Text erscheint, während die Person noch spricht, und das ist Streaming.
- Schalte Live-Untertitel an derselben Stelle wieder aus, wenn du fertig bist.
Können Whisper und Parakeet in Echtzeit transkribieren?
Im Fall von Whisper nicht ohne Weiteres. Laut der Model Card von OpenAI lassen sich Whisper-Modelle nicht ohne Weiteres für Echtzeit-Transkription nutzen, andere können darauf aber Anwendungen bauen, die nahezu in Echtzeit arbeiten. Der Referenzcode schiebt ein 30-Sekunden-Fenster über eine fertige Datei.
Parakeet ist näher dran. Die Model Card von NVIDIA für Parakeet TDT 0.6B v3 dokumentiert einen Streaming-Modus, und ihre Beispieleinstellungen zeigen den Kompromiss, den jedes Streaming-Setup eingeht: Audio wird in Blöcken von 2 Sekunden verarbeitet, mit 10 Sekunden vorherigem und 2 Sekunden nachfolgendem Audio als Kontext. Das nachfolgende Audio ist der Look-ahead. Mehr davon gibt dem Modell mehr Anhaltspunkte, bedeutet aber auch, dass die Wörter später erscheinen.
Streaming oder Batch: Was brauchst du?
Streaming zählt, wenn ein Mensch auf die Wörter wartet. Batch reicht und ist oft einfacher, wenn das Audio schon als Datei vorliegt. Wenn du ein Tool auswählst, passe den Modus an die Aufgabe an.
- Diktieren in ein Textfeld: Streaming, damit du siehst, dass du gehört wirst.
- Untertitel für einen Live-Call oder einen Vortrag: Streaming, denn ein Untertitel, der erst nach dem Satz kommt, nützt wenig.
- Transkribieren eines aufgezeichneten Meetings, Interviews oder Vortrags: Batch. Niemand schaut zu, wie die Wörter ankommen.
- Erstellen von Untertiteldateien: Batch. Das Kommandozeilen-Tool von Whisper schreibt srt- und vtt-Dateien direkt.
- Eine Sprache, die dein Streaming-Modell nicht abdeckt: Batch, mit einem Modell, das sie abdeckt.
Fragen, die Leute stellen.
Was ist der Unterschied zwischen Streaming- und Batch-Transkription?
Streaming zeigt Wörter, während du sprichst, und ist fast sofort fertig, wenn du aufhörst. Batch wartet, bis du aufhörst, und verarbeitet dann die ganze Aufnahme, sodass die Pause mit der Länge dessen wächst, was du gesagt hast. Beides kann genau sein; Streaming fühlt sich schneller an und zeigt dir, dass es zuhört.
Macht Streaming den Text ungenauer?
Nicht im feststehenden Ergebnis. Ein Streaming-Modell kann ein Wort überarbeiten, wenn mehr Audio ankommt, aber eingefügt wird der fertige Text. Die Genauigkeit, die du erlebst, hängt mehr von der Qualität des Modells und deinem Mikrofon ab als davon, ob gestreamt wurde.
Warum streamt mein Diktier-Tool auf Englisch, aber nicht in meiner anderen Sprache?
Weil sein Streaming-Modell diese Sprache nicht unterstützt und es auf ein Batch-Modell ausweicht. Der Text sollte trotzdem stimmen; er kommt nur, nachdem du aufgehört hast, statt während du sprichst.
Kann Whisper in Echtzeit transkribieren?
Nicht ohne Weiteres. Laut der Model Card von OpenAI lassen sich Whisper-Modelle im ausgelieferten Zustand nicht für Echtzeit-Transkription nutzen, andere können darauf aber Anwendungen bauen, die nahezu in Echtzeit arbeiten.
Hat ein Mac eine eingebaute Echtzeit-Transkription?
Ja. Live-Untertitel unter Systemeinstellungen → Bedienungshilfen → Live-Untertitel zeigt Untertitel für Audio, während es läuft. Die Funktion gibt es nur auf Mac-Computern mit Apple silicon und nicht in jeder Sprache oder Region.
Braucht Echtzeit-Transkription eine Internetverbindung?
Nicht unbedingt. Streaming beschreibt, wann die Wörter erscheinen, nicht, wo das Audio verarbeitet wird. Laut Apple verarbeitet Live-Untertitel auf dem Mac das Audio auf dem Gerät.
