Sprachmodell-Transkription

Wenn ein Computer eine Tonaufnahme anhört und daraus geschriebenen Text macht, nennt man das Transkription. Früher mussten Menschen das tun, Satz für Satz, oft mit Fußpedal und Kopfhörer. Heute übernehmen das Programme, die aus vielen tausend Stunden Aufnahmen mit passendem Text gelernt haben. Man füttert sie mit einer Audiodatei und erhält Sekunden später ein Textdokument. Der Zusatz « Sprachmodell » bedeutet dabei: das Programm kennt nicht nur Laute, sondern auch, welche Wörter im Deutschen üblicherweise aufeinander folgen. Genau dieses Sprachwissen macht den Unterschied zwischen unbrauchbarem Kauderwelsch und einem lesbaren Text.

Was gesprochene Sprache so schwer macht

Gesprochene Sprache ist unordentlich. Menschen verschlucken Endungen, reden gleichzeitig, husten dazwischen. Dazu kommen Dialekte, Straßenlärm und schlechte Mikrofone. Ein System, das nur einzelne Laute erkennt, scheitert daran sofort. Es braucht eine Vorstellung davon, was in diesem Zusammenhang überhaupt plausibel ist.

Der praktische Nutzen ist enorm, weil Ton als Datenformat schlecht durchsuchbar ist. In einer dreistündigen Aufnahme eine bestimmte Aussage zu finden, kostet ohne Text sehr viel Zeit. Liegt eine Transkription vor, genügt eine Suchfunktion. Deshalb transkribieren Journalisten ihre Interviews, Ärzte ihre Diktate und Unternehmen ihre Videokonferenzen.

Wichtig ist aber das Bewusstsein für die Fehlerquote. Ein gutes System liegt bei klarer Studioaufnahme unter fünf Prozent falscher Wörter. Bei einer Telefonkonferenz mit fünf Teilnehmern kann derselbe Wert auf zwanzig Prozent oder mehr steigen. Für ein Gerichtsprotokoll oder eine medizinische Akte ist das zu unsicher, weshalb dort ein Mensch gegenliest.

Vom Schallwellenmuster zum fertigen Satz

Zuerst wird der Ton in kleine Zeitabschnitte zerlegt, meist Bruchteile einer Sekunde. Für jeden Abschnitt berechnet das Programm, welche Tonhöhen wie stark vorkommen. Daraus entsteht eine Art Bildkarte des Klangs. Das eigentliche KI-Modell arbeitet dann nicht mit dem Ton selbst, sondern mit dieser Karte.

Nun kommen zwei Fähigkeiten zusammen. Der eine Teil ordnet den Klangmustern Laute und Wortbruchstücke zu. Der andere Teil prüft, ob die entstehende Wortfolge sprachlich Sinn ergibt. Klingt eine Stelle wie « Wale » oder « Wahl », entscheidet der Zusammenhang. Steht davor « Bundestags », gewinnt « Wahl » — nicht wegen des Klangs, sondern wegen der Wahrscheinlichkeit.

Daraus folgt ein typischer Irrtum. Viele halten Transkription für reines Abtippen, also für eine Tätigkeit ohne Interpretation. Tatsächlich rät das System an unklaren Stellen. Es liefert immer einen flüssigen, glaubwürdigen Satz, auch wenn im Ton nichts Verständliches war. Solche erfundenen Passagen fallen kaum auf, weil sie grammatisch einwandfrei sind.

Untertitel, Diktate und Meeting-Protokolle

Am häufigsten begegnet man der Technik als automatischer Untertitel bei Videos. Auch die Diktierfunktion auf dem Handy gehört dazu, ebenso Sprachnachrichten, die als Text angezeigt werden. In Videokonferenz-Programmen läuft die Transkription oft im Hintergrund mit und erzeugt am Ende eine Zusammenfassung des Gesprächs.

In Wirtschaftsnachrichten tauchen dieselben Systeme unter Namen wie Whisper oder als Funktion großer Cloud-Anbieter auf. Abgerechnet wird meist pro Audiominute, oft im Bereich weniger Cent. Für Firmen ist das interessant, weil menschliche Transkription pro Stunde Ton ein Vielfaches kostet.

Diskutiert wird dabei vor allem der Datenschutz. Wer ein Personalgespräch in eine Cloud hochlädt, gibt sehr persönliche Informationen weiter. Deshalb setzen Krankenhäuser und Behörden zunehmend auf Modelle, die direkt auf dem eigenen Rechner laufen. Abzugrenzen ist die Transkription außerdem von der Übersetzung: die eine schreibt nur mit, die andere wechselt die Sprache.