Streaming-Transkription
Streaming-Transkription wandelt gesprochene Sprache in Echtzeit in Text um — nicht erst nach dem Ende einer Aufnahme, sondern Wort für Wort, während jemand noch spricht. Sie steckt hinter Live-Untertiteln, Sprachassistenten und Diktierfunktionen.
Streaming-Transkription bezeichnet die Umwandlung von gesprochenem Wort in geschriebenen Text, während das Sprechen noch läuft. Das Gegenteil wäre, erst zu warten bis jemand fertig gesprochen hat, die Aufnahme dann vollständig zu verarbeiten und danach das Ergebnis zu liefern. Beim Streaming fließt der Ton in kleinen Häppchen — oft nur wenige Zehntelsekunden lang — laufend in ein Spracherkennungssystem. Das System gibt zurück, was es bisher verstanden hat, und aktualisiert diesen Text ständig. Der Nutzer sieht die Wörter entstehen, fast wie beim Tippen.
Warum Millisekunden den Unterschied machen
Ob ein System sich natürlich anfühlt, hängt stark von seiner Verzögerung ab — Fachleute nennen das Latenz. Bei einem Telefongespräch mit einem Sprachassistenten möchte man nach dem Sprechen nicht drei Sekunden auf die Antwort warten. Das fühlt sich an wie ein schlechtes Auslandsgespräch, bei dem die Leitung hakt. Streaming-Transkription hält diese Verzögerung gering, weil das System nicht auf das Ende des Satzes wartet, sondern sofort loslegt.
Für Menschen mit Hörbehinderungen ist niedrige Latenz noch wichtiger. Live-Untertitel bei einer Veranstaltung oder in einer Videokonferenz sind nur nützlich, wenn sie dem Gesprochenen dicht auf den Fersen bleiben. Untertitel, die fünf Sekunden zu spät erscheinen, verlieren ihren Sinn. Dasselbe gilt für Echtzeit-Übersetzer, die aus dem gesprochenen Wort einer Sprache sofort den Text einer anderen erzeugen sollen.
Wie das System spricht, bevor es fertig gehört hat
Das Spracherkennungssystem erhält den Ton als fortlaufenden Datenstrom, den sogenannten Audio-Stream. Es zerlegt diesen Strom in kurze Fenster von etwa 20 bis 30 Millisekunden und analysiert jedes Fenster einzeln. Auf Basis der bisherigen Fenster berechnet das System wahrscheinliche Wörter — und gibt eine vorläufige Hypothese aus. Diese Hypothese kann sich noch ändern: Hört das System ein weiteres Wort, das den Satz in eine andere Richtung lenkt, korrigiert es seinen bisherigen Text manchmal rückwirkend. Das sieht man gelegentlich als kurzes Flackern bei Live-Untertiteln.
Moderne Systeme verwenden dafür neuronale Netze — also Modelle, die aus vielen Millionen Beispielen menschlicher Sprache gelernt haben, welche Lautfolgen welchen Wörtern entsprechen. Besonders bewährt hat sich dabei eine Architektur namens Transformer, die gut darin ist, den Zusammenhang zwischen weiter auseinanderliegenden Wörtern zu erfassen. Der Haken beim Streaming ist, dass ein Transformer eigentlich den vollständigen Satz sehen möchte, bevor er urteilt. Spezielle Varianten, sogenannte Streaming-Transformer, arbeiten deshalb mit einem künstlich begrenzten Blickfeld nach vorne — sie „schauen“ nur ein kleines Stück in die Zukunft des Audios, was die Latenz niedrig hält.
Hinzu kommt die Erkennung von Satzgrenzen in Echtzeit. Wann ein Satz endet und ein neuer beginnt, ist im gesprochenen Wort nicht so klar markiert wie in geschriebenem Text. Das System muss Pausen, Intonation und typische Satzlängen gleichzeitig auswerten, um sinnvoll zu interpunktieren.
Wo Streaming-Transkription heute auftaucht
Die bekannteste Anwendung sind automatische Untertitel in Videokonferenz-Programmen wie Google Meet oder Microsoft Teams. Beide Dienste transkribieren das Gesagte live und blenden es am Bildschirmrand ein. Auch Sprachassistenten wie Siri oder Google Assistant setzen auf Streaming-Transkription: Sie beginnen, die Anfrage zu verstehen, noch während man spricht, und wirken dadurch reaktionsschnell.
Im Journalismus und in Parlamenten wird Streaming-Transkription eingesetzt, um Reden sofort als Textprotokoll verfügbar zu machen. Rundfunkanbieter nutzen sie für Echtzeit-Untertitel im Fernsehen, was in vielen Ländern gesetzlich vorgeschrieben ist. Und medizinische Diktiersysteme transkribieren den Arztbericht direkt beim Sprechen in strukturierten Text — das spart Schreibarbeit und beschleunigt die Dokumentation.
In der Öffentlichkeit wird das Thema immer dann diskutiert, wenn neue Modelle wie Whisper von OpenAI oder Dienste wie AWS Transcribe Streaming neue Genauigkeitsrekorde ankündigen. Dabei geht es fast immer um denselben Zielkonflikt: bessere Erkennungsgenauigkeit auf der einen Seite, niedrigere Latenz auf der anderen. Beides gleichzeitig zu maximieren bleibt eine der zentralen Herausforderungen der Sprachverarbeitung.