Aufnahmen in anderen Sprachen transkribieren: was Modelle können und wo sie stolpern

Wer in Deutschland studiert, forscht oder arbeitet, hat oft Aufnahmen in mehr als einer Sprache: ein Interview auf Türkisch, eine Familienaufnahme auf Arabisch, ein Gastvortrag auf Englisch, eine Besprechung, in der Polnisch und Deutsch durcheinandergehen. Moderne Spracherkennung kommt damit erstaunlich gut zurecht — wenn man ihre Schwächen kennt.

Wie viele Sprachen erkennen die Modelle?

Whisper von OpenAI wurde auf 99 Sprachen trainiert; Sprechverlauf nutzt die schnelle Variante Whisper Large v3 Turbo im kostenlosen Test. Microsoft MAI-Transcribe-2, das Modell in den Paketen, unterstützt laut Modellkarte 60 Sprachen und trennt dabei die Sprecher. Microsoft gibt für dieses Modell eine durchschnittliche Wortfehlerrate von 5,2 Prozent auf dem FLEURS-Benchmark an. Das ist ein Mittelwert: Große Sprachen mit viel Trainingsmaterial schneiden besser ab, seltenere schlechter.

Stolperstein 1: verwandte Sprachen

Kroatisch, Serbisch und Bosnisch, Hindi und Urdu, Malaiisch und Indonesisch: Diese Sprachen klingen so ähnlich, dass die automatische Spracherkennung bei kurzen Aufnahmen danebenliegen kann. Dann wird zum Beispiel ein serbisches Interview in kroatischer Schreibweise ausgegeben — oder Urdu in Devanagari statt in arabischer Schrift. Die Lösung ist einfach: Wählen Sie die Sprache vor dem Start ausdrücklich aus.

Stolperstein 2: Dialekte und Umgangssprache

Arabisch ist das deutlichste Beispiel: Ägyptisch, Levantinisch und Marokkanisch unterscheiden sich stark, geschrieben wird aber meist Hocharabisch. Modelle neigen dazu, gesprochenen Dialekt in Richtung Standardsprache zu glätten oder regionale Wörter falsch zu verstehen. Das gilt in kleinerem Maß auch für Schweizerdeutsch, brasilianisches Portugiesisch oder Kantonesisch.

Stolperstein 3: Tonsprachen und Schriften ohne Leerzeichen

In Chinesisch, Vietnamesisch oder Thai ändert die Tonhöhe die Bedeutung einer Silbe. Hall, Musik und starke Kompression verwischen genau diese Information — eine saubere Aufnahme zählt hier doppelt. Chinesisch, Japanisch und Thai trennen außerdem Wörter nicht durch Leerzeichen; das Modell muss die Wortgrenzen selbst setzen. Prüfen Sie deshalb besonders Namen und Fachbegriffe.

Stolperstein 4: Sprachwechsel im Gespräch

In vielen Familien und Teams wechselt man mitten im Satz die Sprache. Wer dann eine Sprache fest vorgibt, zwingt das Modell, alles in dieser Sprache zu schreiben. Bei gemischten Aufnahmen ist „automatisch“ deshalb die bessere Wahl; MAI-Transcribe-2 ist laut Microsoft auf solches Code-Switching ausgelegt.

Kurz zusammengefasst

• Eine Sprache: vor dem Start auswählen, besonders bei kurzen Aufnahmen und verwandten Sprachen.
• Mehrere Sprachen im Gespräch: auf „automatisch“ lassen.
• Dialekt: mit Abweichungen rechnen und Zitate an der Zeitmarke prüfen.
• Tonsprachen: auf saubere Aufnahme achten, keine Musik im Hintergrund.