Warum Mundart für ein Modell schwierig ist
Für Schweizerdeutsch gibt es keine verbindliche Rechtschreibung. Wer «gsi» schreibt, schreibt vielleicht auch «gsii» oder «gsy». Ein Modell, das Text ausgeben soll, braucht aber ein Ziel, auf das es sich festlegt. In der Praxis ist dieses Ziel Hochdeutsch. Damit ist jede Transkription einer Mundart-Aufnahme gleichzeitig eine Übersetzung.
Dazu kommt die Streuung. Dasselbe Wort klingt in Bern anders als im Wallis oder im Thurgau. Die Modelle sind in der Regel überwiegend auf standardsprachlichem Material trainiert, weil davon am meisten vorliegt. Mundart ist für die grossen Anbieter ein kleiner Sonderfall.
In Sitzungen kommt der Sprachwechsel dazu. Innerhalb eines Satzes mischen sich Mundart, hochdeutsche Fachwörter, englische Projektbegriffe und französische Lehnwörter. Genau an diesen Übergängen entstehen die Fehler, die später am meisten Korrekturzeit kosten.
Was das Modell mit dem Ton macht
Vereinfacht gesagt zerlegt ein Transkriptionsmodell die Tonspur in kurze Abschnitte, rechnet daraus Wahrscheinlichkeiten für Wortfolgen und gibt die wahrscheinlichste Folge aus. Es hört nicht wie ein Mensch, es rechnet. Wo der Ton dünn ist, wo zwei Leute gleichzeitig reden oder wo ein Eigenname vorkommt, den es nie gesehen hat, füllt es mit dem, was in seinen Daten häufig war.
Was dabei herauskommt, ist mehr als Fliesstext. ElevenLabs Scribe liefert jedes Wort mit Anfangs- und Endzeit sowie einer Sprecher-Kennung.
Diese Zeitstempel sind der Grund, warum bei mir überhaupt automatisch geschnitten werden kann. Die Sprache wird der Kette dabei vorgegeben: Der Weg, den sie vorsieht, geht von Ton zu Text in Standarddeutsch. Eine Schreibweise in Mundart liefert sie nicht.
Woran Sie ein brauchbares Transkript erkennen
Diese fünf Prüfungen können Sie an jedem Transkript selber machen, unabhängig davon, wer es erstellt hat. Sie brauchen dafür die Aufnahme, das Transkript und rund zwanzig Minuten.
- Zeitstempel
Hat jedes Wort eine Anfangs- und Endzeit, oder gibt es nur Blöcke pro Absatz? Ohne Wort-Zeitstempel können Sie eine Aussage nicht nachhören und schon gar nicht danach schneiden. Prüfung: fünf Stellen anspringen und hören, ob der Ton dort tatsächlich beginnt.
- Vollständigkeit am Rand
Vergleichen Sie die Dauer der Aufnahme mit der Endzeit des letzten Worts. Anfang und Ende sind die anfälligsten Stellen. In meiner Kette ist deshalb am Videoende eine Zwei-Schritt-Verifikation Pflicht: die letzten Sekunden werden ein zweites Mal transkribiert, weil der erste Durchgang das tatsächliche Wortende nicht zuverlässig liefert.
- Stille
Suchen Sie die Pausen und schauen Sie nach, ob dort Text steht. Wenn ein Transkript an einer Stelle Wörter zeigt, an der niemand spricht, hat das Modell ergänzt. Solche Stellen finden Sie mit einer Pausenerkennung in Sekunden statt beim Durchhören.
- Zahlen und Eigennamen
Nehmen Sie eine Minute und prüfen Sie darin jede Zahl, jeden Personennamen und jeden Ortsnamen. Das sind die Fehler, die in einem Protokoll teuer werden, und gleichzeitig die, die beim Überfliegen niemandem auffallen.
- Zählen statt schätzen
Korrigieren Sie fünf Minuten sauber durch und zählen Sie dabei die Eingriffe. Fünfzehn Korrekturen auf fünf Minuten heissen bei einer Stunde Material rund 180 Eingriffe. Damit haben Sie eine eigene Zahl für Ihr Material, Ihre Sprecher und Ihre Aufnahmequalität. Diese Zahl ist mehr wert als jede Genauigkeitsangabe eines Anbieters.
Die Werkzeugkette, die ich belegt einsetze
Für deutschsprachige Aufnahmen läuft bei mir eine Pipeline auf einem eigenen Server. ElevenLabs Scribe transkribiert jedes Wort mit Zeitstempel. Verdächtige Stellen schneidet die Pipeline heraus und transkribiert sie ein zweites Mal, dieses Mal ohne den Kontext, der den Fehler beim ersten Durchgang verdeckt hat. So kommen Versprecher und Anläufe ans Licht, die im Gesamtdurchlauf untergehen.
Danach schneidet ffmpeg nach einer Schnittliste. Eine Pausenerkennung liefert die Sprechpausen, die Schnittliste hält jede Kante fest. Die Luft an den Kanten ist dokumentiert: mitten im Satz 100 ms nach dem letzten Wort und 80 ms vor dem nächsten, an Satzgrenzen 200 ms und 130 bis 150 ms, am Videoende 600 bis 700 ms. Diese Werte stehen in jeder Schnittliste als _padding_params-Block, damit später nachvollziehbar bleibt, warum eine Kante sitzt, wo sie sitzt.
Der häufigste Fall dafür sind Vorträge, Predigten und Interviews mit mehreren Sprechern. Die Sprecher-Kennung pro Wort macht aus dem Transkript ein Protokoll, in dem sich Aussagen zuordnen lassen. Voraussetzung bleibt eine saubere Tonspur. Ein Ansteckmikrofon oder ein Tischmikrofon pro Sprecher bringt mehr als jede Modellwahl.
Die Tonspur geht dafür an ElevenLabs. Wenn Ihre Aufnahme Personendaten enthält, gehört diese Frage vor die Werkzeugwahl und nicht danach.
Was für Schweizerdeutsch offen ist
Ich habe die Kette an deutschsprachigem Material gebaut und dort gemessen. Für Mundart-Aufnahmen liegt mir kein dokumentiertes Ergebnis vor, das ich hier zeigen könnte. Ich stelle deshalb keine Behauptung über die Trefferquote bei Berndeutsch, Baseldeutsch oder Walliserdeutsch auf.
Herausfinden lässt sich das an einer kurzen Datei. Fünf bis zehn Minuten aus Ihrem Material genügen. Ich schicke sie durch dieselbe Kette, und danach machen wir die fünf Prüfungen von oben an Ihrem Ergebnis. Am Schluss steht eine Zahl, die Sie selber nachzählen können.
Wenn die Zahl zu hoch ist, sagen wir das so. Ein Transkript, das man Zeile für Zeile nachbessern muss, spart nichts.
Was auf dieser Seite nicht steht
Kein eigenes, dokumentiertes Mundart-Ergebnis. Alles, was oben an eigener Arbeit belegt ist, stammt aus deutschsprachigen Aufnahmen mit dem Sprachcode für Deutsch. Das ist der Grund, warum diese Seite mit einer Probedatei endet statt mit einer Referenz.
Keine Genauigkeit in Prozent. Für Mundart habe ich keine gemessen, und Zahlen von Anbietern gebe ich nicht als meine weiter. Die einzige Zahl, die für Ihr Projekt zählt, entsteht beim Nachzählen an Ihrem eigenen Material.
Kein Vergleich der verbreiteten Werkzeuge. Ich habe Whisper, noScribe und Scribe für Mundart nicht unter gleichen Bedingungen gegeneinander gemessen. Preise stehen hier auch nicht, weil Aufwand und Material zu unterschiedlich sind.
Diese Seite ist neu. Ob sie in der Suche auftaucht, ist offen. Belegt ist nur, dass in der Schweiz danach gesucht wird.
Der nächste Schritt ist eine Probedatei
Schicken Sie mir fünf bis zehn Minuten aus Ihrem Material. Ich lasse sie durch dieselbe Kette laufen, die ich für den Schnitt einsetze, und Sie bekommen das Transkript mit Zeitstempeln und Sprecher-Zuordnung zurück. Dazu meine Einschätzung, wo die Fehler sitzen und wie viel Korrektur eine Stunde Material kosten würde.
Voraussetzung ist eine saubere Tonspur. Wenn die Aufnahme das nicht hergibt, sage ich Ihnen das vor dem ersten Durchlauf.