Eine Stimme hören: was eine Transkription unbemerkt falsch macht

Die Küche und die Aufnahme

Probier es aus

Was gesagt wurde, und wie der Raum klang

Halb sieben an einem Dienstag. Der Geschirrspüler läuft einen Meter neben dem Küchentisch, laut genug, dass sich alle ein bisschen vorbeugen. Nadia, sieben Jahre alt, erzählt dir von Freitag. Ihre Großmutter steht hinter ihr am Spülbecken, der Wasserhahn läuft. Ein Handy liegt mit dem Display nach oben zwischen Obstschale und Poststapel, hört zu und schreibt mit, was es hört.

Das hier wurde tatsächlich gesagt. Am Freitag ist das Vorspiel, jedes Kind bringt sein Instrument mit, und an Nadias Geige ist eine Saite gerissen — sie braucht bis Freitag eine neue. Vorher muss noch ein Zettel unterschrieben werden. Sie sagt den Namen ihrer Lehrerin zweimal, beide Male deutlich: Frau Kowalczyk. Mittendrin ging der Geschirrspüler in den Abpumpvorgang und dröhnte etwa vier Sekunden lang; man verstand kein Wort, und du hast sie gebeten, die Stelle noch einmal zu sagen. Ihre Großmutter, die Deutsch erst als Erwachsene gelernt hat, ruft vom Spülbecken herüber und fragt nach dem Abholen am Freitag.

Dieser Absatz steht anstelle der Aufnahme. Auf dieser Seite gibt es keinen Ton, und das fehlt auch nicht: Alles, was hier zu beurteilen ist, steckt im Text, der zurückkam. Du warst im Raum. Das ist der einzige Vorsprung, den du gegenüber der Transkription hast, und in dieser Demo geht es darum, ihn gut auszugeben.

Was aus dem Klang wird

Toneingabe

Zwei Stimmen, ein Geschirrspüler
Spracherkennungsmodell
Eine Zeile geratener Text
Der Assistent
Eine gesprochene Antwort

Tonausgabe

Der Klang endet beim zweiten Kasten. Alles danach arbeitet mit einer Zeile Text, und diese Zeile ist eine Vermutung: Der Assistent hört nie die Küche, nur die Vermutung.

Was zurückkam

Drei Ausschnitte desselben Abends

Diese Transkriptionen wurden einmal geschrieben und gespeichert, alle Lesenden sehen also dieselben. Geh sie durch und achte darauf, wie wenig sich am Format ändert.

Bevor die Maschine ansprang

Nadia, gegenüber am Tisch, Geschirrspüler aus: „Der Bus war wieder zu spät, deshalb hatten wir zuerst Lesen. Danach haben wir getauscht.“

Der Bus war wieder zu spät, deshalb hatten wir zuerst Lesen.

Danach haben wir getauscht.

Wort für Wort, beide Zeilen. Nichts hinzugefügt, nichts verloren, die Satzzeichen an der richtigen Stelle. Das ist echt, und so ist es die meiste Zeit: ruhiger Raum, eine klare Stimme, gewöhnliche Sätze. Es ist auch der Grund, warum niemand den Rest einer Transkription genau liest.

Drei Ausschnitte, drei Transkriptionen, ein Format. Die genaue, die veränderte und die geglättete kommen als dasselbe Objekt an: vollständige Sätze, normale Satzzeichen, keine Klammern, keine Auslassungspunkte, nirgends ein Hinweis darauf, welche Stelle schwer zu hören war. Der Zweifel, den es in dieser Küche gab, hat es nicht bis in die Datei geschafft.

Genau hinsehen

Die Transkription, die die App gespeichert hat

Diese ist für die Demo erfunden, geschrieben wie das, was dir eine App aushändigt, wenn das Gespräch endet. Sie liest sich gut, und das meiste stimmt. Drei Zeilen passen nicht zu dem Abend, in dem du gesessen hast. Tippe die an, die du prüfen würdest.

Nadia: Am Freitag ist das Vorspiel und jeder bringt sein Instrument mit.
Du: Okay. Muss dafür etwas unterschrieben werden?
Großmutter: Wann hole ich sie am Freitag ab?

Was du mitnimmst

Ein Test für heute Abend

Das dauert zwei Minuten und funktioniert mit jedem Sprachassistenten, jeder Diktier-App, jedem Handy. Mach etwas Lautes an: den Wasserhahn, die Dunstabzugshaube, einen Wasserkocher. Sag dann einen Satz mit drei prüfbaren Dingen darin: einen Nachnamen, der dort, wo du lebst, selten ist, eine Zahl und einen Wochentag. Lies nach, was geschrieben wurde, und schau, welche der drei überlebt haben.

Mach danach die zweite Hälfte, die alle auslassen. Sag einen Satz und lass die letzten Wörter wegfallen, oder dreh mittendrin den Kopf weg, oder lass den Lärm dich ganz zudecken. Sieh dir an, was zurückkam. Wenn dort ein ganzer Satz steht, wo du weißt, dass du nicht zu verstehen warst, hast du gerade auf deinem eigenen Gerät und mit deiner eigenen Stimme gesehen, worum es in dieser Demo geht.

Du testest nicht, ob das Werkzeug gut ist. Wahrscheinlich ist es das, die meiste Zeit. Du findest heraus, was es an seinen Rändern tut, damit du beim nächsten sauberen Absatz weißt, was ein sauberer Absatz wert ist.

Drei Dinge zum Mitnehmen

Eine Transkription ist eine Vermutung ohne beigefügte Sicherheit. Sie benutzt dieselbe Schrift für die Wörter, die sie klar gehört hat, und für die, die sie drumherum ergänzt hat, und sie sagt dir nicht, welche welche waren. Wie sicher eine Transkription aussieht, ist eine Tatsache über die Formatierung, nicht über den Raum.
Stille kommt nicht als Stille zurück. Wenn der Ton schwierig wird, hält das System nicht an, schränkt nichts ein und lässt keine Lücke: Es produziert weiter Sätze, die zum Gespräch passen — und ein flüssiger Satz über vier Sekunden Lärm sieht genauso aus wie ein flüssiger Satz über vier Sekunden Sprache.
Prüfe die Stellen, die ändern würden, was du tust. Namen, Zahlen, Daten, Mengen, das eine Ding, das bis Freitag da sein muss. Bestätige das bei der Person, die es gesagt hat — eine Transkription ist das Protokoll dessen, was ein System für wahrscheinlich gehalten hat, und genau so viel ist sie wert.