Ein schlechtes Transkript hat meist nur ein oder zwei Ursachen, und die Fehler auf der Seite verraten, welche. Sieben häufige Ursachen für Transkriptionsfehler, woran man sie erkennt, warum sie auftreten und was in der Aufnahme und im Transkript hilft.
Fehler bei der Audiotranskription sind selten zufällig. Ein Transkript, das aus „Kubernetes“ „Cooper Netties“ macht, die Worte zweier Personen unter einen Namen setzt oder „fifty“ schreibt, wo die Sprecherin „fifteen“ gesagt hat, zeigt Ihnen, was schiefgelaufen ist. Jede Ursache hinterlässt ihre eigene Art von Fehler, und jede hat ihre eigene Abhilfe. Manche Abhilfen gehören in die nächste Aufnahme, andere in das Transkript, das Sie schon haben.
Dieser Leitfaden geht vom Fehler aus. Suchen Sie in der Liste unten den Fehler, der zu Ihrem Transkript passt, und springen Sie zu seinem Abschnitt: wie der Fehler aussieht, warum er entsteht (in einfachen Worten) und was Sie dagegen tun können.
Die meisten Transkriptionsprobleme lassen sich sieben Mustern zuordnen. Ordnen Sie das Symptom der Ursache zu:
Zwei Ursachen treten oft gemeinsam auf. Ein Gast aus der Ferne mit Headset in einem lauten Café und mit Akzent erzeugt drei Arten von Fehlern gleichzeitig. Beheben Sie zuerst die Ursache, die die meisten Zeilen betrifft: meist das Audio, dann die Sprache, dann die Wörter.
Woran man es erkennt. In einer Aufnahme aus einem Café wird aus „Let's move the launch to March“ ein „Let's move the lunch to March“. Ein Wort unter einem Türenknall verschwindet. Über einer langen Stille mit brummender Klimaanlage erscheint eine Zeile, die niemand gesagt hat, etwa „Thank you for watching.“
Warum es passiert. Spracherkennung rät die wahrscheinlichsten Wörter zu dem Klang, den sie empfängt. Geräusche überdecken zuerst die leisen Teile der Sprache: die Wortenden und die kurzen Wörter dazwischen. Je weniger vom echten Signal ankommt, desto mehr stützt sich die Vermutung darauf, was üblicherweise als Nächstes kommt, und „lunch“ ist ein häufigeres Wort als „launch“. Bei gleichmäßigem Rauschen ganz ohne Sprache schreiben manche Systeme dennoch eine Standardphrase, weil sie darauf trainiert wurden, bei jedem Klang etwas zu schreiben.
Beheben in der Aufnahme. Stellen Sie das Mikrofon näher an den Sprecher, statt es lauter zu drehen. Eine verdoppelte Entfernung senkt den Direktschall des Sprechers um etwa 6 dB, während der Raumlärm gleich bleibt, deshalb zählt Nähe mehr als jede Einstellung. Schalten Sie Ventilatoren und Klimaanlagen für die Aufnahme aus, wenn möglich, und nehmen Sie in einem Raum mit weichen Oberflächen statt mit Glas und Fliesen auf.
Beheben im Transkript. Nennen Sie in VocalStack bei lauten Aufnahmen die gesprochene Sprache, statt es bei der automatischen Erkennung zu belassen. Der Hinweis im Dashboard sagt es selbst: Die Sprache vorzugeben verbessert die Genauigkeit bei lauten Aufnahmen und starkem Akzent. Bei einer Live-Transkription nimmt der Latenzmodus Accuracy etwas mehr Verzögerung in Kauf und liefert dafür bei schwierigem Audio weniger Fehler. Zeilen, bei denen sich die Engine am wenigsten sicher ist (unter der Konfidenzschwelle der Transkription, standardmäßig 0.60), werden Zuhörern als „Audio unclear“ angezeigt statt als Vermutung und nie vorgelesen. Eine Zeile, die reine Erfindung ist, können Sie von Hand ausblenden: Ausgeblendete Zeilen fehlen im Transkript, in Exporten, Untertiteln und im Player.
Woran man es erkennt. Aus „The data shows a thirty percent rise“ wird „The data shows a dirty percent rise“. Die Fehler begleiten einen Sprecher durch die ganze Aufnahme, während die Zeilen aller anderen sauber sind.
Warum es passiert. Ein Erkennungssystem lernt, wie Wörter klingen, aus der Sprache, mit der es trainiert wurde. Spricht jemand einen Laut anders aus als der Großteil dieser Sprache, etwa „th“ als „d“, hört das System genau, was gesagt wurde, und wählt das echte Wort, das diesem Laut am besten entspricht. Die automatische Spracherkennung kann es noch verschlimmern: Ein starker Akzent kann die Anhaltspunkte ganz in Richtung einer anderen Sprache verschieben (siehe wie die automatische Spracherkennung funktioniert).
Beheben in der Aufnahme. Legen Sie bei einem Live-Vortrag vor dem Start ein Reference Script an (siehe den Abschnitt zu Fachbegriffen unten), damit die Wörter, die der Sprecher wahrscheinlich sagt, schon bekannt sind. Ein gutes Mikrofon hilft bei jedem Akzent, weil mehr von jedem Laut bei der Engine ankommt.
Beheben im Transkript. Nennen Sie für diese Aufnahme die gesprochene Sprache. Nutzen Sie dann den Tab Fix: Mark uncertain words färbt die Wörter ein und unterstreicht sie, bei denen die Engine unsicher war, und Sie können die unsicheren Stellen einzeln durchgehen, statt alles noch einmal zu lesen. Wo die Engine andere Wörter erwogen hat, bietet sie diese als Korrekturvorschläge an, sodass „dirty“ zu „thirty“ zu verbessern meist ein Klick ist. Mit Play just this word prüfen Sie nach Gehör, bevor Sie etwas ändern.
Woran man es erkennt. Ein Sprecher fragt „So we agree on Tuesday?“, während ein anderer mit „No, Thursday works“ dazwischengeht. Das Transkript zeigt eine einzige Zeile unter Speaker 1: „So we agree on Tuesday no Thursday works.“ Oder umgekehrt: Eine Person, die mitten im Meeting lebhafter wurde, erscheint als Speaker 1 und Speaker 3.
Warum es passiert. Darunter laufen zwei getrennte Aufgaben. Die Spracherkennung schreibt die Wörter; die Sprecherdiarisierung entscheidet anhand des Klangs jeder Stimme, wer wann gesprochen hat. Die meisten Systeme ordnen jedem Audioabschnitt einen Sprecher zu, sodass bei gleichzeitigem Sprechen einer von beiden verliert. Eine veränderte Stimme (aufgeregt, müde, weiter vom Mikrofon entfernt) kann eine Person wie eine neue aussehen lassen. Sprecherdiarisierung und Spracherkennung erklärt beide Aufgaben im Detail.
Beheben in der Aufnahme. Geben Sie jeder Person ein eigenes Mikrofon. Diese eine Änderung bringt bei mehreren Sprechern mehr als jede Einstellung. Bitten Sie bei einem Podium oder einem Meeting mit Fragen aus dem Publikum die Moderatorin, jede Frage in ihr eigenes Mikrofon zu wiederholen, bevor sie beantwortet wird.
Beheben im Transkript. Wählen Sie die Einstellung für Sprecherkennzeichnungen: When Needed (Standard) kennzeichnet Zeilen, sobald eine zweite Stimme zu hören ist, On kennzeichnet jede Zeile, Off keine. Benennen Sie jeden Sprecher während oder nach der Aufnahme. Der Name liegt wie eine Schicht über den Wörtern, ändert also nie den Text und gilt für diese Person in jeder Aufnahme der Transkription. Speichern Sie einen Sprecher, den Sie oft aufnehmen, dann erkennen spätere Transkriptionen ihn am Namen. Eine Zeile, die zwei Sätze zusammenzieht, lässt sich teilen: Tippen Sie auf die Lücke, an der die neue Zeile beginnt.
Woran man es erkennt. Aus „We deployed it on Kubernetes“ wird „We deployed it on Cooper Netties“. Aus „Ms Nguyen“ wird „Miss Win“. Ein Medikamentenname wird zu drei kurzen englischen Wörtern. Der Rest des Satzes stimmt.
Warum es passiert. Ein System kann nur Wörter schreiben, die es kennt, und ein Name kommt oft nur einmal vor, ohne Umgebung, aus der man ihn vorhersagen könnte. Hat es das Wort nie gesehen, wählt es die gewöhnlichen Wörter, die am ähnlichsten klingen. Das ist der schwierigste Fall für die genaue Transkription von Fachbegriffen: Der Satz liefert keinen Hinweis, also hilft auch kein Kontext.
Beheben in der Aufnahme. Geben Sie dem System die Wörter, bevor der Sprecher sie sagt. In VocalStack ist das ein Reference Script: Fügen Sie vor dem Start das Skript oder die Folien eines Live-Vortrags oder eine Liste von Namen und Begriffen hinzu, und Namen und Begriffe daraus haben Vorrang vor dem Verhörten. Während des Vortrags folgt das Skript dem Transkript wie ein Teleprompter. Jedes Wort, das das Skript korrigiert hat, ist unter den Korrekturen mit SCRIPT markiert und lässt sich rückgängig machen, falls der Sprecher tatsächlich etwas anderes gesagt hat.
Beheben im Transkript. Korrigieren Sie den Namen einmal und prüfen Sie den Rest mit der Suche. Korrekturen erreichen jeden Zuhörer, solange die Transkription live ist, in jeder Sprache, in der er mitliest, und jede Korrektur ist aufgelistet und lässt sich rückgängig machen. Exporte (SRT, PDF, Excel, JSON) enthalten die Korrekturen, sodass Untertitel und Dokumente die korrigierte Schreibweise tragen.
Woran man es erkennt. Ein Vortrag beginnt mit einer Begrüßung auf Spanisch und geht auf Englisch weiter, und das Englisch kommt als spanisch aussehender Unsinn heraus. Oder ein paar Zeilen mitten in einem englischen Transkript erscheinen in einer verwandten Sprache. Manche Systeme schreiben bei falsch eingestellter Sprache eine grobe Übersetzung statt des Gesagten.
Warum es passiert. Wird keine Sprache genannt, muss das System sie am Klang erkennen, oft anhand der ersten Sekunden. Eine Begrüßung, ein Zitat oder ein starker Akzent können es in die falsche Richtung lenken. Hat es sich einmal für die falsche Sprache entschieden, ist jedes Wort in diesem Abschnitt gemeinsam falsch.
Beheben in der Aufnahme. Wenn die Aufnahme in einer Sprache ist, nennen Sie sie. Lassen Sie die Erkennung an, wenn wirklich zwei oder mehr Sprachen gesprochen werden, damit jeder Teil in seiner eigenen Sprache transkribiert wird; würden Sie eine festlegen, würde die andere in sie gezwungen. Bei einer Live-Transkription lässt sich die Sprache während des Laufs ändern, und die Änderung gilt sofort.
Beheben im Transkript. Eine Zeile, die in der falschen Sprache erkannt wurde, lässt sich nicht Wort für Wort retten, weil nichts darin stimmt. VocalStack kann die Zeile erneut transkribieren: Wählen Sie die Sprache, in der sie wirklich gesprochen wurde, und das Audio der Zeile wird in dieser Sprache noch einmal gelesen. Das Ergebnis ersetzt die Zeile als gewöhnliche Korrektur, mit demselben Rückgängig wie bei jeder anderen.
Woran man es erkennt. Aus „The fees went up“ wird „The thieves went up“. „Free“ und „three“ vertauschen sich. Die Fehler verteilen sich über die ganze Aufnahme und sind beim entfernten Sprecher am Telefon am schlimmsten.
Warum es passiert. Viele der Laute, die „f“, „s“ und „th“ unterscheiden, liegen hoch im Frequenzbereich. Eine Telefonleitung überträgt nichts über etwa 3.4 kHz, und ein Bluetooth-Headset schaltet sein Mikrofon oft in einen Anrufmodus mit viel engerem Bereich. Die Kompression mit niedriger Bitrate bei Videoanrufen entfernt noch mehr. Das System erhält Audio, in dem diese Laute schon fehlen, und rät zwischen Wörtern, die nun gleich klingen.
Beheben in der Aufnahme. Verwenden Sie ein Kabelmikrofon oder ein Headset, dessen Mikrofon im Modus voller Qualität bleibt. Nehmen Sie jeden entfernten Sprecher nach Möglichkeit bei sich selbst auf, statt den Anruf aufzuzeichnen. Greifen Sie bei einer Veranstaltung das Signal am Audiomischer ab, statt ein Laptop- oder Telefonmikrofon im Raum zu nehmen: Das Live-Setup von VocalStack braucht ein Kabel vom Mischer, und das eingebaute Telefonmikrofon nimmt mehr vom Raum auf.
Beheben im Transkript. Audio, das nie aufgenommen wurde, lässt sich weder von einer Maschine noch von einem Menschen wiederherstellen. Finden Sie die beschädigten Abschnitte über die Markierungen unsicherer Wörter, hören Sie die Zeile an und korrigieren Sie, was Sie hören. Wo niemand erkennen kann, was gesagt wurde, ist es ehrlicher, die Zeile auszublenden, als eine Vermutung stehen zu lassen.
Woran man es erkennt. Aus „Fifteen“ wird „fifty“. Aus „One twenty“ wird „120“, obwohl der Sprecher einen Dollar zwanzig meinte. „The third of the fourth“ erscheint als Datum in der falschen Reihenfolge. Jeder Fehler ist ein Wort, und alle anderen Wörter im Satz stimmen.
Warum es passiert. „Fifteen“ und „fifty“ unterscheiden sich vor allem darin, welche Silbe betont wird, und genau dieser Unterschied geht bei Lärm oder schnellem Sprechen als Erstes verloren. Gesprochene Zahlen lassen außerdem weg, was geschriebene brauchen: Einheiten, Dezimalstellen, die Reihenfolge von Tag und Monat. Das System muss das Format raten, und sein Tipp ist das häufigste, nicht Ihres.
Beheben in der Aufnahme. Bitten Sie Sprecher, Zahlen vollständig und mit Einheit zu nennen: „one dollar twenty“, „the fifteenth of March“. Tragen Sie bei einem vorbereiteten Vortrag die Zahlen ins Skript ein.
Beheben im Transkript. Prüfen Sie jede wichtige Zahl nach Gehör, bevor das Transkript zitiert, verschickt oder veröffentlicht wird. Eine falsche Zahl liest sich wie eine richtige, deshalb warnt nichts auf der Seite. Was die Wortfehlerrate misst und was sie übersieht erklärt, warum eine einzige falsche Zahl mehr kostet, als ihr Anteil an der Fehlerrate vermuten lässt.
Hat ein Transkript viele Probleme, beheben Sie sie in dieser Reihenfolge, damit keine Korrektur von der nächsten zunichtegemacht wird:
Machen Sie dann die nächste Aufnahme leichter: ein Mikrofon pro Sprecher, die Sprache benannt und ein Skript mit den Namen. Die meisten Fehler bei der Audiotranskription sind entschieden, bevor jemand auf Aufnahme drückt.
Lassen Sie bei einer Anhörung, einem ärztlichen Gespräch oder allem, wo ein falsches Wort Folgen hat, das Transkript von einem Menschen prüfen, bevor es verwendet wird, gleich welches System es erstellt hat. Um zu sehen, welche dieser Fehler Ihr eigenes Audio erzeugt, probieren Sie eine Aufnahme im Dashboard aus.