Erkennt Kaseta Deutsch?

Ja. Die Engine erkennt 99 Sprachen, Deutsch gehört dazu. Das Modell liegt in der App und rechnet auf dem iPhone selbst, die Aufnahme geht also nirgendwohin.

Wie gut klappt Deutsch mit Dialekt oder Schweizer Aussprache?

Standarddeutsch mit regionaler Färbung kommt in aller Regel durch, breiter Dialekt deutlich schlechter. Schweizerdeutsch ist der klarste Fall: gesprochen ist es keine Aussprachevariante des Standards, und es wird auch nicht als eine erkannt. Schweizer und österreichisches Standarddeutsch dagegen sind Standarddeutsch, Vokabular wie Jänner oder Velo ist dabei nicht das Problem.

Wie geht die Erkennung mit zusammengesetzten Wörtern um?

Meistens richtig, aber es ist die Stelle, an der deutsche Transkripte typischerweise auffällig werden. Lange oder seltene Komposita kommen manchmal auseinandergeschrieben zurück, besonders Fachbegriffe und Eigennamen. Wenn du später im eigenen Archiv suchst, such nach einem Bestandteil statt nach dem ganzen Wort.

Ehrliche Antwort: Wir haben die Genauigkeit für Deutsch nicht gemessen und nennen keinen Prozentwert, den niemand ausgerechnet hat. Die Faustregel gilt hier wie überall: klar gesprochen und nah am Mikrofon wird gut, ein lauter Raum mit mehreren Stimmen gleichzeitig wird es nicht. Die beste Prüfung ist eine Minute deiner eigenen Aufnahme im Gratis-Tarif.

Deutsch: wie gut die Erkennung auf dem Telefon damit umgeht

Q: Gibt es die App selbst auf Deutsch?

Ja, und das ist eine andere Frage als die Erkennung. Die Oberfläche erscheint in 39 App-Store-Lokalisierungen, das sind 33 Sprachen, sobald man die regionalen Varianten nur einmal zählt, und Deutsch ist darunter. Die Engine erkennt 99 Sprachen: eine längere Liste und eine andere Zahl.

Dass Deutsch auf der Liste der 99 Sprachen steht, ist die langweiligste Auskunft über Deutsch. Wie du eine Aufnahme überhaupt in Text verwandelst, steht Schritt für Schritt in der Anleitung für Sprachmemos. Diese Seite beantwortet die andere Frage: wie Deutsch herauskommt und an welchen Stellen es das nicht tut.

Der Fall, der einfach funktioniert

Diktiertes Deutsch, klar gesprochen, das Telefon in der Hand oder auf dem Tisch daneben. Substantive kommen großgeschrieben zurück, Umlaute und ß stehen da, wo sie hingehören, und die Satzzeichen setzt das Modell selbst. Das ist der Fall, für den Spracherkennung gebaut wurde, und der Fall, in dem sie kaum noch auffällt.

Alles Weitere auf dieser Seite handelt von den anderen Fällen.

Zusammengesetzte Wörter

Deutsch baut Wörter zusammen, und genau daran erkennt man ein Transkript, in dem Deutsch nur mitgemeint war. Kurze, gebräuchliche Komposita kommen als ein Wort zurück. Lange, seltene oder fachliche werden dagegen manchmal auseinandergezogen: „Sprach Nachricht“ statt „Sprachnachricht“, ein Firmenname in zwei Teilen, ein Begriff aus deinem Fachgebiet in drei.

Das ist selten sinnentstellend – aber es ist wichtig für das, was du danach mit dem Text machst. Suchst du Wochen später im eigenen Archiv, dann suche nach einem Bestandteil und nicht nach dem ganzen Wort, sonst findest du eine Aufnahme nicht, die längst da ist.

Dialekt, Österreich, die Schweiz

Standarddeutsch mit regionaler Färbung ist unproblematisch. Ein hörbarer bairischer, sächsischer oder schwäbischer Einschlag verschlechtert das Ergebnis, macht es aber nicht unbrauchbar. Breiter Dialekt, in dem auch die Grammatik und der Wortschatz vom Standard abweichen, schon.

Schweizerdeutsch ist dabei der klarste Fall und verdient eine deutliche Ansage: Gesprochen ist es keine Aussprachevariante des Standarddeutschen, sondern etwas anderes, und die Erkennung behandelt es entsprechend. Wenn im Meeting Schweizerdeutsch gesprochen wird, ist das kein Fall für diese App, und daran ändert auch die Sprachauswahl nichts. Schweizer Standarddeutsch dagegen, wie es in Vorträgen und Nachrichten gesprochen wird, ist Standarddeutsch.

Österreichisches Standarddeutsch ebenso. Wörter wie Jänner, Erdäpfel oder Sackerl sind Vokabular und nicht Dialekt – und Vokabular ist hier nicht die Schwierigkeit.

S4Sprachauswahl

Lange, scrollbare Sprachliste
Deutsch ausgewählt
Suchfeld über der Liste

Englisch mitten im deutschen Satz

Die Sprache wird pro Aufnahme gewählt, nicht pro Satz. Für deutsche Bürosprache heißt das etwas Konkretes: Ein Satz wie „das Deployment ist nach dem Sprint mit den Stakeholdern durch“ mischt zwei Sprachen in einer Aufnahme, die als deutsch angemeldet ist. Meist kommen solche Wörter trotzdem an, aber sie sind die wahrscheinlichste Fehlerquelle in einem sonst sauberen Transkript, zusammen mit Eigennamen und Produktnamen.

Wer ein ganzes Gespräch auf Englisch führt, wählt Englisch. Für den einzelnen Fachbegriff lohnt das nicht, für die Erwartung an das Ergebnis schon.

Diktieren und ein Seminar aufnehmen sind zwei Aufgaben

Der Unterschied zwischen einem brauchbaren und einem enttäuschenden Transkript ist meistens nicht die Sprache, sondern der Abstand zum Mikrofon. Dreißig Zentimeter, eine Stimme, ein ruhiger Raum: das obere Ende dessen, was geht. Telefon auf dem Pult, acht Meter Saal, Nachhall, Zwischenrufe und zwei Leute, die gleichzeitig reden: das untere. Dazwischen liegt der ganze Unterschied, den man sonst gern der Sprache zuschreibt.

Eine Sprechertrennung gibt es, und sie rechnet ebenfalls auf dem Telefon. Ein Mikrofon in der Nähe der sprechenden Person ersetzt sie trotzdem nicht – was nicht sauber aufgenommen wurde, kann keine Erkennung nachträglich hören.

Eine Sprachnachricht aus dem Chat ist übrigens der leichte Fall dieser Skala, weil sie nah am Mund aufgenommen wurde. Sprachnachrichten aus WhatsApp gehen denselben Weg wie eigene Aufnahmen.

Erkennungssprache und App-Sprache sind zwei Zahlen

Diese Unterscheidung steht auf jeder Seite dieser Reihe, weil sie überall durcheinandergeht. Die Engine erkennt 99 Sprachen. Die Oberfläche der App, also Knöpfe, Menüs und Einstellungen, erscheint in 39 App-Store-Lokalisierungen, und das sind 33 Sprachen, sobald man die regionalen Varianten nur einmal zählt.

Bei Deutsch fallen die beiden Antworten zusammen, was in dieser Seitenreihe eher die Ausnahme ist: Deutsch ist auf beiden Seiten dabei, in der Erkennung wie in der Oberfläche. Für die Transkription selbst spielt das ohnehin keine Rolle, denn die Aufnahmesprache wählst du in der Sprachliste und nicht in der Sprache der Knöpfe.

Wo die Grenzen liegen

Genauigkeit haben wir nicht gemessen. Für Deutsch so wenig wie für die anderen Sprachen, deshalb steht hier keine Zahl. Statt eines Prozentwerts, den niemand ausgerechnet hat, gibt es eine Prüfung: Nimm eine Minute so auf, wie du normalerweise aufnimmst, und sieh dir das Ergebnis an.
Schwieriges Audio bleibt schwierig. Mehrere Stimmen gleichzeitig, ein lauter Raum, das Telefon in der Jackentasche. Das verdirbt jedem System die Erkennung, auch einem in der Cloud.
Der Gratis-Tarif transkribiert die ersten 5 Minuten jeder Aufnahme. Die Aufnahme selbst bricht dabei nicht ab, der Ton läuft weiter und wartet. Die Anzahl der Aufnahmen ist unbegrenzt.
Der Dateiexport als .md oder .txt mit Zeitmarken ist eine Pro-Funktion. Kopieren geht in jedem Tarif.

Was es kostet

Pro kostet 19,99 € im Jahr oder 39,99 € einmalig. Die Erkennung rechnet auf deinem Gerät, deshalb zählt niemand Minuten mit.

Weiter: alle Sprachen, die Kaseta erkennt, oder warum ein Raum ohne Empfang daran nichts ändert.