Spracherkennung rät ständig falsch: Sprache festlegen

Wenn Sie in mehr als einer Sprache diktieren, kennen Sie den Fehler. Sie sagen einen Satz auf Rumänisch, und das Transkript kommt als phonetisch verstümmeltes Englisch zurück — echte Wörter, aber keines davon Ihres. Oder es kippt mitten im Satz: die erste Hälfte in der richtigen Sprache, die zweite in etwas, zu dem das Modell meinte, Sie hätten gewechselt. Oder, mein persönlicher Favorit, ein Alphabet-Mischmasch — lateinische Zeichen mit ein paar kyrillischen dazwischen, als hätte das Modell Buchstabe für Buchstabe abgesichert.

Das ist keine Beschwerde über ein einzelnes Produkt. Es ist ein vorhersehbares Fehlerbild automatischer Spracherkennung, Keebyes englisch getrimmten Standard eingeschlossen. Es trifft Menschen mit akzentbehaftetem Englisch und alle, die im Lauf des Tages die Sprache wechseln. Ein zweisprachiger Entwickler, dessen Slack auf Polnisch und dessen Commit-Messages auf Englisch laufen, liefert der automatischen Erkennung genau die gemischten Signale, mit denen sie am schlechtesten umgeht.

Die zweite Hälfte der Beschwerde ist leiser, aber ebenso real: Wenn es eine Spracheinstellung gibt, liegt sie oft vergraben. Drei Menüs tief, hinter einer Engine-Auswahl, hinter einem Schalter, dessen Name Sprache gar nicht erwähnt. Wenn Sie zwanzigmal am Tag die Sprache wechseln, ist eine vergrabene Einstellung faktisch keine Einstellung.

Ich möchte erklären, warum dieses Schwanken passiert — anhand der Kriegsgeschichte meines eigenen Produkts, denn Keebye hatte dieses Problem, bevor es die Lösung hatte — und dann zeigen, wie eine echte Lösung aussieht.

Warum die automatische Erkennung schwankt (und warum das nicht ganz ein Bug ist)

Hier die ehrliche Mechanik. Moderne Sprachmodelle erkennen die Sprache still, als Teil des Dekodierens. Das Modell hört zu, bildet eine interne Vermutung darüber, welche Sprache es hört, und dekodiert gegen diese Vermutung. Wenn das Audio sauber, akzentfrei und einsprachig ist, funktioniert das so gut, dass Sie nie darüber nachdenken.

Füttern Sie es jetzt mit echter Sprache. Ein Akzent verschiebt die Vokale in Richtung der Phoneme einer anderen Sprache. Ein Satz enthält drei englische Lehnwörter — jedes Fachgespräch tut das. Im Hintergrund ist ein Kind, oder Sie sitzen am Laptop-Mikrofon. Jedes davon macht die interne Sprachvermutung des Modells unsicherer, und eine unsichere Vermutung kann zwischen den Frames kippen. Kippt sie, kippt das Dekodieren mit, und Sie bekommen ein Transkript, das mitten im Gedanken die Sprache wechselt.

Der entscheidende Teil: In den meisten Werkzeugen verankert nichts diese Vermutung. Das Modell entscheidet still, pro Äußerung, und Sie haben kein Übersteuerungsrecht. Das ist kein Bug in einer bestimmten App — es ist das, was stille automatische Erkennung ist. Ein Modell, das eine Ermessensentscheidung trifft, die Sie nicht korrigieren können.

Ich kenne das aus nächster Nähe, denn Keebyes Standard-Engine hat genau diese Eigenschaft. Parakeet, unser englisch getrimmter Standard, ignoriert auf der Dekodierebene jeden Sprachhinweis — Sie können ihm nicht sagen, was Sie gleich sprechen. Bei klarem Englisch ist es ausgezeichnet, deshalb ist es der Standard. Bei unklarem Audio kann es zwischen Sprachen schwanken wie alles andere in dieser Kategorie. Ich erzähle Ihnen das zuerst über mein eigenes Produkt, denn die Lösung ergibt erst Sinn, wenn Sie akzeptieren, dass das Problem in der Architektur wohnt und nicht in der Schlampigkeit irgendeines Wettbewerbers.

Was bewirkt das Pinnen einer Sprache tatsächlich?

Die Lösung ist, das Modell nicht mehr raten zu lassen. Keebye bringt eine zweite Engine auf dem Gerät mit — NVIDIAs Canary 1B v2, auf int8 quantisiert —, die genau 25 Sprachen abdeckt: Bulgarisch, Kroatisch, Tschechisch, Dänisch, Niederländisch, Englisch, Estnisch, Finnisch, Französisch, Deutsch, Griechisch, Ungarisch, Italienisch, Lettisch, Litauisch, Maltesisch, Polnisch, Portugiesisch, Rumänisch, Slowakisch, Slowenisch, Spanisch, Schwedisch, Russisch und Ukrainisch. Anders als die Standard-Engine nimmt Canary eine Sprachanweisung entgegen und befolgt sie.

Keebye stellt das als Pin bereit: eine explizite Spracheinstellung, die für jede Äußerung an die Canary-Engine übergeben wird. Pinnen Sie Rumänisch, und der Decoder nutzt Rumänisch, statt eine automatische Sprachwahl zu treffen. Die Erkennung kann weiterhin falsch liegen, besonders bei Lehnwörtern und lautem Audio, aber die Sprachwahl ist keine ungeprüfte Vermutung mehr.

Die Einstellung wird live gelesen, pro Diktat. Ändern Sie sie, und das nächste Halten-zum-Diktieren nutzt die neue Sprache, ohne die App neu zu starten. Das zählt mehr, als es klingt: Eine Sprachsteuerung ist weit nützlicher, wenn ihr Umschalten die Arbeit nicht unterbricht.

Und weil Canary wie alles andere in Keebye auf dem Gerät läuft, kostet der Pin Sie nicht die Datenschutzgeschichte. Das Modell ist etwa 1,3 GB groß und wird einmal heruntergeladen; danach verlassen Ihr Rumänisch, Ihr Polnisch, Ihr Ukrainisch nie die Maschine. (Warum wir lokales mehrsprachiges Diktat überhaupt für wichtig halten, ist ein eigener Beitrag — Warum Diktieren für Entwickler nicht nur auf Englisch funktionieren sollte. Dieser hier ist seine praktische Fortsetzung: Jener Beitrag argumentiert für die Sprachen, dieser macht sie tatsächlich benutzbar.)

Zwei Klicks statt drei Menüs tief

Ein Pin, den Sie nicht erreichen, ist ein Pin, den Sie nicht nutzen — deshalb sitzt der Umschalter in der Menüleiste. Keebyes Menüleisten-Symbol hat ein Menü „Diktatsprache“ mit einer kuratierten Auswahl von 11 Sprachen: Englisch, Rumänisch, Französisch, Deutsch, Spanisch, Italienisch, Portugiesisch, Niederländisch, Polnisch, Russisch, Ukrainisch. Zwei Klicks aus jeder App: auf das Symbol klicken, auf die Sprache klicken. Sie öffnen keine Einstellungen und verlassen das Fenster nicht, in dem Sie gearbeitet haben.

Die vollständige Liste mit 25 Sprachen steht in den Einstellungen, für die Sprachen außerhalb der Auswahl. Aber die Auswahl deckt den Alltag der meisten zweisprachigen Arbeit ab: Sie schreiben Ihrem Team in der einen Sprache und einem Kunden oder KI-Agent in einer anderen, und der Wechsel soll nichts kosten.

Es gibt noch eine Option, die man kennen sollte, weil sie für manche die Nutzung des Pins vollständig verändert: einen Schalter zum Übersetzen ins Englische. Sie sprechen Ihre Sprache, am Cursor landet Englisch — dieselbe Engine, dieselbe Ausführung auf dem Gerät. Wenn Ihr innerer Monolog auf Rumänisch läuft, Ihre Ausgabe aber Englisch sein muss (Commit-Messages, Prompts an einen Coding-Agent, Antworten an ein internationales Team), lässt das den Übersetzungsschritt entfallen, den Sie im Kopf gemacht haben. Ich nutze das häufiger, als ich erwartet hätte.

Was der Pin Sie kostet

25 Sprachen sind 25 Sprachen. Cloud-Diktierwerkzeuge listen weit mehr, denn Audio an ein großes serverseitiges Modell zu schicken ist der billige Weg, Sprachen hinzuzufügen. Das ist der echte Zielkonflikt beim Betrieb auf dem Gerät: Ein Modell, das auf Ihren Mac passt, deckt weniger von der Welt ab als ein Modell, das ein Rechenzentrum füllt. Wenn Ihre Sprache nicht auf der Liste der 25 steht, deckt Keebyes mehrsprachige Engine Sie heute nicht ab, und das sage ich lieber, als aufzurunden.

Ein Pin ist ein Pin. Das ist die Kehrseite der Determiniertheit, und ich will das klar sagen: Wenn Sie Rumänisch pinnen und dann Englisch sprechen, dekodiert Keebye Ihr Englisch getreulich falsch als Rumänisch, bis Sie umschalten. Die Engine tut genau das, was Sie ihr gesagt haben. Der ganze Reiz automatischer Erkennung war, dass Sie nie darüber nachdenken müssten — der Pin tauscht diese Bequemlichkeit gegen Vorhersagbarkeit. Aus meiner Erfahrung lohnt sich der Tausch, denn eine falsche Vermutung, die Sie nicht steuern können, ist schlimmer als eine falsche Einstellung, die Sie in zwei Klicks korrigieren. Aber es ist ein Tausch, kein Freibier.

Die Auswahl in der Menüleiste umfasst 11 Sprachen, nicht 25. Wenn Ihr tägliches Sprachpaar zum Beispiel Finnisch oder Griechisch enthält, gehen Sie für eine Seite davon über die Einstellungen. Kuratieren heißt, dass jemandes Sprache es nicht ins Schnellmenü geschafft hat.

Wo das die Beschwerde hinführt

Die Beschwerde auf Kategorieebene — „mein Diktat kommt ständig in der falschen Sprache heraus“ — ist in Wahrheit eine Beschwerde über stille Entscheidungen. Das Modell hat geraten, die Vermutung war falsch, und es gab keine Möglichkeit, ihm etwas anderes zu sagen. Jede Lösung, die das Raten beibehält (bessere Erkennung, längere Audiofenster, Konfidenzschwellen), macht den Fehler nur seltener und seltsamer. Die Lösung, die die Beschwerde wirklich beendet, gibt dem Nutzer die Entscheidung zurück.

Wenn Sie das gerade mit einem anderen Werkzeug erleben: Unsere Vergleichsseiten sind ehrlich darin, wo welches Werkzeug passt — Keebye vs Superwhisper und Keebye vs Wispr Flow behandeln unter anderem die Sprachfrage. Um den Pin selbst auszuprobieren, starten Sie unten Ihre kostenlose Testphase, wiederholen Sie den rumänischen oder polnischen Satz vom Anfang dieses Artikels und sehen Sie, wie viel des Schwankens von einer ungeprüften Vermutung kam statt von Ihrem Akzent.