Eine Spracherkennungs-Engine kann Dutzende von Sprachen über separate Aufnahmen hinweg erkennen und dennoch ins Straucheln geraten, wenn ein Sprecher mitten im Satz die Sprache wechselt. Für die mehrsprachige Audio-Transkription sollten Sie drei verschiedene Fragen stellen: Welche Sprachen kann das Modell erkennen, wie wählt es eine Sprache aus, und behält es Wechsel innerhalb einer Aufnahme bei? Eine einzige angegebene Sprachanzahl kann nicht alle drei beantworten.
Dieser Leitfaden vergleicht dokumentiertes Verhalten für bestimmte Modellkonfigurationen und gibt Ihnen einen kurzen Test an die Hand, der übersehene Wechsel sichtbar macht. Einen breiteren Vergleich von Live- und Aufnahme-Tools finden Sie in unserem Leitfaden zur mehrsprachigen Transkription.
- Die Sprachabdeckung ist der unterstützte Sprachumfang eines Modells. Sie ist keine Garantie dafür, dass jede Kombination in einer Datei funktioniert.
- Die automatische Spracherkennung kann aus Kandidaten die passendste Sprache auswählen, ohne jede gesprochene Sprache zu transkribieren.
- Code-Switching bedeutet, Sprachwechsel im Transkript beizubehalten, einschließlich Wechseln innerhalb eines Satzes. Prüfen Sie das genaue Modell und die Einstellung.
- Messen Sie die Ausgabe an jedem Wechselpunkt mit Ihrer eigenen Aufnahme; Anbieter-Benchmarks können diese Prüfung nicht ersetzen.
Drei Spezifikationen, nach denen Sie fragen sollten
Abdeckung beantwortet, ob ein Modell eine Sprache überhaupt unterstützt. Erkennung beantwortet, wie es unter möglichen Sprachen für eine Anfrage auswählt. Code-Switching beantwortet, ob es Änderungen innerhalb dieser Anfrage verfolgen kann. Das sind getrennte Verhaltensweisen, und die Modellversion ist ebenso wichtig wie der Anbietername.
Zum Beispiel erlaubt der Leitfaden zur automatischen Spracherkennung von Google Cloud Speech-to-Text bis zu drei Kandidatensprachen und sagt, dass der Dienst die am besten passende Sprache aus dieser Liste verwendet. Drei zählt hier als Kandidaten zur Auswahl; es ist kein Versprechen, dass alle drei in einem einzigen Transkript korrekt erscheinen. Die Google-Seite beschränkt diese Funktion außerdem auf bestimmte Modelle und Regionen.
Was die Modelldokumentation tatsächlich sagt
| Modell oder Einstellung | Dokumentiertes Verhalten | Zu testende Frage |
|---|---|---|
| Open-Source-Whisper-Standardtranskription | Erkennt eine Sprache anhand von bis zu den ersten 30 Sekunden, wenn keine angegeben ist, und verwendet diese Sprache dann für die Dekodierung. | Was passiert, wenn sich die Sprache später in der Datei ändert? |
| Google Cloud Speech-to-Text V2 automatische Erkennung | Wählt eine am besten passende Sprache aus bis zu drei Kandidaten aus. Das ist Sprachauswahl, keine veröffentlichte Code-Switching-Garantie. | Behält die Ausgabe beide Sprachen an den Wechselpunkten bei? |
| AssemblyAI-Code-Switching-Konfiguration | Die dokumentierte manuelle Sprachcode-Einstellung akzeptiert bis zu zwei Codes, einer davon Englisch; die automatische Code-Switching-Einstellung kann bis zu zwei erkennen. | Deckt diese Konfiguration Ihr gewähltes Modell und Sprachpaar ab? |
| AssemblyAI Universal-3.5 Pro | Dokumentiert natives Code-Switching über 18 unterstützte Sprachen hinweg. Achtzehn beschreibt den unterstützten Satz, nicht ein angegebenes Maximum pro Datei. | Sind alle Sprachen in Ihrem Clip unter diesen 18, und wie genau sind die Wechsel? |
| Deepgram Nova-2 mehrsprachig | Der dokumentierte mehrsprachige Modus unterstützt Code-Switching zwischen Englisch und Spanisch. | Verwendet Ihre Aufnahme genau dieses Paar und diesen Modus? |
| Deepgram Nova-3 mehrsprachig | Deepgram dokumentiert Code-Switching über einen Satz von zehn Sprachen mit language=multi. Zehn ist der Sprachumfang des Modells, nicht ein veröffentliches Maximum an Sprachen pro Aufnahme. | Bewahrt der konfigurierte Modus kurze Wechsel in Ihren Zielsprachen? |
Diese Zeilen beschreiben unterschiedliche Arten von Grenzen. Ordnen Sie ihre Zahlen nicht so, als würden sie dasselbe messen. Insbesondere sind die Kandidatenanzahl von Google und die unterstützten Sätze für Universal-3.5 Pro und Nova-3 nicht als pro Datei geltende Obergrenzen vergleichbar. OpenAIs gehostete Datei-Transkriptions-API ist ebenfalls ein separates Produkt von dem oben verlinkten Open-Source-Whisper-Code; testen Sie das aktuelle Modell unabhängig.
So testen Sie eine mehrsprachige Aufnahme
- Erstellen Sie einen Referenzclip. Nehmen Sie zwei Minuten mit echten Sprechern auf. Integrieren Sie jede Zielsprache, mehrere Wechsel, einen Wechsel mitten im Satz und Namen, die für Ihr Team wichtig sind.
- Bewahren Sie ein manuelles Referenztranskript auf. Markieren Sie jeden Sprachwechsel und jedes Eigennamen, damit Sie genau sehen können, was übersehen wurde.
- Verwenden Sie die exakten Produktionseinstellungen. Fixieren Sie die Modellversion und aktivieren Sie den dokumentierten mehrsprachigen oder Code-Switching-Modus des Anbieters. Speichern Sie die Anfrageeinstellungen zusammen mit dem Ergebnis.
- Lesen Sie jeden Wechselpunkt. Achten Sie auf ausgelassene Wörter, Wörter, die in der falschen Schrift umgeschrieben wurden, Übersetzung, obwohl Sie Transkription angefordert haben, und Sprachlabels, die der Sprache hinterherhinken.
- Wiederholen Sie den Test mit Ihrem schwierigsten Paar. Fügen Sie nur dann Rauschen oder eine dritte Sprache hinzu, wenn diese Bedingungen in Ihren echten Aufnahmen vorkommen. Vergleichen Sie die Ergebnisse mit derselben Referenz und organisieren Sie für folgenschwere Einsätze eine menschliche Prüfung.
Eine Genauigkeitsangabe eines Anbieters kann andere Sprachen, Sprecher und Bewertungsregeln verwenden. Dieses Verfahren zeigt Ihnen, ob die Ausgabe für Ihre Audioaufnahme funktioniert. Wenn Ihr Workflow auch Übersetzung benötigt, behandelt unser Leitfaden zu Übersetzungstools diesen separaten Schritt.
Wo MirrorCaption hineinpasst
Der Live-Pfad von MirrorCaption ist für Untertitel und Übersetzung während eines Gesprächs ausgelegt. Der aktuelle Client sendet Sprachhinweise mit aktivierter Spracherkennung; Einweg-Übersetzung kann erkannte Quellsprachen akzeptieren, die vom konfigurierten Dienst unterstützt werden. Automatische Erkennung fügt keine Unterstützung für eine nicht unterstützte Sprache hinzu. Diese Konfiguration ist keine gemessene Garantie für jedes Sprachpaar oder jeden Wechsel mitten im Satz. Testen Sie eine Live-Sitzung mit Ihren echten Sprechern, bevor Sie sich darauf verlassen. Unser Leitfaden für mehrsprachige Callcenter deckt den Live-Workflow ab.
Die aktuelle Datei-Upload-Oberfläche sendet einen ausgewählten Quellsprachen-Hinweis. Schließen Sie aus der Live-Konfiguration nicht, dass hochgeladene Aufnahmen dieselbe mehrsprachige Behandlung erhalten. Testen Sie bei einer fertigen Aufnahme mit mehreren Sprachen das Upload-Ergebnis und verwenden Sie einen spezialisierten Code-Switching-Dienst oder eine menschliche Prüfung, wenn wichtige Passagen fehlen.
Jedes neue Konto enthält einmalig eine kostenlose Stunde, ohne Kreditkarte. Der aktuelle Jahresplan kostet 54.99 € für 110 Stunden pro Jahr; prüfen Sie vor dem Kauf die aktuellen Preise.
Häufig gestellte Fragen
Bedeutet eine Liste mit 99 Sprachen, dass eine Aufnahme alle 99 enthalten kann?
Nein. Eine Liste unterstützter Sprachen sagt Ihnen, welche Sprachen ein Modell erkennen kann. Prüfen Sie die separate Dokumentation für automatische Erkennung und Code-Switching innerhalb einer Aufnahme.
Ist die Auswahl von drei Kandidatensprachen dasselbe wie Code-Switching?
Nein. Die Dokumentation von Google Cloud Speech-to-Text sagt, dass die automatische Erkennung die am besten passende Sprache aus bis zu drei Kandidaten auswählt. Diese Einstellung verspricht kein gemischtes Sprachtranskript.
Kann Open-Source-Whisper einen Sprachwechsel automatisch verfolgen?
Der Standardpfad der Whisper-Transkription erkennt eine Sprache anhand von bis zu den ersten 30 Sekunden und verwendet diese Wahl für die Dekodierung. Gehen Sie nicht von einem automatischen Wechsel mitten in der Datei aus; testen Sie einen gemischten Sprachclip oder segmentieren Sie ihn bewusst.
Kann MirrorCaption eine mehrsprachige Aufnahme verarbeiten?
MirrorCaption-Live-Sitzungen verwenden Spracherkennung und Sprachhinweise. Die aktuelle Datei-Upload-Oberfläche sendet einen ausgewählten Quellsprachen-Hinweis. Testen Sie eine repräsentative Aufnahme, bevor Sie sich auf gemischte Upload-Ausgaben verlassen.
Bringen Sie das Modell dazu, die Behauptung zu beweisen
Wählen Sie ein Modell für das Sprachpaar und den Workflow, den Sie tatsächlich haben. Prüfen Sie die Code-Switching-Dokumentation, speichern Sie die exakten Einstellungen und testen Sie einen Clip mit echten Wechselpunkten. Eine lange Sprachliste ist ein erster Filter; das Transkript selbst ist der Kaufbeleg.
Probieren Sie eine Live-Mehrsprachensitzung aus
Verwenden Sie Ihre eigenen Sprecher und Ihr eigenes Sprachpaar. Ihre erste Stunde ist kostenlos.
Kostenlos starten