Schweizerdeutsch transkribieren: Was KI aus Mundart macht

Warum Mundart für Spracherkennung so schwierig ist

Schweizerdeutsch ist kein Akzent, sondern eine Gruppe von Dialekten mit eigenem Wortschatz, eigener Grammatik und eigener Aussprache. Wer aus Hamburg kommt und zum ersten Mal Walliserdeutsch hört, versteht oft wenig, und automatischen Systemen geht es ähnlich. Die Gründe sind gut nachvollziehbar:

• Es gibt keine verbindliche Rechtschreibung. Ob jemand „gsi“, „gsii“ oder „gsy“ schreibt, ist Geschmackssache. Für das Training von Spracherkennung fehlen dadurch große Mengen einheitlich verschrifteter Mundart.
• Die Schweiz lebt in einer Diglossie: Gesprochen wird Mundart, geschrieben meist Standarddeutsch. Untertitel, Protokolle und Zeitungen liegen fast immer auf Hochdeutsch vor, also lernt eine Maschine vor allem diese Kombination aus Mundart-Ton und hochdeutschem Text.
• Die Unterschiede zwischen den Regionen sind groß. Berndeutsch, Zürichdeutsch, Baseldeutsch, Ostschweizer Dialekte und Walliserdeutsch klingen teils sehr verschieden.
• Wortschatz und Grammatik weichen ab: „luege“ statt „schauen“, „poschte“ statt „einkaufen“, das Präteritum fehlt fast völlig, und Relativsätze werden oft mit „wo“ gebildet.

Ähnliches gilt, in unterschiedlichem Ausmaß, für starke Dialekte in Deutschland und Österreich, etwa Bairisch, Schwäbisch, Tirolerisch oder Plattdeutsch. Allgemeine Hintergründe zu Akzenten und Dialekten bietet der Beitrag über Spracherkennung und Akzente (Englisch).

Was dabei herauskommt: meist Hochdeutsch

Die meisten großen Spracherkennungsmodelle, auch das quelloffene Modell Whisper, kennen Schweizerdeutsch nicht als eigene Sprache. Sie ordnen die Aufnahme dem Deutschen zu und schreiben, was sie verstehen, in hochdeutscher Form. Praktisch ist das eine Mischung aus Transkription und sinngemäßer Übertragung.

Gesprochen, Zürichdeutsch: „Mir händ geschter am Abig no lang zäme gredet, aber de Entscheid isch no nöd gfalle.“
Mögliches Ergebnis: „Wir haben gestern am Abend noch lange zusammen geredet, aber der Entscheid ist noch nicht gefallen.“

Im günstigen Fall ist so ein Text gut lesbar und inhaltlich nah am Gesagten. Typische Schwachstellen sind aber:

• Mundartwörter ohne naheliegende hochdeutsche Entsprechung werden falsch gedeutet oder lautähnlich ersetzt.
• Ortsnamen, Familiennamen und Firmennamen aus der Region werden verballhornt.
• Bei schnellem Sprechen oder sehr ausgeprägtem Dialekt fallen Satzteile weg, oder der Text glättet etwas, das so nicht gesagt wurde.
• Helvetismen wie „Entscheid“, „parkieren“ oder „Velo“ bleiben mal erhalten, mal werden sie durch bundesdeutsche Wörter ersetzt.
• Ein Wechsel zwischen Mundart und Hochdeutsch, etwa wenn jemand ein Zitat vorliest, ist im Ergebnis nicht mehr zu erkennen.

Der hochdeutsche Text ist deshalb keine wörtliche Abschrift. Für eine Sitzungsnotiz oder die Suche in einem Archiv reicht das oft. Für Sprachwissenschaft oder ein Gerichtsprotokoll nicht.

Wann ein solches Ergebnis genügt und wann nicht

Ob die automatische Fassung brauchbar ist, hängt vom Zweck ab. Diese Fragen helfen bei der Einschätzung:

Inhalt erfassen, Stichworte suchen

meist gut geeignet, mit kurzer Kontrolle

Zitate für Artikel oder Berichte

nur nach Abgleich mit dem Audio

Qualitative Interviews in Abschlussarbeiten

als Rohfassung brauchbar, gründliche Überarbeitung nötig

Dialektforschung, Sprachdokumentation

ungeeignet, hier braucht es eine Mundartverschriftung

Untertitel für ein Schweizer Publikum

Hochdeutsch ist bei Untertiteln ohnehin üblich, gegenlesen bleibt Pflicht

In vielen Schweizer Forschungsprojekten wird ohnehin in Standarddeutsch transkribiert, weil das lesbarer ist und sich besser auswerten lässt. Wichtig ist, dass Sie die gewählte Regel im Methodenteil offenlegen. Welche Konventionen es dafür gibt, beschreiben der Beitrag über Transkriptionskonventionen in der Forschung (Englisch) und unser Artikel Interview transkribieren: Regeln.

Was mydubly bei Mundart leistet und was nicht

mydubly unterstützt Deutsch, aber keine einzelnen Dialekte. Eine Auswahl wie „Schweizerdeutsch“ oder „Bairisch“ gibt es nicht, und die Ausgangssprache lässt sich ohnehin nicht manuell festlegen; sie wird automatisch erkannt („Source: Auto detect“). Die Spracherkennung basiert auf Whisper. Bei Mundartaufnahmen bekommen Sie deshalb in aller Regel einen hochdeutschen Text mit den oben beschriebenen Schwächen.

So gehen Sie vor, wenn Sie es mit einer Aufnahme ausprobieren wollen:

1. Video auf der Startseite in „Drop a video here“ ziehen, eine reine Tonaufnahme in „Drop audio here“.
2. Den Schalter „Full translation output“ beziehungsweise „Audio and text output“ ausgeschaltet lassen, damit nur das Transkript entsteht, und unter „Select language“ German wählen. Der Text kommt dann unübersetzt zurück.
3. Mit „Transcribe video“ oder „Transcribe audio“ starten und den Tab geöffnet lassen.
4. „Download timestamped transcript“ herunterladen. Die Zeitmarken brauchen Sie für die Korrektur.

Was mydubly nicht bietet: keine Mundartschreibung, keine Dialektauswahl, keine Sprecherkennung, keine Bearbeitungsoberfläche und keine Möglichkeit, eigene Begriffe oder Namen vorzugeben. Wer eine Übersetzung braucht, etwa ins Englische für ein internationales Team, wählt unter „Select language“ statt German die Zielsprache. Bedenken Sie aber, dass Erkennungsfehler dabei mitübersetzt werden. Alles zu Videos als Text finden Sie auf der Seite Video in Text umwandeln (Englisch).

Tipps für bessere Ergebnisse mit Dialektaufnahmen

Die Aufnahme ist der größte Hebel, und hier lässt sich mehr herausholen, als viele denken.

• Ein gutes Mikrofon nah am Mund schlägt jede Nachbearbeitung. Das Handy auf dem Tisch in einer halligen Beiz ist der schwierigste Fall.
• Wenn es zum Zweck passt, können Sie Gesprächspartner fragen, ob sie Hochdeutsch sprechen möchten. Viele Schweizerinnen und Schweizer empfinden das allerdings als unnatürlich, und die Antworten werden steifer. Wägen Sie ab, was Ihnen wichtiger ist.
• Zu Beginn Namen, Orte und Fachbegriffe deutlich nennen lassen und eine Liste davon führen. Sie dient später als Korrekturhilfe.
• Ruhiges Tempo und klare Sprecherwechsel helfen. Überlappungen sind bei jedem Dialekt der Hauptgrund für Lücken.
• Lange Aufnahmen nicht künstlich zerstückeln. Mehr Kontext hilft der Erkennung eher, als dass er schadet; bei mehr als zwei Stunden müssen Sie die Datei aber teilen.

Korrekturlesen mit Ohr für den Dialekt

Ein automatisch erzeugter Text aus Mundart sollte immer von jemandem gegengelesen werden, der den Dialekt versteht. Am effizientesten geht das so:

1. Transkript mit Zeitmarken neben dem Audio öffnen und das Audio mit leicht erhöhter Geschwindigkeit abspielen.
2. Zuerst nur Namen, Zahlen und Orte prüfen, danach den Sinn ganzer Sätze.
3. Stellen, die nicht eindeutig zu verstehen sind, mit einer Markierung wie [unverständlich, 4:12] versehen statt zu raten.
4. Bei Texten für ein Schweizer Publikum „ß“ durch „ss“ ersetzen, denn in der Schweiz wird kein Eszett verwendet. Das geht per Suchen und Ersetzen in Sekunden.

Eine ausführliche Methode zum Gegenlesen beschreibt der englische Beitrag KI-Transkripte korrigieren (Englisch). Wer Aufnahmen aus dem Hörsaal verarbeitet, findet im Artikel Vorlesung transkribieren weitere Hinweise; an Schweizer Hochschulen wird in Vorlesungen meist Hochdeutsch gesprochen, was die Erkennung deutlich erleichtert.

Kosten für ein typisches Projekt

Für Transkripte gilt der günstigste Tarif: 1 Credit pro angefangener Minute, mindestens 5 Credits pro Datei, Prepaid ohne Abo. 1.000 Credits kosten einen US-Dollar, und nach der Anmeldung stehen 100 Credits gratis zur Verfügung. Damit können Sie bis zu 100 Minuten Ihrer eigenen Aufnahmen testen, bevor Sie etwas bezahlen.

Für ein Projekt dieser Art empfiehlt es sich, zuerst ein einzelnes Interview zu testen. Danach wissen Sie, wie viel Korrektur Ihre Aufnahmen tatsächlich brauchen, und können Ihren Zeitplan danach ausrichten.