Eine Sprachnotiz sieht nach einer Handlung aus und besteht tatsächlich aus vieren: Das Mikrofon nimmt auf, die Datei wird gespeichert, ein Spracherkennungsmodell macht aus Audio Text, und irgendetwas indexiert diesen Text, damit er später auffindbar ist. Wer weiß, wo die Nahtstellen liegen, versteht das meiste, was daran überrascht — warum Transkripte an Namen scheitern, warum die Genauigkeit im Café zusammenbricht und warum eine App, die transkribiert, nicht zwangsläufig eine App ist, in der man hinterher etwas wiederfindet.
Schritt eins: was eine Aufnahme tatsächlich erfasst
Dein Telefon misst den Luftdruck am Mikrofon tausende Male pro Sekunde und speichert die Zahlen. Spracherkennung arbeitet üblicherweise mit Audio, das auf 16.000 Abtastwerte pro Sekunde in einem einzigen Kanal heruntergerechnet wurde, denn fast alle Information, die Sprachlaute unterscheidet, liegt unterhalb von 8 kHz. Musikaufnahmen nutzen 44.100 und mehr; Sprache braucht das nicht.
Deshalb sind Sprachnotizen als Dateien klein, und deshalb zählt die Position des Mikrofons mehr als seine Qualität. Ein Telefon in der Hosentasche nimmt vor allem Stoff auf, und kein nachgelagertes Modell stellt wieder her, was das Mikrofon nie bekommen hat.
Schritt zwei: von Audio zu Text
Moderne Spracherkennung bildet Audio direkt auf Text ab — mit einem neuronalen Modell, das auf sehr großen Mengen transkribierter Sprache trainiert wurde. Es hat die ältere Kette aus getrennten akustischen, Aussprache- und Sprachmodellen abgelöst. Praktische Folge: Das Modell rät einen plausiblen Satz, statt Laute einzeln zu dekodieren.
Daher sehen die Fehler so aus, wie sie aussehen. Erkenner produzieren selten Kauderwelsch; sie produzieren flüssige, falsche Wörter — aus dem Nachnamen einer Kollegin wird ein ähnlich klingendes Substantiv, aus einem Produktnamen eine gewöhnliche Wendung. Das Ergebnis ist immer ein vollständig wirkender Satz, was Fehler schwerer bemerkbar macht als Rauschen oder Stille.
Wie Genauigkeit gemessen wird — und was zu erwarten ist
Die übliche Kennzahl ist die Wortfehlerrate: Einfügungen, Auslassungen und Ersetzungen, geteilt durch die Zahl der tatsächlich gesprochenen Wörter. 5 % Wortfehlerrate heißt, jedes zwanzigste Wort ist falsch — für die Suche meist verkraftbar, bei einer Zahl oder einem Namen gelegentlich fatal.
Grobe Erwartungen, die je nach System und Aufbau stark schwanken:
- Deutliche Sprache, ruhiger Raum, verbreiteter Akzent: Fehlerraten von wenigen Prozent bei Alltagswortschatz.
- Hintergrundgeräusche, mehrere Sprechende oder Abstand zum Mikrofon: Die Fehlerrate steigt stark, oft um ein Mehrfaches.
- Eigennamen, Fachbegriffe und Sätze mit Sprachwechsel: mit Abstand die schwächste Stelle, weil seltene Wörter in Trainingsdaten kaum vorkommen.
- Zahlen, Datumsangaben und Buchstabierungen: werden nach Konvention formatiert, deshalb kann „fünfzehnhundert“ je nach System als 1500 oder ausgeschrieben zurückkommen.
Schritt drei: ein Transkript auffindbar machen
Transkription und Wiederfinden sind getrennte Probleme, und viele Apps lösen nur das erste. Liegt das Transkript bei der einzelnen Aufnahme und wird nach exakten Stichwörtern durchsucht, findest du es nur, wenn du dich an ein Wort erinnerst, das du wirklich gesagt hast — und genau das ist Monate später verschwunden.
Bedeutungsbasierter Abruf verschiebt die Anforderung: Eine Notiz, in der du „der Lieferant reißt ständig Termine“ gesagt hast, ist über „Problem mit der Zuverlässigkeit des Anbieters“ erreichbar. Das ist der Unterschied zwischen einem Rekorder und einem durchsuchbaren Archiv, und in Funktionslisten ist er unsichtbar, weil beide Transkription versprechen.
Warum Sprechen beim Erfassen das Tippen schlägt
Der Abstand ist mechanisch. Sprechen läuft im Gespräch bei etwa 130 bis 150 Wörtern pro Minute, das Tippen am Telefon bei den meisten bei etwa 35 bis 40. Ein neunzig Sekunden langer Weg zum Auto trägt einen vollständigen Gedanken, der das Tippen mit einem Daumen nicht überlebt hätte.
Der Preis ist Präzision. Gesprochene Notizen schweifen ab, setzen neu an und lassen den Gegenstand implizit — „er sagte, das werde nicht funktionieren“ ist dir ungefähr einen Tag lang klar. Die billige Abhilfe ist ein einziger Schlusssatz, der die Person, das Thema und den Grund der Aufnahme benennt.
Was Sprachnotizen nicht leisten
Sie korrigieren sich nicht selbst. Ein falscher Name im Transkript bleibt falsch, solange nichts die Unsicherheit markiert oder du es bemerkst — und die Flüssigkeit des Textes hält aktiv davon ab, nachzusehen. Das Original-Audio neben dem Text zu behalten ist das einzige echte Mittel: Die Aufnahme ist der Beleg, das Transkript nur seine Deutung.
Sie lösen auch den Fall nicht, in dem du den Kontext nie ausgesprochen hast. Und ist eine Sprache, die du sprichst, in den Trainingsdaten eines Modells schwach vertreten, rechne in dieser Sprache mit deutlich schlechteren Ergebnissen als im Englischen — ganz gleich, was das Marketing sagt.
Behandle das Transkript als durchsuchbaren Index und das Audio als Quelle der Wahrheit. Teste jede App für Sprachnotizen mit einer unsauberen Aufnahme — Hintergrundgeräusch, zwei Namen, eine Zahl — und suche sie eine Woche später mit Wörtern, die du nicht gesagt hast.