Sprache zu Text

Sprache zu Text macht aus Ihrem Mikrofon eine Tastatur. Ein Klick, natürlich sprechen, und fertige Phrasen erscheinen im erkennenden Moment in einem bearbeitbaren Transkript, während noch nicht endgültige Wörter abgedunkelt darüber stehen. Das ist nützlich für freihändige Notizen, Entwürfe, Barrierefreiheit und das Prüfen der Aussprache in einer Fremdsprache — und weil es auf der Web Speech API läuft, muss nichts installiert werden.

Anleitung

1. Erkennungssprache wählen. Wählen Sie aus der Liste mit 12 Sprachen. Der Standard folgt der Seitensprache, lässt sich aber jederzeit ändern.
2. Diktat starten. Klicken Sie auf „Diktat starten“ und erlauben Sie den Mikrofonzugriff, wenn der Browser fragt.
3. Sprechen und beobachten. Zwischenwörter erscheinen abgedunkelt in der Live-Zeile; sobald die Engine eine Phrase festschreibt, wird sie an das Transkript darunter angehängt.
4. Bei Bedarf stoppen. Klicken Sie auf „Diktat stoppen“. Das Transkript bleibt auf der Seite.
5. Bearbeiten, kopieren oder herunterladen. Korrigieren Sie Fehler im Textfeld und nutzen Sie dann Kopieren oder Als .txt herunterladen. Wort- und Zeichenzahl aktualisieren sich beim Tippen.

Was die Live-Ansicht zeigt

Zwei Textbereiche aktualisieren sich gleichzeitig. Die Zwischenzeile über dem Transkript enthält die Phrase, die die Engine noch errät; sie ändert sich, während die Engine ihre Hypothese verfeinert, weshalb sie mitten im Satz flackern kann. Der Transkriptbereich erhält nur festgeschriebene Phrasen, wächst also in stabilen Blöcken, statt sich selbst umzuschreiben. Wort- und Zeichenzählung im eigenen Zähler des Tools verwenden eine für Diktat geeignete Regel: Lateinische Wörter werden nach Leerzeichen gezählt, während jedes CJK-Ideogramm oder Kana-Zeichen als eigenes Wort gilt, weil diese Schriften ohne Leerzeichen geschrieben werden.

Weil Zwischentext nie festgeschrieben wird, ist ein Wort in der abgedunkelten Zeile noch nicht Teil des Transkripts. Stoppen Sie das Diktat, während eine Phrase noch vorläufig ist, kann diese Phrase verloren gehen — beenden Sie den Gedanken, bevor Sie auf Stopp klicken, oder lassen Sie die Engine ihn zuerst festschreiben. Die Engine schreibt an natürlichen Pausen bereitwilliger fest, ein kurzer Atemzug am Satzende verbessert also sowohl die Genauigkeit als auch das Festhalten des Textes.

Zusammenführen und Abstände des Transkripts

Wenn eine endgültige Phrase eintrifft, wird sie nicht einfach aneinandergehängt. Das Zusammenführen fügt ein einzelnes Leerzeichen zwischen das vorhandene Transkript und das neue Segment ein, mit zwei Ausnahmen. Beginnt das neue Segment mit schließendem Satzzeichen — Komma, Punkt, Fragezeichen, Doppelpunkt, Klammer oder den CJK-Entsprechungen — wird kein Leerzeichen gesetzt, sodass „hello, world“ statt „hello , world“ entsteht. Endet der vorhandene Text auf einem CJK-Zeichen, wird ebenfalls kein abschließendes Leerzeichen gesetzt, damit chinesische und japanische Ausgabe fortlaufend bleibt. Leere und nur aus Leerzeichen bestehende Segmente werden vollständig übersprungen, ein stilles Erkennungsereignis hinterlässt also nie eine zufällige Lücke.

Das ist wichtig, weil Erkennungs-Engines Segmente an unvorhersehbaren Grenzen ausgeben. Derselbe gesprochene Satz kann als ein Block oder als drei ankommen, und ein naives Anhängen an ein Textfeld würde doppelte Leerzeichen oder ein Leerzeichen vor jedem Komma erzeugen. Die Zusammenführungsregeln normalisieren das weg, weshalb das Transkript meist sauber genug zum Kopieren ist, ohne dass eine Formatierungsrunde nötig wird. Manuelles Bearbeiten überschreibt weiterhin alles: Tippen im Textfeld gilt als gewöhnlicher Text, und das nächste endgültige Segment wird an das angehängt, was dort steht, einschließlich Ihrer Korrekturen.

Unterstützte Sprachen und Browser

Die Erkennung übernimmt der Browser, weshalb die Unterstützung uneinheitlich ist. Chrome und Edge bieten sie auf dem Desktop und unter Android; Safari unterstützt sie ab 14.1 und verarbeitet möglicherweise einen Teil des Audios auf dem Gerät; Firefox hat überhaupt keine SpeechRecognition-Implementierung, daher ersetzt das Tool die Oberfläche durch einen Hinweis. Die 12 ausgewählten Sprachen decken die häufigsten Anwendungsfälle ab, doch die Genauigkeit variiert je nach Sprache und danach, wie genau Ihr Akzent zu den Trainingsdaten passt. Eigennamen, Akronyme und Namen sind die üblichen Opfer.

Zwei praktische Hinweise zur Sprachwahl. Erstens ist die Auswahl die Erkennungssprache, die das akustische und das Sprachmodell steuert — sie übersetzt nicht, eine Wahl von Deutsch bei englischer Sprache liefert also deutschsprachige Rateschlüsse auf englische Wörter, keine deutsche Übersetzung. Zweitens wirkt sich ein Wechsel der Auswahl mitten in der Sitzung auf den nächsten Erkennungslauf aus; ändern Sie sie während des Zuhörens, stoppen und starten Sie neu, damit die neue Sprache greift. Dasselbe Audio kann unter verschiedenen Sprachmodellen sehr unterschiedliche Transkripte ergeben, legen Sie die Sprache also vor dem Beginn fest.

Genauigkeit, Datenschutz und Grenzen

Spracherkennung liefert die wahrscheinlichsten Wörter, nicht die richtigen. Homophone („their“ und „there“), technisches Vokabular und starker Hintergrundlärm verursachen Fehler, die Sie von Hand ausbessern sollten. Satzzeichen werden nur manchmal eingefügt, und nie zuverlässig. Zum Datenschutz: Diese Website lädt nichts hoch und speichert nichts, was aber nicht bedeutet, dass die Erkennung lokal abläuft. In Chrome und Edge wird das Audio zur Verarbeitung an den Dienst des Browser-Anbieters gesendet; behandeln Sie das Diktieren vertraulicher Inhalte also so wie jede Cloud-Transkription. Prüfen Sie die Datenschutzdokumentation Ihres Browsers, wenn das für Ihren Anwendungsfall relevant ist.

Praktische Tipps

• Sprechen Sie in vollständigen Phrasen und machen Sie kurze Pausen an Satzgrenzen; die Engine schreibt natürliche Blöcke genauer fest als einen ununterbrochenen Strom.
• Diktieren Sie Satzzeichen als Wörter, wenn Sie sie brauchen („Komma“, „Punkt“, „neue Zeile“), und rechnen Sie mit einer Aufräumrunde.
• Verwenden Sie in lauten Räumen ein Headset-Mikrofon — nicht der Raum, sondern der Erkenner wählt die Wörter aus.
• Überfliegen Sie nach einer langen Sitzung wiederkehrende Fehlerkennungen (ein Name, dreimal anders geschrieben) und nutzen Sie Suchen und Ersetzen im Textfeld vor dem Export.
• Stoppt die Sitzung unerwartet, drücken Sie erneut auf Start; das vorhandene Transkript geht nicht verloren.

Verwandte Tools

• Text zu Sprache — die umgekehrte Richtung: geschriebenen Text in gesprochenes Audio verwandeln.
• Sprachrekorder — Mikrofon-Audio aufnehmen und als Datei herunterladen.
• Wortzähler — detaillierte Statistiken für Ihren diktierten Text.