Mehrsprachige Transkription

Ein Workflow für jede Sprache, in der Sie aufnehmen

Die meisten Teams, die mehrsprachig transkribieren müssen, arbeiten nicht nur in einer Sprache. Deshalb läuft bei Sonix jede Sprache über dasselbe Konto, dieselbe Verarbeitung und denselben Editor.

Ein Marktforschungsinstitut führt montags Fokusgruppen auf Spanisch und donnerstags auf Mandarin durch. Eine Redaktion bekommt in einer einzigen Woche Interviews auf Arabisch, Hebräisch und Englisch. Eine Forschungsgruppe an einer Universität sammelt Oral-History-Aufnahmen auf Urdu und Bengalisch. Keines dieser Teams möchte für jede Sprache einen anderen Anbieter.

Jede Sprache durchläuft dieselben Schritte: Sie laden von Ihrem Computer, aus Dropbox, Google Drive oder per URL hoch, die KI transkribiert mit 10x Echtzeitgeschwindigkeit, und anschließend feilen Sie im browserbasierten Editor am Transkript, wo ein Klick auf ein beliebiges Wort direkt zur passenden Stelle im Audio springt.

Auch das Ergebnis funktioniert in jeder Sprache gleich. Exportieren Sie nach Word, PDF, als reinen Text, SRT, VTT und in insgesamt 18+ Formate, wahlweise mit oder ohne Zeitstempel und Sprecherkennzeichnung. Ob die Quelle Deutsch oder Tagalog ist, Ihr nachgelagerter Workflow bleibt derselbe.

Jede unterstützte Sprache hat eine eigene Seite mit Hinweisen zu Dialekten, Formaten und sprachspezifischen Antworten. Springen Sie zum Sprachverzeichnis weiter oben oder beginnen Sie mit unseren gefragtesten Leitfäden: Spanisch-Transkription, Arabisch-Transkription und Kantonesisch-Transkription.

Welche Sprachen transkribieren am besten?

Sonix erreicht je nach Audioqualität eine Genauigkeit von 85% bis 99%. Die Sprache legt die Obergrenze fest, die Aufnahme entscheidet, wo Ihr Transkript darunter landet.

Nicht jede Sprache wird gleich gut transkribiert, bei Sonix nicht und bei keiner anderen KI-Transkriptionsplattform. Wo eine einzelne Datei in diesem Bereich landet, hängt von drei Dingen ab: von der Sprache selbst, von den Sprechern und von der Aufnahme.

Ressourcenreiche Sprachen liegen am oberen Ende

Spracherkennungsmodelle lernen aus transkribiertem Audio. Sprachen, für die enorme Mengen an Trainingsdaten vorliegen, etwa Englisch, Spanisch, Französisch, Deutsch, Portugiesisch, Mandarin und Japanisch, liefern in der Regel die stärksten Ergebnisse. Für sie gibt es schlicht mehr aufgezeichnete und transkribierte Sprache, aus der die Modelle lernen können, mit mehr Akzenten, mehr Aufnahmebedingungen und mehr Themen.

Bei diesen Sprachen landet sauberes Audio mit klar getrennten Sprechern regelmäßig am oberen Ende der Genauigkeitsspanne. Deshalb setzt die professionelle Transkription so stark auf sie.

Ressourcenarme Sprachen brauchen eine genauere Korrektur

Sprachen mit weniger Trainingsdaten, etwa Baschkirisch, Uigurisch, Mongolisch oder Walisisch, werden bei klarem Audio ebenfalls gut transkribiert, aber ihre Transkripte profitieren von einem gründlicheren Korrekturdurchgang. Planen Sie im Sonix-Editor für diese Sprachen ein paar Minuten mehr ein, vor allem für Eigennamen und Fachvokabular.

Das ist kein Grund, bei ressourcenarmen Sprachen auf KI-Transkription zu verzichten. Es ist ein Grund, ein Tool mit schnellem Korrektur-Workflow zu wählen. Der Sonix-Editor spielt das Audio synchron zum Text ab, sodass Sie ein zweifelhaftes Wort mit einem Klick prüfen, statt sich durch die Datei zu scrollen.

Das breite Mittelfeld: starke Ergebnisse bei normaler Durchsicht

Die meisten der 54+ unterstützten Sprachen liegen zwischen diesen beiden Polen. Sprachen wie Hindi, Bengalisch, Urdu, Hebräisch, Kantonesisch, Vietnamesisch, Türkisch, Polnisch und Indonesisch verfügen über umfangreiche Trainingsdaten und ausgereifte Erkennungsmodelle. Bei sauberem Audio schneiden sie sehr gut ab, bei verrauschten oder stark akzentgefärbten Aufnahmen brauchen sie dieselbe Durchsicht wie eine englische Datei unter denselben Bedingungen.

Für diese Gruppe lohnt es sich, zwei Muster zu kennen. Erstens werden formelle Sprachregister besser erkannt als lockere: Eine Hindi-Nachrichtensendung kommt sauberer zurück als ein Hindi-Telefonat in der Familie, weil Rundfunksprache näher an den Trainingsdaten liegt. Zweitens sind Namen und Fremdwörter die häufigsten Korrekturen. Das Transkript eines bengalischen Interviews über Lokalpolitik gelingt im Bengalischen tadellos, kann aber über einen englischen Firmennamen stolpern, der mitten im Satz fällt.

Was die Genauigkeit in jeder Sprache bestimmt

Vier Faktoren wiegen schwerer als die Rangfolge der Sprachen.

• Umfang der Trainingsdaten. Je mehr transkribierte Sprache einer Sprache vorliegt, desto besser erkennt das Modell ihre tatsächliche Vielfalt samt Akzenten.
• Abstand der Dialekte. Ein Modell, das überwiegend auf eine Standardvarietät trainiert wurde, macht bei entfernten Dialekten mehr Fehler. Das betrifft Arabisch stärker als fast jede andere Sprache, wie der nächste Abschnitt zeigt.
• Tonalität und Kontext. Tonsprachen wie Mandarin, Kantonesisch, Vietnamesisch und Thai tragen Bedeutung in der Tonhöhe. Moderne Modelle bewältigen Töne im Kontext gut, doch Homophone in verrauschtem Audio bleiben ein häufiger Korrekturpunkt.
• Audioqualität. Das ist der größte Hebel, den Sie selbst in der Hand haben. Ein Ansteckmikrofon in einem ruhigen Raum auf Urdu schlägt eine Handyaufnahme in einer halligen Aula auf Englisch. Wenig Hintergrundgeräusche, klar getrennte Sprecher und kaum Überschneidungen bringen jede Sprache näher ans obere Ende der Genauigkeitsspanne.

So holen Sie in jeder Sprache das Beste heraus

Wie viele Trainingsdaten es für Ihre Sprache gibt, können Sie nicht ändern, fast alles andere aber schon.

• Nah am Sprecher aufnehmen. Ein externes oder Ansteckmikrofon in wenigen Metern Abstand zur Quelle schlägt in jeder Sprache das Laptop-Mikrofon am anderen Ende des Raums.
• Sprecher trennen. Durcheinanderreden schadet der Genauigkeit und der Sprecherkennzeichnung. Achten Sie in Interviews und Fokusgruppen darauf, dass immer nur eine Person spricht.
• Hintergrundgeräusche an der Quelle vermeiden. Schließen Sie die Fenster, schalten Sie die Klimaanlage kurz aus und meiden Sie Cafés. Geräusche, die Ihr Ohr ausblendet, blendet das Modell nicht aus.
• Die Sprache zum Audio passend wählen. Wählen Sie Kantonesisch für Kantonesisch, nicht Mandarin. Rufen Sie die Seite der jeweiligen Sprache im Verzeichnis oben auf und lesen Sie die Dialekthinweise, bevor Sie hochladen.
• Korrekturzeit nach Stufe einplanen. Bei ressourcenreichen Sprachen genügt ein kurzes Überfliegen. Bei ressourcenarmen Sprachen und dialektlastigem Audio planen Sie einen gezielten Durchgang für Namen, Zahlen und Fachbegriffe ein.

Fazit für die Praxis: Die Sprache legt die Obergrenze fest, doch die Aufnahmequalität entscheidet, wo Ihr Transkript darunter landet. Ein gut aufgenommenes Urdu-Interview schlägt ein schlecht aufgenommenes englisches.

Dialekte und Schriften

Ein Sprachmenü mit 54+ Einträgen erzählt nur einen Teil der Geschichte. Im Alltag zählt, wie eine Plattform mit der Vielfalt innerhalb jeder Sprache umgeht.

Kantonesisch ist nicht Mandarin

Sonix behandelt Chinesisch als zwei getrennte Optionen: Kantonesisch und Mandarin. Beide sind gesprochen nicht gegenseitig verständlich, und wer kantonesisches Audio durch ein Mandarin-Modell schickt, erhält unbrauchbare Ergebnisse. Wählen Sie die Varietät, die Ihre Sprecher tatsächlich verwenden. Für Hongkonger Medien, Familienarchive und kantonesische Interviews nutzen Sie die eigene Option Kantonesisch-Transkription, für Audio vom Festland und aus Taiwan die Option Mandarin-Transkription.

Arabisch im Dialektkontinuum

Arabisch umfasst Hocharabisch sowie regionale Familien wie das Ägyptische, Levantinische, Golf- und Maghrebinische. Rundfunk und formelle Rede auf Hocharabisch werden am zuverlässigsten transkribiert, Dialekt im Gespräch schwankt stärker und profitiert von einem Korrekturdurchgang. Die Seite zur Arabisch-Transkription enthält dialektspezifische Hinweise.

Portugiesisch: Brasilien und Portugal

Sonix bietet eine einzige Option für Portugiesisch, die brasilianische und europäische Sprache abdeckt. Die Aussprache unterscheidet sich deutlich, und auch der Wortschatz weicht stellenweise ab. Prüfen Sie Eigennamen und regionale Begriffe daher kurz, egal welche Varietät Sie hochladen. Die Seite zur Portugiesisch-Transkription behandelt beide.

Rechts-nach-links-Schriften

Transkripte für Arabisch, Hebräisch, Persisch und Urdu kommen in ihrer Originalschrift von rechts nach links zurück, nicht in lateinischer Umschrift, und der Editor setzt den Text beim Korrigieren ebenfalls von rechts nach links. Einzelheiten finden Sie in den Leitfäden zur Hebräisch-Transkription und zur Urdu-Videotranskription.

Originalschrift statt Umschrift

Sprachen mit nichtlateinischen Schriftsystemen, darunter Hindi (Devanagari), Bengalisch, Tamil, Thai, Koreanisch, Japanisch und Griechisch, kommen in ihrer eigenen Schrift zurück. Brauchen Sie für ein nachgelagertes Tool eine Version in lateinischer Schrift, transkribieren Sie zuerst in der Originalschrift und übersetzen das Transkript dann ins Englische. Die Transkription in der Originalschrift erhält die Genauigkeit, eine Umschrift schon bei der Erkennung nicht.

Automatische Spracherkennung für mehrsprachiges Audio

Wenn Sie nicht wissen, in welcher Sprache eine Datei aufgenommen wurde, oder wenn eine Aufnahme zwischen Sprachen wechselt, kann Sonix die Sprache für Sie erkennen oder mehrere Sprachen in einer Datei transkribieren.

Sprache automatisch erkennen

Wählen Sie beim Hochladen "Auto-detect language", wenn Sie Dateien aus vielen Quellen verarbeiten und nicht jede einzeln prüfen können. Sonix erkennt die gesprochene Sprache und leitet die Datei an das passende Erkennungsmodell weiter, sodass Sie einen Stapel Interviews auf Spanisch, Französisch und Deutsch gemeinsam hochladen können, ohne ihn vorher zu sortieren.

Mehrere Sprachen in einer Aufnahme

Bei einer Datei, die zwischen Sprachen wechselt, wählen Sie "Transcribe in multiple languages" und markieren alle gesprochenen Sprachen. Sonix transkribiert jeden Abschnitt des Gesprächs in der Sprache, die es hört. So kommt eine zweisprachige Fokusgruppe, die zwischen Englisch und Spanisch pendelt, ein Interview in der Diaspora mit Urdu und Englisch oder ein internationales Podium mit einem arabischen und einem französischen Sprecher als ein einziges Transkript zurück.

Eine ehrliche Einschränkung, die direkt aus der Funktionsweise folgt: Am besten funktioniert es, wenn der Sprachwechsel zwischen den Sprechern stattfindet und nicht mitten im Satz. Schneller Sprachwechsel innerhalb eines Satzes ist der schwierigste Fall der Spracherkennung. Transkribieren Sie stark durchmischtes Audio in der dominierenden Sprache und korrigieren Sie die Ausnahmen im Editor.

Kennen Sie die Sprache, geben Sie sie an

Wenn Sie die Sprache Ihrer Datei bereits kennen, wählen Sie sie direkt aus. Damit entfällt der Erkennungsschritt, und es ist sichergestellt, dass von der ersten Sekunde an das richtige Modell Ihr Audio verarbeitet.

Erst transkribieren, dann übersetzen

Der verlässlichste Weg von fremdsprachigem Audio zu englischem Text ist ein zweistufiger Workflow: Sie transkribieren das Audio in der Originalsprache und übersetzen dann das fertige Transkript.

Die Transkription in der Ausgangssprache hält das Erkennungsmodell auf vertrautem Terrain, und die Übersetzung arbeitet anschließend mit sauberem Text, statt Audio zu erraten. Sonix bringt diese Übergabe mit: Sobald Ihr Transkript fertig ist, übersetzen Sie es mit einem Klick in jede von 54+ Sprachen, mithilfe neuronaler maschineller Übersetzung, die Kontext und Bedeutung bewahrt. Die Übersetzungen liegen in Minuten vor, im selben Konto und ohne erneutes Hochladen.

Typische Anwendungen: Transkripte spanischer Fokusgruppen für den Kundenbericht ins Englische übersetzen, arabische Interviewtranskripte in englische Untertitel verwandeln oder das Transkript eines englischen Podcasts für ein deutsches Publikum lokalisieren. Da die Übersetzung vom korrigierten Transkript ausgeht, fließt jede Korrektur im Editor in alle Übersetzungen ein.

Für Videoteams treibt dieselbe Übergabe die mehrsprachige Untertitelung an. Sie transkribieren das Originalaudio, korrigieren es einmal, übersetzen und exportieren SRT- oder VTT-Untertiteldateien für jede Zielsprache. Die Zeitstempel des ursprünglichen Transkripts bleiben erhalten, sodass die übersetzten Untertitel ohne manuelles Neutimen synchron zum Video laufen.

Erfahren Sie mehr über die Sonix-Übersetzung oder sehen Sie auf unserer Seite zur automatischen Transkription, wie die gesamte Pipeline funktioniert.

Gemacht für mehrsprachige Teams

Derselbe Upload dient einer Forschungsgruppe, einer Redaktion, einem Rechtsteam, einem Marktforschungsinstitut und einem Podcaster. Nur die Sprache ändert sich.

Forschung und Wissenschaft

Oral-History-Projekte, linguistische Feldforschung und grenzüberschreitende Studien erzeugen Audio in der Sprache, die die Teilnehmenden sprechen. Sonix liefert Transkripte in der Originalschrift mit Zeitstempeln, sodass Zitate auf den genauen Moment der Aufnahme verweisen.

Redaktionen und Medien

Reporter senden Interviews aus dem Feld auf Arabisch, Hebräisch, Spanisch und Französisch. Erst in der Ausgangssprache zu transkribieren bewahrt wörtliche Zitate, die Übersetzung folgt danach aus geprüftem Text.

Rechts- und Compliance-Teams

Mehrsprachige Aussagen, Mandantengespräche und Beweisaudio brauchen genaue Protokolle mit Zeitstempeln. Mit Zeitstempeln auf Wortebene lässt sich jede strittige Passage schnell mit dem Originalaudio abgleichen.

Marktforschungsinstitute

Fokusgruppen auf Spanisch, Kantonesisch oder Portugiesisch werden in Minuten zu durchsuchbarem Text. So können Analysten Themen noch am selben Tag kodieren, statt auf einen Übersetzungsdienstleister zu warten.

Podcaster und Videoproduzenten

Transkripte in der Originalsprache liefern die Grundlage für Shownotes und Auffindbarkeit in der Suche. Mit der Übersetzung per Klick wird dasselbe Transkript über den SRT- und VTT-Export zu Untertiteln für neue Märkte.