Warum das passiert
Ein Sprachmodell erkennt, wovon es sehr viel gehört hat.
Das Trainingsmaterial für jede Sprache wird von Leuten beherrscht, die diese Sprache zuerst gelernt haben, aufgenommen unter Rundfunkbedingungen, in Standardregistern. Leute, die sie als Zweitsprache sprechen, kommen darin vor, aber in weit kleineren Mengen, und die besondere Art, wie eine bestimmte Erstsprache eine zweite formt, ist eine noch kleinere Menge.
Ein Modell schneidet also bei den Aussprachen am besten ab, von denen es am meisten gesehen hat, und das ist kein Urteil über Deutlichkeit. Viele Leute mit einer Zweitsprache sind für einen Menschen leichter zu verstehen als viele Erstsprachler mit starker regionaler Färbung, und das Modell findet die regionale Färbung trotzdem leichter, weil es mehr davon gehört hat.
Das zu wissen ist für sich schon etwas wert. Leute schließen, ihr Deutsch sei nicht gut genug, während in Wahrheit eine statistische Eigenschaft eines Datenbestands am Werk ist.
Zwei Lagen, und sie sind verschieden
Du schreibst in deiner Zweitsprache. Du diktierst Deutsch oder Englisch mit der Färbung deiner Erstsprache. Das Modell arbeitet in einer gut versorgten Sprache und tut sich mit der Aussprache schwer.
Du schreibst in deiner Erstsprache, und die ist dünn versorgt. Hier hat das Modell für die Sprache selbst weniger Material, und alle, die sie benutzen, machen dieselbe Erfahrung, unabhängig von der Färbung.
Beides fühlt sich an wie "bei mir läuft das Diktieren schlechter", und beides hat eine andere Abhilfe. Der ersten Lage hilft Kapazität und Wortschatz, der zweiten der Lauf der Zeit und die Wahl von Werkzeugen, die deine Sprache überhaupt ordentlich abdecken.
Was tatsächlich hilft, der Reihe nach
Nimm ein größeres Modell. Das zählt für dich mehr als für einen Erstsprachler. Zusätzliche Kapazität ist genau das, was mit einer Aussprache zurechtkommt, von der das Modell weniger gesehen hat, der Unterschied zwischen den Modellgrößen ist in deinem Fall also größer als in den Rezensionen, die du gelesen hast. LocalType bietet 60, 190 und 539 MB an, und wenn dein Handy das größte halten kann, ist es die Wartezeit wert.
Trag deinen Wortschatz beherzt ein. Namen aus deiner Erstsprache, Orte, Familiennamen, die Wörter, die du täglich benutzt und die ein allgemeines Modell in keiner Aussprache je gehört hat. Diese Ergänzungen bleiben auf dem Gerät und werden dem Sprachmodell als Zusammenhang mitgegeben, und das nützt überproportional, wenn die klanglichen Hinweise weniger sicher gelesen werden.
Sprich in ganzen Sätzen. Der Zusammenhang leistet mehr Arbeit, wenn der Klang schwerer zu deuten ist, ein ganzer Satz holt also weit mehr heraus als ein einzelnes Wort. Das ist die wirksamste Gewohnheit, und sie kostet nichts.
Ändere nicht, wie du sprichst. In Richtung einer eingebildeten neutralen Aussprache zu übertreiben erzeugt etwas, wovon das Modell noch weniger gehört hat. Deine gewöhnliche Stimme ist die, mit der es die besten Aussichten hat.
Geh näher ans Mikrofon. Sauberer Ton hilft allen und dir mehr, weil es weniger Redundanz zum Ausgleichen gibt.
Was nicht hilft
Zwei Dinge, die Leute versuchen, und beide machen es schlechter.
Deutlich langsamer werden. Modelle sind auf Sprache in gewöhnlichem Tempo trainiert. Sehr langsame, überartikulierte Sprache ist ungewöhnliche Eingabe, und die Genauigkeit fällt.
Die Spracheinstellung wechseln, um "näher dranzukommen". Deine Zweitsprache zu diktieren, während das System deine Erstsprache erwartet, oder umgekehrt, erzeugt selbstbewussten Unsinn statt einer besseren Annäherung.
Wo dir die automatische Spracherkennung hilft
Wer an einem Tag zwischen Sprachen wechselt, merkt hier als Erstes den Unterschied.
LocalType bestimmt aus der Aufnahme statt aus einem Menü, welche von achtzehn Sprachen du sprichst, auf eine Nachricht in deiner Erstsprache kann also eine in deiner Zweitsprache folgen, ohne dass du dazwischen etwas tust.
Bestimmt wird an der Aufnahme als Ganzem, ein Satz, der wirklich zwei Sprachen mischt, muss also einer davon zugeschlagen werden. Und kurze Äußerungen geben ihr wenig an die Hand, eine Antwort aus zwei Wörtern ist also die Stelle, an der sie am ehesten falsch wählt.
In ganzen Sätzen zu sprechen behebt beides, und das ist derselbe Rat wie überall sonst, aus demselben Grund.
Wörter, die deine Erstsprache ständig ausleiht
Ein bestimmtes Scheitern, das unsichtbar bleibt, bis man es einmal gesehen hat.
Die meisten Sprachen haben englisches Fachvokabular aufgesogen, und Sprecher wechseln mitten im Satz hinein, ohne es zu merken: der Name eines Besprechungswerkzeugs, ein Dateiformat, ein Fachbegriff aus der Arbeit. Der Satz ist deutsch oder spanisch oder polnisch, und drei Wörter darin sind englisch, ausgesprochen, wie deine Sprache sie ausspricht.
Das ist für eine Erkennung wirklich schwer. Der Satz wird einer Sprache zugeordnet, und darin stehen Wörter, die zu einer anderen gehören, gesprochen mit einer Färbung, die zu keiner von beiden gehört.
Die Abhilfe ist wieder das Wörterbuch. Diese entlehnten Wörter einzutragen, so geschrieben, wie du sie haben willst, macht aus der schlimmsten Fehlerkategorie des zweisprachigen Arbeitslebens ein gelöstes Problem. Es kostet einmal zehn Minuten.
An Leute schreiben, die das Schreiben bewerten
Es ändert, wie viel Prüfen angemessen ist.
Wer beruflich in einer Zweitsprache schreibt, weiß längst, dass Fehler als Zeichen von Können gelesen werden statt als Vertipper. Ein Diktierfehler kostet in diesem Zusammenhang mehr als bei einem Erstsprachler, dem im Zweifel etwas nachgesehen wird.
Die praktische Antwort besteht nicht darin, das Diktieren zu meiden. Sie besteht darin, die Durchgänge zu trennen: frei diktieren, um den Inhalt festzuhalten, und danach einmal absichtlich lesen, bevor du abschickst, mit Aufmerksamkeit für Namen und für jeden Satz, der eine Verneinung enthält.
Das ist für alle ein guter Rat, und hier zählt er mehr.
Was du erwarten kannst
Die Ergebnisse werden vermutlich etwas unter dem liegen, was ein Erstsprachler bekommt, auf demselben Handy, mit denselben Einstellungen. Dieser Abstand ist echt.
Er ist auch meistens kleiner, als Leute erwarten, sobald die Anpassungen von oben sitzen, und viel kleiner als der Abstand zwischen Diktieren und Daumentippen auf einem Handy, und das ist der Vergleich, auf den es wirklich ankommt.
Die Genauigkeit ist ebenfalls nicht über alle achtzehn Sprachen gleich, die LocalType abdeckt, denn auch zwischen ihnen ist das Trainingsmaterial ungleich verteilt. Weit verbreitete Sprachen kommen am besten weg, und das ist dieselbe Wirkung eine Ebene höher.
Alles andere bleibt gleich
Nichts davon berührt den Rest des Produkts. Erkannt wird auf dem Gerät, aus einem Modell in einem Speicher, an den nur die App kommt, und die App fragt für genau einen Zweck nach Internet, nämlich um das Modell abzuholen, das du gewählt hast.
Es gibt kein Konto, Werbung fehlt, im Produkt läuft kein Tracking, und ein Archiv deiner Aufnahmen wird nicht geführt. Dem Cloud-Backup von Android werden die Daten der App absichtlich vorenthalten. In einem Passwortfeld wird die Mikrofontaste nicht angeboten.
Der letzte Punkt zählt praktisch für alle, die mit einer ausländischen SIM-Karte an ihre Familie schreiben: Es wird nichts hochgeladen, es wird also kein Datenvolumen verbraucht und keine Verbindung gebraucht.
Zehn Minuten Namen, dann eine Woche
Installier es, wähl das größte Modell, das dein Handy bequem hält, und nimm dir zehn Minuten, um die Namen einzutragen, die du am häufigsten schreibst, in beiden Sprachen.
Beurteile es dann nach einer Woche statt nach einem Nachmittag. Der größte Teil der Verbesserung in den ersten zwei Wochen kommt daher, dass sich dein eigener Vortrag setzt, und nicht von etwas, das du einstellst.