Das Problem ist das Umschalten, nicht das Übersetzen
Es wird ständig verwechselt.
Übersetzen macht aus dem, was du gesagt hast, eine andere Sprache. Das ist ein eigenes Produkt und ein anderes Problem.
Zweisprachig zu diktieren heißt, die Sprache aufzuschreiben, die du gerade gesprochen hast, richtig, ohne es dem System vorher zu sagen. Du sagst einen Satz auf Deutsch, es schreibt Deutsch. Zehn Minuten später sagst du einen auf Englisch, es schreibt Englisch. Es wird nichts umgewandelt, das System muss lediglich erkennen, welche Sprache es hört.
Das klingt nach einer Kleinigkeit und ist für Millionen Leute die gesamte tägliche Reibung.
Warum die meisten Werkzeuge damit schlecht umgehen
Herkömmliches Diktieren geht von einer Sprache zur Zeit aus, vorher gewählt.
Diese Annahme ist für jemanden vernünftig, der nur in einer schreibt. Für alle anderen erzeugt sie mehrmals am Tag einen Ausflug in die Einstellungen, und dieser Ausflug ist der Grund, warum Leute mit dem Diktieren aufhören. Niemand öffnet ein Menü, um eine zweizeilige Nachricht zu beantworten.
Wie es scheitert, wenn du es vergisst, hilft ungewöhnlich wenig weiter. Das System sagt nicht "das ist nicht die Sprache, die ich erwartet habe". Es gibt sein Bestes, um die Sprache zu hören, die man ihm angesagt hat, und erzeugt selbstbewussten Unsinn. Heraus kommt eine Nachricht, die aussieht, als hätte jemand beim Schreiben einen Schlaganfall gehabt, statt eines Fehlers, mit dem du etwas anfangen kannst.
Systeme, die pro Sprache ein Paket laden, bringen ein zweites Problem mit: Jede Sprache, die du hinzunimmst, kostet Speicherplatz, und ein Wechsel kann heißen, dass du auf etwas wartest.
Die Sprache aus der Aufnahme bestimmen
Der bessere Weg ist, sie aus dem Ton zu erschließen, pro Aufnahme, und sich danach zu richten.
LocalType macht das über achtzehn Sprachen hinweg mit einem einzigen mehrsprachigen Modell. Es gibt also nichts auszuwählen, bevor du sprichst, und nichts pro Sprache zu laden. Fang eine Nachricht in der einen Sprache an und die nächste in einer anderen, und es geht mit.
Praktisch führt das an einem zweisprachigen Tag dazu, dass Diktieren aufhört, etwas zu sein, das man einrichtet, und anfängt, etwas zu sein, das man benutzt. Antworte deiner Mutter in der einen Sprache, deiner Kollegin in der anderen, einem Formular in einer dritten, ohne eine Einstellung anzufassen.
Wo die automatische Erkennung am schwächsten ist
Zauberei ist es nicht, und die Erkennung gibt an vorhersehbaren Stellen nach.
Sehr kurze Äußerungen. Ein oder zwei Wörter geben dem System fast nichts, um daran eine Sprache festzumachen, ein einzelner Name oder ein "ja, morgen" ist also die Stelle, an der es am ehesten danebengreift. Ganze Sätze sind weit verlässlicher.
Sprachen, die einander ähneln. Nah verwandte Sprachen teilen Laute und Bau, und kurze Wendungen in der einen können in der anderen plausibel aussehen.
Sätze, die beides enthalten. Erkannt wird pro Aufnahme und nicht pro Wort, ein Satz, der wirklich zwei Sprachen mischt, muss also einer davon zugeschlagen werden. Ein entlehntes englisches Wort in einem deutschen Satz ist unproblematisch, denn der Satz ist immer noch deutsch. Halb und halb ist es nicht.
Ungleiche Genauigkeit zwischen den Sprachen. Sprachmodelle werden je Sprache auf sehr unterschiedlich viel Material trainiert, die Ergebnisse sind über die achtzehn also nicht gleich. Weit verbreitete Sprachen kommen am besten weg.
Der praktische Ausweg ist bei allen vieren derselbe: in ganzen Sätzen sprechen statt in Bruchstücken, und jede Aufnahme in einer Sprache halten.
Die Frage nach dem Tastaturlayout
Das ist der Teil, bei dem Leute hängen bleiben, und man versteht ihn besser, als man gegen ihn ankämpft.
Legst du eine bestimmte Sprache fest, bewegt sich alles gemeinsam: das Tastaturlayout, das Wörterbuch für die Autokorrektur und die Diktiersprache. Das ist die richtige Einrichtung, wenn du eine Strecke lang in einer Sprache schreibst, denn dann sind Tippen und Diktieren einer Meinung.
Lässt du es auf automatisch, folgt das Diktat deiner Stimme, aber das Layout bleibt, wo es war, und das muss es auch, denn das Layout steht auf dem Bildschirm, bevor du etwas gesagt hast. Eine Tastatur kann unmöglich wissen, welche Sprache du gleich sprechen wirst.
Der Rat lautet deshalb: automatisch an Tagen mit viel Diktat, an denen du ständig wechselst, und eine feste Sprache, wenn du in einer von beiden genauso viel tippen wie sprechen wirst. Keines von beidem ist ein Notbehelf, es sind Antworten auf verschiedene Tage.
Ein Ablauf, der funktioniert
Stell eine Sprache ein, wenn du dich hinsetzt, um darin zu arbeiten. Ist dein ganzer Nachmittag in einer Sprache, leg sie fest. Die Autokorrektur hört dann auf, gegen dich zu arbeiten.
Lass es auf automatisch, wenn du zwischen Gesprächen hin und her springst. Dort verdient die Erkennung ihr Geld.
Trag Namen einmal in beiden Sprachen ein. Ein zweisprachiges Leben steckt voller Eigennamen, die zu der einen Sprache gehören und in der anderen benutzt werden. Diese Ergänzungen bleiben auf dem Gerät und werden dem Sprachmodell als Zusammenhang mitgegeben, sie kommen also richtig an, egal welche Sprache drumherum steht.
Sag ganze Sätze. Das behebt die meisten Erkennungsfehler und kostet nichts.
Was LocalType hier macht, kurz
Achtzehn Sprachen aus einem Download, pro Aufnahme bestimmt, ohne Paket zu verwalten und ohne Menü zwischen zwei Nachrichten. Die vollständige Liste und die Einzelheiten dazu, wie sich die Einstellung verhält, stehen auf der Sprachenseite.
Alles andere an der App bleibt gleich, egal in welcher Sprache du gerade bist. Das Modell läuft auf dem Handy, das Diktieren funktioniert also mit abgeschalteter Verbindung, und das zählt für Zweisprachige besonders, denn viele sind es geworden, weil sie das Land gewechselt haben, und reisen jetzt zwischen beiden. Nach Internet wird einmal gefragt, um das Modell zu holen, und das ist der einzige Zweck dafür. Es gibt kein Konto, keine Werbung, kein Tracking im Produkt, kein Archiv deiner Aufnahmen, und die Daten der App bleiben außerhalb vom Cloud-Backup von Android. Die Modelldatei liegt in einem Speicher, den nur die App lesen kann, und in Passwortfeldern schaltet sich das Mikrofon selbst ab.
Drei Größen mit 60, 190 und 539 MB legen fest, wie Tempo und Genauigkeit gegeneinander stehen. Für zweisprachigen Gebrauch lohnt sich meistens die mittlere oder die größere, denn die Spracherkennung hat mehr, womit sie arbeiten kann, wenn das Modell mehr hat.
In zwei Sprachen zu leben ist nicht dasselbe wie zwei zu können
Die Erwartungen an eine Tastatur fallen in beiden Lagen verschieden aus.
Wer eine zweite Sprache in der Schule gelernt hat und sie gelegentlich benutzt, diktiert in einer Sprache, die er sorgfältig und langsam spricht. Das ist leichtes Material: absichtliche Aussprache, Standardwortschatz, ganze Sätze.
Wer in zwei Sprachen lebt, macht etwas ziemlich anderes. Er spricht beide fließend, schnell, mit örtlichen Wendungen und eingewanderten Wörtern, und er wechselt danach, mit wem er redet, und nicht nach einem Plan. Das ist für jede Erkennung schwerer, und es ist zugleich die Lage, in der sich die automatische Bestimmung mehrmals am Tag bezahlt macht.
Gehörst du zur zweiten Gruppe, dann steck die zehn Minuten in Wortschatz aus beiden Sprachen, bevor du die Ergebnisse beurteilst. Die Fehler, die dir zuerst auffallen, werden fast alle Eigennamen sein, die zwischen den beiden hin und her wandern, und das ist genau das, was du selbst beheben kannst.
Danach ist der Maßstab für Erfolg einfach: wie oft am Tag du nach einem Einstellungsmenü greifst. Lautet die Antwort kein einziges Mal, dann läuft es.