Fang beim Abstand an, der kostet nichts
Das Mikrofon nimmt auf, was bei ihm ankommt, und wie viel davon du bist, hängt an der Physik und nicht an der Software.
Auf Armeslänge gehalten, in einem Raum mit irgendeinem Geräusch, kommt deine Stimme als ein Signal unter mehreren an. Nahe am unteren Rand des Handys in Gesprächsabstand gehalten, überragt sie alles andere. Allein dieser Unterschied behebt einen erstaunlichen Teil der Klagen.
Verdeck das Mikrofon nicht mit einem Finger, es sitzt bei den meisten Handys an der Unterkante und damit genau dort, wo Leute zugreifen. Und wenn du draußen bist, dreh dich vom Wind weg, denn Windgeräusch ist laut, breit und für jedes Modell fast unmöglich von Sprache zu trennen.
Dann der Vortrag, und der lässt sich lernen
Diktieren belohnt eine bestimmte Art zu sprechen, und es ist nicht die Art, wie die meisten Leute reden.
Ganze Sätze. Die Erkennung benutzt die umliegenden Wörter, um zwischen ähnlich klingenden Möglichkeiten zu wählen. Ein einzeln gesagtes Wort gibt ihr nichts an die Hand, und deshalb kommt ein Name allein falsch heraus und derselbe Name in einem Satz richtig.
Entscheide dich, bevor du sprichst. Auslaufen, auf halber Strecke neu anfangen und laut nachdenken nehmen dem System den Rhythmus weg, auf den es sich stützt, und die Zeichensetzung leidet als Erstes.
Normales Tempo und normale Lautstärke. Deutlich langsamer zu werden oder übertrieben zu artikulieren macht es schlechter, nicht besser. Modelle sind auf gewöhnliche Sprache trainiert, ungewöhnlich sorgfältige Sprache ist also ungewöhnliche Eingabe.
Pausen zwischen den Sätzen. Das ist das Zeichen, an dem ein Punkt gesetzt wird.
Nichts davon verlangt eine andere App, und es macht meistens mehr aus, als ein Wechsel machen würde.
Bring ihm deinen Wortschatz bei
Die Wörter, die am ehesten falsch verstanden werden, sind die, die du am meisten benutzt: Nachnamen von Kolleginnen, Namen von Kunden, Produkte, Abkürzungen, die Fachwörter von dem, was du machst.
Ein Modell, das auf allgemeiner Sprache trainiert wurde, ist keinem davon je begegnet, es setzt also etwas Gewöhnliches ein, das ähnlich klingt. Noch so deutliches Sprechen behebt das nicht, denn das richtige Wort ist gar nicht im Rennen.
Lässt deine Tastatur dich Wörter hinzufügen, ist das die wertvollste Änderung von allen. LocalType behält solche Ergänzungen auf dem Gerät und gibt sie dem Sprachmodell als Zusammenhang mit, sie kommen also richtig geschrieben an und verbessern gleichzeitig die Tippvorschläge.
Trag sie einmal am Stück ein, statt eines nach dem anderen, wenn es schiefgeht.
Prüf die Spracheinstellung
Eine ganze Kategorie von "es kommt Unsinn heraus" ist eine Nichtübereinstimmung zwischen der Sprache, die du sprichst, und der, die die App erwartet.
Der Ausfall verwirrt, weil es keine Fehlermeldung gibt. Das System gibt sein Bestes, um die Sprache zu hören, die man ihm angesagt hat, und produziert selbstbewussten Quatsch.
Wenn du in mehr als einer Sprache schreibst, stell sie entweder vor einer langen Sitzung ausdrücklich ein, oder nimm eine App, die die Sprache aus der Aufnahme selbst bestimmt. LocalType macht das Zweite über achtzehn Sprachen hinweg und entscheidet pro Aufnahme, ein Wechsel zwischen Nachrichten verlangt dir also nichts ab. Stellst du stattdessen eine bestimmte Sprache ein, wandern Tastaturlayout und Wörterbuch mit, und das ist die bessere Wahl, wenn du den ganzen Tag in einer Sprache bist.
Über die achtzehn Sprachen hinweg fällt die Genauigkeit unterschiedlich aus. Das Trainingsmaterial ist ungleich verteilt, und weit verbreitete Sprachen schneiden besser ab.
Zum Thema Dialekt
Beim Dialekt fällt das Diktieren am ungleichmäßigsten aus, und der Grund dafür ist mechanisch.
Ein Modell arbeitet am besten mit Sprache, die dem ähnelt, worauf es trainiert wurde. War deine Sprechweise in diesem Material dünn vertreten, werden die Ergebnisse schlechter sein, und das ist eine Eigenschaft des Trainings und nicht etwas über die Art, wie du sprichst.
Zwei Dinge helfen wirklich. Ein größeres Modell hat mehr Kapazität für ungewöhnliche Fälle, eine Nummer hochzugehen ist also einen Versuch wert, bevor du beschließt, die Technik sei nichts für dich. Und der Trick mit dem Wortschatz von oben zählt hier mehr statt weniger, denn ein Eigenname, den das Modell verhört, ist dein häufigster Fehler.
Was nicht hilft, ist die eigene Aussprache in Richtung einer eingebildeten neutralen Sprechweise zu übertreiben. Das erzeugt Sprache, von der das Modell noch weniger gehört hat.
Genauigkeit mit Geduld kaufen, wenn die App es zulässt
Wo eine App eine Modellauswahl anbietet, ist diese Auswahl ein Regler für die Genauigkeit, und die meisten Leute fassen ihn nie an.
Kapazität kostet Zeit. Ein Modell mit mehr Platz, um ungewöhnliche Aussprachen, unbekannte Namen und Sprache neben Lärm abzubilden, trifft mehr davon, und es braucht dafür länger. LocalType bietet 60, 190 und 539 MB genau aus diesem Grund an, mit 4,1 Sekunden für 6,9 Sekunden Sprache in der mittleren Einstellung auf dem Testgerät mit 4 GB.
Pass es an das an, was du diktierst, statt einmal zu wählen und es zu vergessen. Beim Abfeuern von Antworten ist die Wartezeit das, was du merkst. Wenn du eine lange Nachricht durchsprichst, schaust du in den Raum statt auf den Bildschirm, und die Fehler, die du vermeidest, sind Ausbesserungen, die du nie machen musst.
Die Ausnahme ist ein Handy, dem der Arbeitsspeicher wirklich knapp ist. Dort kann das größte Modell am Ende langsamer und nicht genauer sein als das kleinste, weil es nie in Ruhe laufen kann.
Gib ihm Anlauf
Ein kleiner Kniff kostet nichts und hilft mehr, als er sollte.
Erkennungssysteme sind ganz am Anfang einer Aufnahme am schwächsten, bevor es einen Zusammenhang gibt, auf den sie sich stützen können. Wenn das Erste, was du sagst, das ungewöhnliche Wort ist, ein unbekannter Nachname, ein Fachbegriff, ein Ortsname, hat es die geringste Hilfe zur Verfügung, und zwar genau in dem Augenblick, in dem es die meiste bräuchte.
Mit zwei oder drei gewöhnlichen Wörtern anzufangen gibt dem System etwas, woran es sich festmachen kann, bevor der schwierige Teil kommt. "Die Adresse lautet" vor dem Straßennamen. "Schick das an" vor dem Nachnamen. Es fühlt sich ungefähr einen Tag lang künstlich an und geht danach von selbst.
Dieselbe Logik erklärt, warum es selten hilft, ein gescheitertes Wort allein noch einmal zu diktieren. Allein hat es sogar weniger Zusammenhang als beim ersten Mal. Sag lieber die ganze Wendung noch einmal.
Was keine Einstellung behebt
Es gibt eine Obergrenze, und keine Einstellung hebt sie an.
Mehrere Leute, die gleichzeitig reden. Ein Handy auf einem Tisch quer durchs Zimmer. Ein Café bei voller Lautstärke. Kräftige Musik hinter dir. In all diesen Fällen kommen Sprache und Lärm vermischt in denselben Messwerten an und lassen sich danach nicht mehr trennen, auf keinem Gerät und von keiner App.
Gleichklingende Wörter sind die andere dauerhafte Grenze. Wo zwei Formulierungen gleich klingen und beide Sinn ergeben, rät das System, und manchmal rät es falsch.
Und keine Erkennung weiß, was du gemeint hast. Sie weiß, was am Mikrofon angekommen ist, und deshalb zählt der Vortrag mehr als alles Technische.
Fünf Schritte, der Reihe nach
Näher ans Mikrofon. In ganzen Sätzen sprechen und dazwischen Pausen machen. Die eigenen Namen und Fachbegriffe eintragen. Die Sprache prüfen. Und dann, wenn es immer noch nicht gut genug ist, eine Modellgröße hochgehen.
Die meisten Leute hören irgendwo bei Schritt drei auf, sich zu ärgern.