Das Trainingsmaterial ist die ganze erste Antwort
Ein Sprachmodell lernt, indem ihm aufgenommene Sprache samt dem richtigen Text gezeigt wird. Je mehr es von einer Sprache gesehen hat, desto besser kommt es damit zurecht.
Dieses Material ist wild ungleich verteilt. Für Englisch gibt es eine gewaltige Menge abgetippten Tons: Sendungen, Vorlesungen, Untertitel, Hörbücher, öffentliche Archive. Eine Sprache mit zehn Millionen Sprechern und weniger digitalisierten Medien hat davon einen kleinen Bruchteil, und eine Regionalsprache hat womöglich fast nichts.
Das Modell fällt kein Urteil. Es spiegelt, was man ihm gegeben hat, und was man ihm gegeben hat, spiegelt, welche Sprachen den meisten abgetippten Ton hervorbringen, und das hängt weitgehend an der Zahl der Sprecher und daran, wie viel vom Internet in dieser Sprache stattfindet.
Das ist der Grund für das Muster, das Leuten auffällt. Es ist auch der Grund, warum sich der Abstand langsam verkleinert, statt von einer neuen Fassung behoben zu werden.
Nicht alle Sprecher einer Sprache sind gleich vertreten
Innerhalb einer einzigen Sprache wiederholt sich dasselbe Problem im Kleinen.
Trainingsmaterial neigt zu Rundfunksprache, und die neigt zu Standardaussprache, vorbereitetem Vortrag und gehobenem Register. Regionale Färbungen, Mundarten, jüngere Sprache, ältere Sprache und Menschen, die die Sprache als zweite sprechen, sind alle in kleineren Mengen vorhanden.
Zwei Leute, die dieselbe Sprache sprechen, können also merklich verschiedene Ergebnisse bekommen, und der Unterschied hat nichts damit zu tun, wie deutlich einer von beiden spricht. Es geht darum, wie viel Sprache, die ihrer ähnelt, auf dem Haufen lag.
Denk daran, bevor du dir selbst oder dem Mikrofon die Schuld gibst.
Manche Sprachen sind vom Bau her schwerer
Über die Menge der Daten hinaus machen ein paar Eigenschaften die Erkennung wirklich schwerer.
Zusammensetzungen. Sprachen, die Wörter aneinanderkleben, erzeugen sehr lange Formen, die in keinem Trainingsbestand oft vorkommen. Deutsch macht das fortlaufend, und eine Zusammensetzung, die das Modell nie gesehen hat, muss zusammengebaut statt erkannt werden. Wer regelmäßig über eine Grundstücksverkehrsgenehmigung oder eine Betriebsratsvorsitzende schreibt, merkt das sofort.
Reiche Beugung. Hat ein Substantiv fünfzehn Formen und ein Verb vierzig, kommt jede einzelne Form seltener vor als eine englische Entsprechung. Dieselbe Menge Material verteilt sich dünner.
Ton. In tonalen Sprachen ändert die Tonhöhe die Bedeutung statt der Betonung, und das fügt eine Größe hinzu, die das klangliche Modell treffen muss.
Schriftsysteme. Sprachen, die ohne Leerzeichen zwischen den Wörtern geschrieben werden, verlangen vom System zu entscheiden, wo Wörter anfangen, und das ist eine andere Aufgabe, als sie zu hören. Sprachen mit mehreren Schriften legen noch eine drauf.
Lehnwörter und Sprachwechsel. In vielen Sprachen steckt die Alltagssprache voller englischer Fachbegriffe. Diese Mischung ist im Leben verbreitet und in sauberen Trainingsdaten selten.
Nichts davon ist unüberwindlich, und alles davon heißt, dass eine bestimmte Menge Material weniger Genauigkeit einbringt, als sie es in einer einfacheren Sprache täte.
Warum ein mehrsprachiges Modell ein Kompromiss ist
Das meiste Diktieren auf dem Gerät benutzt inzwischen ein Modell für viele Sprachen statt eines pro Sprache. Diese Wahl hat Folgen, die man verstehen sollte.
Der Vorteil ist echt: ein Download, keine Pakete zu verwalten, und die Möglichkeit, aus der Aufnahme zu bestimmen, welche Sprache du sprichst, statt aus einem Menü. Für alle, die in zwei Sprachen leben, ist das der Unterschied zwischen Diktieren benutzen und nicht.
Der Preis ist, dass die Kapazität geteilt wird. Ein Modell einer bestimmten Größe, das achtzehn Sprachen abdeckt, wendet jeder davon weniger von sich zu als ein Modell derselben Größe, das eine abdeckt. Das ist der Kompromiss hinter der Beobachtung, dass ein Werkzeug für eine einzige Sprache bei dieser einen manchmal besser abschneidet.
Es gibt auch einen Gewinn, den Leute nicht erwarten. Verwandte Sprachen können einander helfen, denn Muster, die aus der einen gelernt wurden, übertragen sich teilweise auf die andere. Eine kleinere Sprache, die neben einer gut versorgten Verwandten liegt, schneidet in einem mehrsprachigen Modell oft besser ab, als ihr eigenes Datenaufkommen vermuten ließe.
Was deine Ergebnisse tatsächlich verbessert
Drei Dinge, nach Wirkung geordnet, und alle drei liegen bei dir und nicht bei uns.
Sprich in ganzen Sätzen. Der Zusammenhang leistet in einer dünn versorgten Sprache mehr Arbeit und nicht weniger, denn die klanglichen Hinweise sind schwächer, und die umliegenden Wörter müssen mehr tragen.
Trag deinen eigenen Wortschatz ein. Eigennamen sind in jeder Sprache der schlechteste Fall und der beste Fall für ein eigenes Wörterbuch. LocalType behält solche Ergänzungen auf dem Gerät und gibt sie dem Sprachmodell als Zusammenhang mit.
Nimm ein größeres Modell, wenn dein Handy es halten kann. Kapazität hilft genau dort am meisten, wo eine Sprache dünn vertreten ist, und deshalb fällt der Unterschied zwischen den Modellgrößen in manchen Sprachen stärker auf als im Englischen.
Hintergrundgeräusche zu verringern hilft ebenfalls, und es hilft mehr, als es in einer Sprache täte, die das Modell gut kennt, denn es gibt weniger Redundanz zum Ausgleichen.
Was sich ändern wird und was nicht
Ändern wird sich: die Menge des verfügbaren Trainingsmaterials, langsam, mit mehr abgetipptem Ton in mehr Sprachen. Auch die Bauformen der Modelle werden weiter sparsamer, ein Modell in Handygröße bildet also mehr ab als früher.
Nicht ändern werden sich: die Eigenschaften des Sprachbaus. Eine Sprache mit starker Beugung wird ihr Material immer dünner verteilen als eine ohne. Tonale Unterschiede werden immer eine zusätzliche Größe bleiben.
Nicht schnell ändern wird sich: die Reihenfolge. Englisch wird so bald nicht aufhören, die bestversorgte Sprache zu sein, und jedes Produkt, das gleichmäßige Genauigkeit über hundert Sprachen behauptet, beschreibt eine Absicht.
Was das für den Vergleich von Produkten heißt
Vergleiche, die auf Englisch geschrieben sind, sagen dir über deine Sprache sehr wenig. Eine Rezension, die die Genauigkeit lobt, beschreibt den bestversorgten Fall, und die Rangfolge zwischen Produkten kann in einer Sprache mit weniger Material dahinter völlig anders ausfallen.
Prüf also in der Sprache, die du wirklich benutzen wirst, an der Art von Sätzen, die du wirklich schreibst, statt einem Urteil zu glauben. Zehn Minuten mit deiner eigenen Sprache sind mehr wert als jeder veröffentlichte Vergleich, und es ist der einzige Weg herauszufinden, ob ein Produkt deinen Fall abdeckt.
Dasselbe gilt für die Zahl der unterstützten Sprachen auf einer Produktseite. Eine Sprache zu unterstützen und in ihr gut zu sein sind verschiedene Aussagen, und nur die erste taucht in der Werbung auf. Ein Werkzeug mit hundert Sprachen und eines mit achtzehn können in deiner gleich gut sein oder eben nicht, und die Liste sagt es dir nicht.
Wie LocalType damit umgeht
Achtzehn Sprachen aus einem mehrsprachigen Modell, aus der Aufnahme bestimmt statt aus einem Menü, mit drei Modellgrößen, damit du die Kapazität dorthin legen kannst, wo du sie brauchst.
Auf der Sprachenseite steht dasselbe: Die Genauigkeit ist über diese achtzehn nicht gleich, weil das Trainingsmaterial es nicht ist. Weit verbreitete Sprachen kommen am besten weg, und du merkst es ohnehin spätestens bei deiner dritten Nachricht.
Alles andere an der App bleibt davon unberührt, welche Sprache du sprichst. Erkannt wird auf dem Gerät, aus einer Modelldatei, die keine andere App öffnen kann, das Netz wird einmal kontaktiert, um das Modell zu holen, es gibt kein Konto, keine Werbung, nichts, was deine Nutzung aufzeichnet, und keinen gespeicherten Ton.
Ist deine Sprache eine der achtzehn und enttäuschen dich die Ergebnisse, dann ist die Reihenfolge zum Ausprobieren die von oben: ganze Sätze, dein eigener Wortschatz, dann ein größeres Modell. In einer dünn versorgten Sprache zählen diese drei erheblich mehr als im Englischen.