Vom Roh-Transkript zum lesbaren Text: Satzzeichen, Zahlen und Bereinigung
Warum ein rohes Sprach-Transkript nicht versandfertig ist, wie Satzzeichen, Großschreibung, Zahlen und Listen dazukommen, warum „fünf fünfzig“ mehrdeutig ist und wie die Bereinigung deinen Sinn nicht verändert.
Kurz gesagt
Spracherkennung liefert deine Wörter so, wie du sie gesagt hast: mit Füllwörtern, Neustarts, ohne Satzzeichen. Ein zweiter Schritt macht daraus geschriebenen Text: Satzzeichen, Großschreibung, Zahlen in Ziffern, Listen und Absätze. Dieser Schritt muss deuten, denn „fünf fünfzig“ kann eine Uhrzeit, ein Preis oder eine Menge sein. Eine gute Bereinigung behält deinen Sinn und deine Sprache und ändert nur die Form.
Du sagst
hallo sara also der call ist um fünf uhr fünfzig nein sorry um sechs uhr fünfzehn und das budget sind zwölftausendfünfhundert euro
SayVelio schrieb
Hallo Sara,
der Call ist um 18:15 Uhr, und das Budget sind 12.500 €.
Wie ein Roh-Transkript aussieht
Niemand spricht in fertigen Sätzen. Ein rohes Transkript einer normalen Nachricht sieht oft so aus:
also ähm der plan ist wir wir schicken den entwurf am dienstag nein mittwoch und dann äh schaut anna drüber
Alle Wörter sind da, aber so würde es niemand abschicken. Für „Der Plan: Wir schicken den Entwurf am Mittwoch, dann schaut Anna drüber.“ braucht es mehrere Entscheidungen: „ähm“ und „äh“ streichen, das doppelte „wir“ entfernen, die Selbstkorrektur anwenden, Satzzeichen und Großschreibung ergänzen.

Satzzeichen sind eine Deutung
Mikrofone nehmen keine Kommas auf. Satzzeichen werden aus Pausen, Betonung und Satzbau abgeleitet, sie sind also eine redaktionelle Entscheidung, keine Messung. Meist ist sie eindeutig. Manchmal verändert sie den Sinn („Komm, wir essen, Opa“ gegen „Komm, wir essen Opa“) — ein Grund mehr, wichtige Nachrichten vor dem Senden zu lesen.
Zahlen, Daten und Geld: inverse Textnormalisierung
Gesprochene Formen in geschriebene Schreibweise zu übertragen, hat einen Fachbegriff: inverse Textnormalisierung (ITN). Sie macht aus „hundertdreiundzwanzig Dollar“ „123 $“ und aus „dritter März“ „3. März“.
Das ist schwerer, als es aussieht, weil das Audio allein oft nicht entscheidet:
| Du sagst | Könnte geschrieben werden als |
|---|---|
| „fünf fünfzig“ | 5:50 (Uhrzeit), 550 (Zahl), 5,50 € (Preis) |
| „zwanzig vierundzwanzig“ | 2024 (Jahr), 20 24 (zwei Zahlen), 20–24 (Spanne oder Spielstand) |
| „eins null eins“ | 101, 1:01 |
| „der dritte“ | 3., der 3. des Monats, „der Dritte“ (als Person) |
Meist löst der Kontext das, und eine gute Bereinigung entscheidet anhand des ganzen Satzes. Wenn es auf Genauigkeit ankommt, sag etwas mehr: „fünf Uhr fünfzig abends“, „fünf Euro fünfzig“.
Die Gegenrichtung, vom geschriebenen „123 $“ zu gesprochenen Wörtern, heißt Textnormalisierung und ist Sache der Sprachsynthese, siehe Spracherkennung und Sprachsynthese.
Richtige Wörter, falsches Format
Erkennung und Formatierung sind verschiedene Aufgaben. Der Erkenner kann jedes Wort richtig haben, und das Ergebnis passt trotzdem nicht: eine Liste als Fließtext, eine Uhrzeit als Zahl, eine förmliche E-Mail voller Ausrufezeichen. Das ist Aufgabe der Formatierungsebene, und hier helfen persönliche Einstellungen.
In SayVelio ist diese Ebene die optionale Bereinigung:
- Der Bereinigungs-Prompt legt die allgemeinen Regeln fest: Listen, Zahlen, Tonfall.
- App-Stile passen das Ergebnis an den Ort an, an dem du schreibst: kurz und locker im Chat, ganze Sätze in der E-Mail, exakte Befehle im Terminal.
- Der Modus Schnell überspringt die Bereinigung ganz und fügt das Transkript so ein, wie es erkannt wurde, wenn Tempo wichtiger ist als Feinschliff.
Die Grenze zwischen „ordentlicher“ und „anders“
Manche Änderungen sind harmlos: Großschreibung, Kommas, gestrichenes „ähm“. Andere ändern, was du gesagt hast: ein ersetzter Name, ein verschwundenes „nicht“, eine gerundete Zahl, ein umformuliertes Versprechen. Eine gute Bereinigung macht die erste Art frei und vermeidet die zweite.
Die Bereinigung in SayVelio ist angewiesen, deine Wörter und deine Sprache zu behalten, nie zu übersetzen und nie auf das Diktierte zu antworten. Wirkt ein Ergebnis einmal seltsam, liegt jedes Diktat im Verlauf der App, von wo du es erneut kopieren kannst.
Häufige Fragen
Warum hat sich das Format einer Zahl in meinem Diktat geändert?
Die Bereinigung schreibt gesprochene Zahlen so, wie man sie üblicherweise schreibt: Ziffern, Währungen, Uhrzeiten. Hat sie die falsche Lesart gewählt, gib beim Sprechen etwas Kontext („um fünf Uhr fünfzig abends“) oder beschreib deine Formate im Bereinigungs-Prompt.
Kann ich den Text genau so bekommen, wie ich ihn gesagt habe?
Ja. Nutze den Modus Schnell, der einfügt, was die Spracherkennung gehört hat, ohne Bereinigung. Füllwörter und Neustarts bleiben dann auch drin.


