So funktioniert Spracheingabe

Von der Schallwelle zum digitalen Audio: was dein Mikrofon beim Diktieren aufnimmt

Wie Mikrofon und Gerät Sprache in Zahlen verwandeln: Abtastrate, Bittiefe, Mono, Resampling und warum die Position des Mikrofons wichtiger ist als technische Daten.

MacWindowsiPhoneAndroid

Kurz gesagt

Deine Stimme ist eine Druckwelle. Das Mikrofon macht daraus ein elektrisches Signal, und ein Wandler misst dieses Signal tausende Male pro Sekunde. Für Sprache ist das klassische Format 16.000 Messungen pro Sekunde mit 16 Bit. Höhere Zahlen garantieren keine bessere Erkennung: Eine klare Stimme nah am Mikrofon zählt viel mehr als technische Daten.

Slack

Du sagst

bin zehn minuten zu spät fangt ohne mich an

SayVelio schrieb

Bin 10 Minuten zu spät, fangt ohne mich an.

Ton beginnt als bewegte Luft

Wenn du sprichst, erzeugen Stimmbänder, Zunge und Lippen winzige, schnelle Druckschwankungen in der Luft. Ein Mikrofon hat eine dünne Membran, die sich mit diesen Schwankungen bewegt und die Bewegung in eine wechselnde Spannung umsetzt: eine analoge Welle, die deine Stimme abbildet.

Computer können keine kontinuierliche Welle speichern, deshalb misst ein Analog-Digital-Wandler (meist in Laptop, Handy oder Headset eingebaut) sie in gleichen Abständen. Jede Messung ist ein Abtastwert (Sample), gespeichert als Zahl.

Eine Schallwelle, in gleichen Abständen gemessen: jeder Punkt ist ein Abtastwert
Abtastung: Aus der glatten Welle deiner Stimme wird eine Reihe gemessener Punkte

Abtastrate: wie oft das Signal gemessen wird

Die Abtastrate ist die Zahl der Messungen pro Sekunde. 16.000 Hz (16 kHz) heißt 16.000 Abtastwerte pro Sekunde, 48 kHz heißt 48.000.

Die Abtastrate legt die höchste Frequenz fest, die eine Aufnahme halten kann: ungefähr die Hälfte davon. Eine Aufnahme mit 16 kHz hält Töne bis etwa 8 kHz, und das reicht, um Sprache zu verstehen. Klassischer Telefonton hält nur etwa bis 3,4 kHz, deshalb verwechselt man am Telefon so leicht „f“ und „s“.

Bittiefe: wie genau jeder Wert gespeichert wird

Die Bittiefe gibt an, wie viele verschiedene Werte ein Abtastwert annehmen kann. 16-Bit-Audio hat 65.536 mögliche Stufen. Das beschreibt die Genauigkeit der Messung, sonst nichts: Ein Sprachmodell unterscheidet deshalb nicht 65.536 Arten von Lauten.

Eine Diktataufnahme ist meist mono: ein Kanal, ein Wert pro Moment. Stereo fügt einen zweiten Kanal hinzu, der der Erkennung kaum hilft.

Wie viele Daten ein paar Sekunden Sprache sind

Die Rechnung ist einfach: 16.000 Werte × 16 Bit = 256.000 Bit pro Sekunde Mono-Audio, also 32 KB pro Sekunde ohne Dateikopf. Ein 30-Sekunden-Diktat ist unkomprimiert rund 1 MB groß. Für heutige Verbindungen ist das wenig, aber es summiert sich, wenn eine App viele Aufnahmen schickt, weshalb manche Apps Audio vorher komprimieren (siehe Audiokompression für Sprache).

Resampling ist mehr als eine geänderte Zahl

Viele Mikrofone nehmen mit 48 kHz auf, viele Erkennungsmodelle erwarten 16 kHz. Die Umrechnung ist kein bloßes Umbenennen der Datei: Das Audio muss erst von Frequenzen gefiltert werden, die die niedrigere Rate nicht halten kann, sonst falten sie sich als Verzerrung in die Aufnahme zurück (Aliasing). Betriebssystem und Audiobibliotheken erledigen das für dich, aber es ist ein Grund mehr, Audio nicht hin und her zu konvertieren.

Mikrofon und Raum zählen am meisten

All das passiert vor der Erkennung, und keine Software stellt Wörter wieder her, die das Mikrofon nie klar aufgenommen hat. In der Praxis:

  • Abstand zählt am meisten. Ein Headset oder das eingebaute Mikrofon des Laptops direkt vor dir schlägt eine Webcam am anderen Ende des Raums. Entfernte Mikrofone fangen mehr Hall ein.
  • Zu nah gibt Plopp-Geräusche. Direkt ins Mikrofon gesprochen, erzeugen „p“ und „b“ Luftstöße.
  • Prüf den gewählten Eingang. Schließt du Kopfhörer an, wechselt der Computer womöglich das Mikrofon. Auf dem Mac unter Systemeinstellungen → Ton → Eingang, unter Windows unter Einstellungen → System → Sound.
  • Gib der Diktier-App Zugriff aufs Mikrofon. Ohne ihn bekommt die App nur Stille.

Tipp

Wenn das Diktieren plötzlich schlechter wird, prüf zuerst das Eingabegerät. Der Wechsel auf das Mikrofon eines Bluetooth-Headsets senkt oft die Qualität, weil viele Headsets bei aktivem Mikrofon in einen schmalen, telefonähnlichen Audiomodus schalten.

Häufige Fragen

Bringt eine höhere Abtastrate besseres Diktieren?

Nicht unbedingt. Die meisten Spracherkennungsmodelle arbeiten intern mit 16 kHz, eine 48-kHz-Aufnahme wird also ohnehin heruntergerechnet. Eine klare Stimme und eine gute Mikrofonposition zählen mehr.

Brauche ich ein externes Mikrofon?

Meist nicht. Die eingebauten Mikrofone moderner Laptops und Handys reichen in einem ruhigen Raum zum Diktieren. Ein Headset hilft im Großraumbüro oder an lauten Orten.