Sprache & Dialog
Transkription, Zeitstempel, Sprecherdiarisierung, Intent- und Slot-Labeling sowie Emotions- oder Dialekt-Tagging auf japanischem Audio – nach einer schriftlichen Konvention statt nach ungeschriebener Gewohnheit.
Zwei Transkribierende, die dasselbe japanische Audio ohne Konvention bearbeiten, sind sich etwa bei jeder dritten Zeile uneins. Nicht darüber, was gesagt wurde, sondern darüber, wie man es schreibt.
Japanisch hat keine Leerzeichen, vier Schriftsysteme und eine große Lücke zwischen dem Klang eines Wortes und seiner üblichen Schreibung. In dem Moment, in dem Audio zu Text wird, hat also jemand Dutzende Entscheidungen getroffen: ob 有難うございます in Kanji oder Kana geschrieben wird, ob 3人 als 3人 oder 三人 erscheint, ob das えーっと am Satzanfang bleibt oder wegfällt, ob ein Neuansatz mitten im Wort transkribiert oder geglättet wird.
Keine dieser Entscheidungen ist für sich genommen falsch. Falsch ist, sie über ein Korpus hinweg uneinheitlich zu treffen, denn ein ASR-Modell, das auf uneinheitlichen Zielen trainiert wird, lernt, dass derselbe Laut auf mehrere Zeichenketten abbildet, und seine Fehlerrate schluckt die Differenz. Der größte Qualitätshebel bei japanischen Sprachdaten ist eine Normalisierungskonvention, die aufgeschrieben und tatsächlich durchgesetzt wird.
Wir beginnen deshalb jedes Sprachprojekt damit, dieses Dokument abzustimmen – und wo Sie bereits eines haben, übernehmen wir Ihres, statt Ihnen unseres aufzudrängen.
Im Überblick
Aufgabenarten
Die Transkription ist meist die Basisschicht; alles Weitere kommt auf derselben Zeitachse dazu.
Wortgetreu oder geglättet, nach einer schriftlichen Konvention für Füllwörter, Neuansätze, Wiederholungen, Versprecher und unverständliche Passagen.
Zeitstempel auf Segment-, Äußerungs- oder Wortebene sowie Forced Alignment gegen ein bestehendes Transkript, sofern vorhanden.
Wer spricht – auch bei überlappender Sprache und Kanalwechseln, dem Teil, der an echten Telefonaufnahmen am häufigsten scheitert.
Was eine Äußerung erreichen will und welche Werte sie trägt, auf das Transkript gelegt für Sprachassistenten und Call-Analytics.
Emotion, Sentiment, prosodische Betonung, Sprechstil und regionale Variante, bewertet nach definierten Kategorien statt nach Eindruck.
Japanisch-spezifisch
Diese vier decken den größten Teil der Uneinigkeit zwischen zwei kompetenten Transkribierenden ab.
ありがとう, 有難う und アリガトウ sind dasselbe Wort. Überlässt man es der einzelnen Person, enthält ein Korpus alle drei, und das Modell behandelt sie als verschiedene Ziele.
Unser Vorgehen Die Konvention listet die vorgeschriebene Schrift für häufige Wörter auf, setzt für den Rest eine Standardregel, und eine automatische Prüfung markiert Varianten vor der Lieferung.
Japanische Zählwörter ändern ihre Lesung mit dem gezählten Substantiv – 一本, 一杯, 一人 – und eine Zahl kann als 3, 三 oder 参 geschrieben werden. Uneinheitlich geschrieben wird die numerische Genauigkeit des Modells unmessbar.
Unser Vorgehen Eine Ziffernregel legt je Kontext arabisch oder Kanji fest und wie Zählwörter und Einheiten transkribiert werden, mit ausgearbeiteten Beispielen für Datum, Geld, Uhrzeit und Telefonnummern.
あの, えーっと, まあ und そのー durchziehen spontanes Japanisch. Sie zu behalten macht Transkripte verrauschter; sie wegzulassen macht wortgetreue Daten für unflüssigkeitsbewusste Modelle unbrauchbar.
Unser Vorgehen Die wortgetreue und die geglättete Variante werden getrennt definiert, jeweils mit festem Bestand und fester Schreibung der Füllwörter, sodass die Wahl eine Projekteinstellung ist und keine Entscheidung je Datei.
Callcenter-Japanisch ist dicht an Ehrerbietungs- und Bescheidenheitsformen, und mehrere hört man bei zügiger Arbeit leicht falsch – いたします und いただきます, よろしいでしょうか und よろしかったでしょうか.
Unser Vorgehen Die Prüfer werden auf die Höflichkeitsmuster Ihres Audiotyps eingewiesen, und Fehler bei Höflichkeitsformen sind eine eigene Kategorie im Prüfdurchlauf statt Teil der allgemeinen Genauigkeit.
Prozess
Das Konventionsdokument entsteht, bevor jemand eine vollständige Datei transkribiert, und wird nur über eine versionierte Änderung überarbeitet.
Wir hören uns eine repräsentative Stichprobe an – auch Ihr schlechtestes Audio, nicht nur Ihr sauberstes – und stellen fest, was daran wirklich schwierig wird.
Schrift, Ziffern, Füllwörter, nichtsprachliche Ereignisse, Überlappung, unverständliche Passagen, Sprecherrollen und Zeitgranularität werden in einem Dokument festgelegt, das Sie freigeben.
Mehrere Transkribierende bearbeiten dieselben Dateien unabhängig. Wo sie auseinandergehen, war die Konvention mehrdeutig und wird geschärft.
Jede Datei wird von einer anderen Person ein zweites Mal abgehört; eine Stichprobe wird blind neu transkribiert, was eine gemessene Genauigkeitszahl ergibt.
Transkripte, Zeiten und Labels werden mit der Konventionsversion, dem QA-Bericht und einer Liste der als unbrauchbar markierten Dateien geliefert – statt sie zu erraten.
Lieferung
Wir arbeiten mit Ihrem Audio so, wie es ist. Wo ein Codec oder eine Abtastrate begrenzt, was erreichbar ist, sagen wir das vor Projektbeginn und nicht danach.
| Ebene | Standardausgabe | Ebenfalls möglich |
|---|---|---|
| Transkript | JSON mit Segmentzeiten | reiner Text, SRT, VTT |
| Zeiten auf Wortebene | JSON | CTM, TextGrid |
| Sprecherlabels | RTTM oder JSON-Sprecherzüge | Transkripte je Kanal |
| Intent und Slots | JSONL, eine Äußerung je Zeile | CSV, CoNLL-Span-Format |
| Paralinguistische Labels | JSONL mit Zeitbereichen | CSV, ELAN-Annotationsdateien |
Qualität
Die Genauigkeit auf japanischem Audio wird gemessen, nicht behauptet – und zwar an den schwierigen Dateien, nicht an den leichten.
FAQ
Was Teams fragen, bevor sie ihre erste Charge japanisches Audio schicken.
Ja, und bei sauberem Audio ist das meist wirtschaftlicher. Der Haken ist, dass das Korrigieren eines maschinellen Transkripts dazu verleitet, das Angezeigte zu akzeptieren; für Trainingsdaten transkribieren wir deshalb entweder neu oder führen eine blinde Kontrolle an einer Stichprobe durch, um zu messen, was der Korrekturdurchlauf tatsächlich findet.
Wir klären vorab, ob Dialekt so transkribiert wird, wie er gesprochen wird, oder auf Standardjapanisch normalisiert wird, denn diese Entscheidung verändert den Datensatz vollständig. Wo Dialekt im Umfang liegt, taggen wir die Variante, und wir sagen offen, welche Varianten wir zuverlässig besetzen können und welche nicht.
Wir arbeiten mit echten Aufnahmen, auch mit Telefonbandbreite, Hintergrundgeräuschen und überlappenden Sprechern. Wichtiger als das Format ist, dass Sie vorab eine repräsentative Stichprobe schicken – an sauberem Audio abzugrenzen und dann an verrauschtem zu liefern, ist der Weg, auf dem Sprachprojekte scheitern.
Ja, unter NDA und Auftragsverarbeitungsvertrag, in einer isolierten Umgebung mit rollenbasiertem Zugriff und mit vertraglich vereinbarten Aufbewahrungs- und Löschregeln. Wo Aufnahmen personenbezogene Daten enthalten, können wir diese auch zur Schwärzung markieren oder mit Audio arbeiten, das Sie vor dem Versand geschwärzt haben. Das vollständige Bild finden Sie auf der Sicherheitsseite.
Ja. Überlappung ist der Punkt, an dem automatische Diarisierung am häufigsten scheitert, und einer der Hauptgründe, einen Menschen daranzusetzen. Unsere Konvention legt fest, wie überlappende Sprache segmentiert und zugeordnet wird, damit die Behandlung einheitlich ist und nicht Datei für Datei entschieden wird.
Sprache & Audio
Eine repräsentative Stichprobe sagt uns mehr als eine Spezifikation. Wir melden uns mit einem Konventionsentwurf, einer transkribierten Stichprobe und einer ehrlichen Einschätzung der zu erwartenden Fehlerrate.
NDA, bevor Sie Daten übermitteln. Die Planung des Pilotprojekts ist kostenlos.