Dialekterkennung

Dialekterkennung bezeichnet die Fähigkeit eines Spracherkennungsmodells, dialektal gefärbte Sprache in Standardschrift zu übertragen, obwohl Aussprache, Wortschatz oder Grammatik vom Hochdeutschen abweichen. Ein englisches Äquivalent ist dialect-robust speech recognition. Die Dialekterkennung unterscheidet sich von der Dialektidentifikation: Diese bestimmt nur, welcher Dialekt gesprochen wird, ohne den Inhalt zu verschriftlichen.

So funktioniert es

Ein Spracherkennungsmodell lernt aus Paaren von Audioaufnahme und Transkript, und Standardsprache ist in diesen Paaren stark überrepräsentiert. Radford et al. (2022) trainierten Whisper mit 680.000 Stunden Audio in 97 Sprachen und fanden einen quadrierten Korrelationskoeffizienten von 0,83 zwischen dem Logarithmus der Wortfehlerrate und dem Logarithmus der Trainingsdatenmenge je Sprache (Abschnitt 3.4). Wenig Trainingsdaten bedeuten demnach eine hohe Fehlerrate, und für Dialekte mit eigener Aussprache und eigenem Wortschatz gibt es kaum Aufnahmen mit passendem Standarddeutsch-Transkript.

Trifft das Modell auf tiefen Dialekt, ersetzt es unbekannte Laute durch das ähnlichste ihm bekannte Wort. Bei einer Aufnahme in Mundart weicht es dabei auf das ähnlichste hochdeutsche Wort aus (Dialekte und Sprach-KI; Jäckel, 2026). Dolev, Lutz und Aepli (2024) kommen für Schweizerdeutsch zu einem ähnlichen Befund: Whisper liefert brauchbare Ergebnisse, wenn das Ziel eine Übersetzung ins Standarddeutsche ist, nicht aber eine wortgetreue Verschriftlichung der Mundart selbst.

Ein weiteres Hindernis ist die Rechtschreibung. Viele Dialekte haben keine allgemein anerkannte Schreibweise. Ein Modell kann also auch dort als fehlerhaft gelten, wo es den Inhalt richtig erfasst hat, weil der Referenztext in einer Mundartschreibung vorliegt, die das Modell nicht kennt.

Bedeutung für Transkripte im forensischen Kontext

In einer Vernehmung oder Exploration mit Mundart weicht das Wortprotokoll stärker vom tatsächlich Gesagten ab als bei Hochdeutsch, und der Bearbeiter muss diese Stellen am Ton nachhören.

Für aussagepsychologische Gutachten beantwortet das BGH-Urteil vom 30.07.1999 (1 StR 618/98, BGHSt 45, 164) die Frage, wie wörtlich ein Transkript sein muss. Für andere Gutachten, etwa familienpsychologische, und für polizeiliche Vernehmungen trifft das Urteil keine Aussage; dort können andere Vorgaben gelten. Das Gericht stellt in Randnummer 56 klar, dass ein Explorationsgespräch im aussagepsychologischen Gutachten nicht vollständig wiedergegeben werden muss. Wörtlich ist die Darstellung nur so weit erforderlich, wie es für die Bearbeitung des Gutachtenauftrags von Bedeutung ist. Zur Mundart selbst äußert sich das Urteil nicht. Für die Feststellung von Realkennzeichen kommt es in der Regel auf den Inhalt einer Aussage an, nicht auf ihre regionale Aussprache, sodass eine dialektgetreue Verschriftlichung für diesen Analyseschritt meist entbehrlich ist. Der Bearbeiter entscheidet von Fall zu Fall, ob eine Stelle wörtlich in Mundart oder geglättet in Standarddeutsch ins Transkript kommt, und vermerkt den gewählten Modus.

Abgrenzung

Dialektidentifikation ordnet eine Aufnahme einem bestimmten Dialekt zu, etwa Schwäbisch oder Kölsch, und verschriftlicht dabei nichts. Dialekterkennung im hier beschriebenen Sinn überträgt den gesprochenen Inhalt in Text, unabhängig davon, ob der Dialekt vorher benannt wurde.

Ein Akzent betrifft nur die Aussprache einer Sprache, die ein Sprecher als Fremdsprache oder mit regionaler Färbung spricht. Wortschatz und Grammatik bleiben dabei standardsprachlich. Ein Dialekt wie Elsässisch kann dagegen eigene Wörter und eine eigene Grammatik haben und gilt sprachwissenschaftlich teils als eigene Sprache.

Mehrsprachigkeit liegt vor, wenn eine Aufnahme zwischen zwei Sprachen wechselt, etwa Deutsch und Französisch. Ein Spracherkennungsmodell muss dafür die Sprache erkennen und wechseln. Ein Dialekt bleibt dagegen innerhalb einer Sprache und stellt das Modell vor eine Aufgabe der Normalisierung, nicht der Sprachumschaltung.

Häufige Fragen

Verschriftlicht memozero Mundart wortgetreu?

Nein. Bei tiefem Dialekt weicht das Modell auf das ähnlichste hochdeutsche Wort aus (Dialekte und Sprach-KI; Jäckel, 2026). Der Bearbeiter korrigiert diese Stellen im Editor gegen den Ton, unterstützt durch die Konfidenzmarkierung pro Wort und ein Wörterbuch für wiederkehrende Eigenwörter.

Muss ein aussagepsychologisches Gutachten dialektgetreu transkribiert sein?

Nein, nicht grundsätzlich. Zumindest für aussagepsychologische Gutachten genügt nach dem BGH-Urteil von 1999 (1 StR 618/98, Rn. 56) eine wörtliche Darstellung, soweit sie für die Bearbeitung des Gutachtenauftrags erforderlich ist. Für andere Gutachtenarten und für Vernehmungen trifft das Urteil keine Aussage. Für die Feststellung von Realkennzeichen kommt es in der Regel auf den Inhalt an, nicht auf die regionale Aussprache.

Warum liegt die Zeichenfehlerrate bei Mundart niedriger als die Wortfehlerrate?

Die Wortfehlerrate zählt ein ganzes Wort schon als falsch, wenn eine Mundart-Referenz eine andere Schreibweise verwendet als das vom Modell erzeugte hochdeutsche Wort. Die Zeichenfehlerrate misst dagegen auf Buchstabenebene und bewertet Wörter, die sich nur in wenigen Buchstaben unterscheiden, als näher am Original.

Quellen

1. Radford, A., Kim, J. W., Xu, T., Brockman, G., McLeavey, C., Sutskever, I. (2022): Robust Speech Recognition via Large-Scale Weak Supervision. arXiv:2212.04356. https://arxiv.org/abs/2212.04356
2. Dolev, E. L., Lutz, C. F., Aepli, N. (2024): Does Whisper Understand Swiss German? An Automatic, Qualitative, and Human Evaluation. VarDial 2024. arXiv:2404.19310. https://arxiv.org/abs/2404.19310
3. BGH, Urteil vom 30.07.1999, 1 StR 618/98 (BGHSt 45, 164). https://www.hrr-strafrecht.de/hrr/1/98/1-618-98.php
4. Jäckel, P. K. (2026): Dialekte und Sprach-KI: Warum Mundart die Transkription herausfordert. memozero Docs, 22.07.2026. https://memozero.io/de/docs/dialekte-und-sprach-ki/