Viele Diktier-Apps werben mit 100+ unterstützten Sprachen. Warum Breite bei der Sprachqualität oft gegen Tiefe geht, und wann sich das lohnt.
"Unterstützt über 100 Sprachen" ist eine der häufigsten Werbezeilen im Diktier-Segment, von Spokenly über OpenWhispr bis Monologue. Die Zahl klingt nach einem klaren Vorteil, und technisch stimmt sie meistens sogar. Was dabei selten mitgeliefert wird: Wie gut ein Modell 100 Sprachen kann, ist eine andere Frage als ob es sie kann. Für Nutzer, die überwiegend Deutsch diktieren, lohnt sich ein genauerer Blick darauf, was hinter dieser Zahl steckt.
Die meisten Tools, die mit einer großen Sprachanzahl werben, basieren auf OpenAIs Whisper-Modell oder direkten Ableitungen davon. Whisper wurde tatsächlich mit Daten aus über 90 Sprachen trainiert, das ist technisch korrekt. Die Trainingsdaten sind dabei aber alles andere als gleich verteilt: Englisch macht den mit Abstand größten Anteil aus, gefolgt von einigen weiteren großen Sprachen, während kleinere Sprachen mit deutlich weniger Material auskommen müssen. Deutsch liegt vergleichsweise gut im Datensatz, ist aber selbst dort nicht der Fokus der Modellarchitektur.
Das Ergebnis: Ein Modell, das 100 Sprachen "kann", liefert für die meisten davon eine brauchbare, aber nicht optimierte Transkription. Füllwörter werden nicht zuverlässig erkannt, Komposita nicht immer korrekt zusammengeschrieben, und die Nachbearbeitung, falls überhaupt vorhanden, korrigiert nach denselben generischen Regeln für alle Sprachen gleichzeitig. Für eine kurze Notiz reicht das oft aus, für professionelle Texte mit Anspruch an Rechtschreibung und Stil zeigt sich der Unterschied schnell.
Ein zweiter Effekt kommt bei der automatischen Spracherkennung hinzu. Manche mehrsprachigen Tools versuchen, die gesprochene Sprache automatisch zu erkennen, statt sie fest einzustellen. Das funktioniert gut, solange klar zwischen zwei sehr unterschiedlichen Sprachen gewechselt wird, wird aber unzuverlässig bei Dialekten, starken Akzenten oder wenn im selben Satz einzelne englische Fachbegriffe eingestreut werden, was im deutschen Berufsalltag ausgesprochen häufig vorkommt. Das Modell muss dann in Sekundenbruchteilen entscheiden, in welcher Sprache es gerade zuhört, und diese Entscheidung ist eine zusätzliche Fehlerquelle, die bei einer festen Spracheinstellung gar nicht erst entsteht.
Sprich unterstützt aktuell Deutsch und Englisch, mit jeweils eigenen System-Prompts für die Nachbearbeitung, die genau auf die grammatikalischen Eigenheiten der jeweiligen Sprache zugeschnitten sind. Das ist eine bewusste Entscheidung gegen Breite und für Tiefe. Statt ein Modell zu bauen, das oberflächlich mit vielen Sprachen zurechtkommt, wurde die Nachbearbeitung für Deutsch gezielt trainiert: auf Komposita, auf die Regeln der Groß- und Kleinschreibung, auf typische Stolperstellen bei gesprochener gegenüber geschriebener Sprache.
Der Unterschied zeigt sich konkret bei Details, die in einer Sprache eine Rolle spielen, in einer anderen nicht. Deutsche Komposita wie "Grundstücksübertragungssteuer" entstehen beim Sprechen oft als mehrere getrennte Wörter und müssen von der Nachbearbeitung korrekt zusammengeführt werden, ein Vorgang, der für eine Sprache ohne ausgeprägte Komposita-Bildung schlicht nicht existiert und in einem Mehrzweckmodell entsprechend selten gezielt trainiert wird.
Diese Entscheidung hat einen klaren Nachteil, den man offen benennen sollte. Wer beruflich zwischen mehreren Sprachen wechselt, etwa eine Übersetzerin, die abwechselnd auf Deutsch, Französisch und Spanisch diktiert, oder ein internationales Team, das in wechselnden Sprachen kommuniziert, ist mit Sprich aktuell nicht optimal bedient. Für diesen Anwendungsfall ist ein Tool mit breiterer, wenn auch flacherer Sprachabdeckung tatsächlich die praktischere Wahl, selbst wenn die Qualität pro Sprache im Schnitt niedriger liegt.
Für alle, die überwiegend auf Deutsch arbeiten und gelegentlich Englisch einstreuen, etwa bei Fachbegriffen oder E-Mails an internationale Kunden, ist die Fokussierung ein klarer Vorteil. Sabine, Übersetzerin und Lektorin aus Bonn, hat genau diesen Kompromiss für sich abgewogen. Für ihre Lektoratsarbeit auf Deutsch nutzt sie Sprich, weil die Rechtschreibkorrektur zuverlässiger ist als bei den mehrsprachigen Alternativen, die sie zuvor getestet hat. Für Projekte in anderen Sprachen greift sie weiterhin auf ein separates Tool zurück. Zwei spezialisierte Werkzeuge statt eines, das überall ein bisschen kann, ist für sie im Ergebnis die schnellere Lösung.
Ein weiterer Punkt betrifft die Erwartungshaltung. Wer ein Tool kauft, das mit 100 Sprachen wirbt, aber nur eine davon regelmäßig nutzt, zahlt implizit für eine Vielseitigkeit, die er nie ausschöpft, während die tatsächlich genutzte Sprache möglicherweise schlechter unterstützt wird als bei einem spezialisierten Tool. Das ist kein Vorwurf an die breiter aufgestellten Anbieter, ihr Ansatz ist für ihre Zielgruppe richtig, sondern eine Einladung, die eigene Nutzung ehrlich einzuschätzen, bevor man sich für eine Lösung entscheidet.
Innerhalb der beiden unterstützten Sprachen lässt sich die Spracheinstellung in Sprich manuell festlegen, statt sie automatisch erraten zu lassen. Wer überwiegend Deutsch diktiert, aber gelegentlich komplett auf Englisch wechselt, etwa für eine E-Mail an ein internationales Kundenteam, stellt die Sprache für diese Sitzung bewusst um, statt sich auf eine automatische Erkennung zu verlassen, die mitten im Satz danebenliegen könnte. Diese bewusste Entscheidung kostet einen zusätzlichen Klick, sorgt dafür aber für eine Nachbearbeitung, die tatsächlich für die gesprochene Sprache optimiert ist, nicht für eine Vermutung darüber.
Langfristig ist eine Erweiterung um weitere Sprachen nicht ausgeschlossen, sie würde aber jeweils bedeuten, ein eigenes Nachbearbeitungsmodell für diese Sprache zu trainieren, nicht einfach einen Schalter umzulegen. Das ist deutlich aufwendiger, als eine Sprache zu einer bereits mehrsprachigen Modellbasis hinzuzufügen, führt aber auch dazu, dass jede neu hinzukommende Sprache dieselbe Sorgfalt bekommt wie Deutsch heute.
"100 Sprachen" ist technisch meistens korrekt und trotzdem keine vollständige Information. Für Nutzer, die durchgängig auf Deutsch arbeiten, lohnt sich die Frage, ob eine Lösung wirklich Tiefe für die eigene Sprache bietet oder nur Breite für alle. Wer wissen möchte, wie sich diese sprachliche Spezialisierung auf die eigentliche Transkriptionsqualität auswirkt, findet im Artikel zur lokalen KI-Sprachverarbeitung auf Apple Silicon weitere technische Hintergründe.
Wer das ausprobieren möchte, kann bei Sprich kostenlos starten. 2.000 Wörter pro Woche sind gratis, keine Kreditkarte erforderlich.
Sprich kostenlos testen — 2.000 Wörter pro Woche gratis, keine Kreditkarte nötig.
Kostenlos herunterladen →