Die Ausgangslage im Betrieb
- Besprechung: Zwei Entscheidungen, eine Aufgabe
- Danach: Protokoll bleibt liegen
- Später: Freitag oder nächster Freitag?
Nach der Besprechung bleibt das Protokoll liegen. Wer schreibt, hört nur halb zu, und später ist die Frist unklar.
Wochenbesprechung in einem Betrieb. Fünf Personen sitzen am Tisch, zwei Entscheidungen fallen, eine Aufgabe wird verteilt. Danach soll jemand das Protokoll schreiben. Meist ist es die Person, die ohnehin die meiste Arbeit hat. Das Protokoll gerät kurz, kommt spät oder fehlt.
Das Problem ist nicht das Schreiben allein. Wer protokolliert, hört nur halb zu, weil er mitschreibt. Und später weiß niemand mehr genau, was gesagt wurde: War es bis Freitag oder bis nächsten Freitag?
Was das System tun soll
- Tonaufnahme
- Spracherkennung (lokal auf dem Jetson)
- Text (Entwurf)
- Mensch prüft (und gibt frei)
Das System macht aus der Aufnahme einen Textentwurf. Den Beschluss prüft ein Mensch.
Das Ziel in einem Satz: Das System wandelt eine Sprachaufnahme in Text um, aus dem ein Protokoll wird.
Die Eingabe ist eine Tonaufnahme. Die Ausgabe ist ein Text. Das Zusammenfassen zu Entscheidungen und Aufgaben ist ein zweiter Schritt, den ein Sprachmodell oder ein Mensch übernehmen kann. Dieses Beispiel zeigt den ersten: von der Stimme zum Text.
Auch hier gilt: Das System liefert einen Entwurf. Was als Beschluss im Protokoll steht, prüft ein Mensch.
Welche Daten es braucht
- 28 s synthetische Beispielaufnahme
- 2 Entscheidungen
- 1 Aufgabe, dazu ein Termin
Eine Aufnahme mit gutem Ton und Zustimmung aller Beteiligten. Trainingsdaten brauchst du nicht.
Gebraucht wird eine Aufnahme mit guter Tonqualität. Trainingsdaten brauchst du nicht: Das Modell kann Sprache schon. Im fertigen Beispiel liegt eine Aufnahme von etwa 28 Sekunden. Sie enthält zwei Entscheidungen (die Montagelinie arbeitet im Zweischichtbetrieb, zwanzig Greifer werden bestellt), eine Aufgabe für die Instandhaltung und einen Termin für die nächste Besprechung.
Die Aufnahme ist eine synthetische Stimme und der Inhalt frei erfunden. Es gibt keine echte Besprechung. Der Originaltext liegt dabei, damit du vergleichen kannst.
Für den echten Einsatz zählt die Tonqualität: ein gutes Mikrofon in der Tischmitte, wenig Hall und kein Durcheinanderreden. Je klarer die Stimmen, desto besser der Text.
Zum Datenschutz: Die Stimme von Menschen ist eine personenbezogene Aufnahme. Alle Beteiligten müssen vorher wissen, dass aufgenommen wird, und zustimmen. Klär Zweck und Löschfrist. Beschäftigte sind betroffen, also sind Datenschutz und Betriebsrat früh dabei. Die Aufnahme sollte nach dem Erstellen des Textes gelöscht werden. Dass die Auswertung lokal auf dem Jetson läuft, ist ein Vorteil: Das Audio verlässt das Haus nicht.
Wie es funktioniert
- Ton teilen (kurze Abschnitte)
- Klangbild (Frequenzen über Zeit)
- Wörter schätzen
- Text (zusammensetzen)
Das Netz zerlegt den Ton, rechnet ihn in ein Klangbild um und schreibt die wahrscheinlichste Wortfolge.
Das Verfahren heißt Spracherkennung (Labor Spracherkennung). Ein Netz hat aus sehr viel Sprache gelernt, welche Laute zu welchen Wörtern gehören. Die Schritte:
- Ton in Stücke teilen: Die Aufnahme wird in kurze Abschnitte geschnitten.
- Laute in Zahlen: Jeder Abschnitt wird in ein Bild des Klangs umgerechnet, das zeigt, welche Frequenzen wann zu hören sind.
- Wörter schätzen: Das Netz schreibt Wort für Wort auf und wählt dabei die wahrscheinlichste Folge, die zum Klang passt und im Satz Sinn ergibt.
- Text zusammensetzen: Aus den Stücken entsteht ein durchgehender Text.
Das Beispiel zum Starten
- 1: Aufnahme abspielen
- 2: In Text umwandeln
- 3: Mit Original vergleichen
- 4: Zahlen und Fachwörter prüfen
Spiele die Aufnahme ab, lass sie umwandeln und vergleiche mit dem Originaltext. Achte auf Daten und Zahlen.
Im Beispiel spielst du die Beispielaufnahme ab. Sie dauert etwa 28 Sekunden. Dann lässt du sie vom Jetson in Text umwandeln und vergleichst das Ergebnis mit dem Originaltext.
Achte besonders auf Datumsangaben, Zahlen und Fachwörter wie „Zweischichtbetrieb“. Dort passieren die Fehler. Frage dich: Würde das Protokoll in dieser Form einen falschen Termin enthalten?
Nach dem Klick landest du im Labor Spracherkennung mit der Beispielaufnahme.
Was dabei herauskommt
- Links: Meist gut: Normale Sätze, Klare Stimme, Gute Tonqualität
- Rechts: Immer prüfen: Zahlen und Daten, Namen, Fachwörter
- Urteil: Ein Entwurf, kein fertiges Protokoll.
Eine Fehlerquote wurde nicht gemessen. Zähle selbst, wo der Text vom Original abweicht und was davon wehtäte.
Zu erwarten ist: Der Jetson schreibt den Text im Großen und Ganzen mit. Bei Zahlen und Datumsangaben kann die Schreibweise abweichen, zum Beispiel Ziffern statt Wörter, und Fachwörter werden mitunter getrennt oder anders geschrieben.
Ehrlich dazu: Die Datei wurde bei der Erstellung des Beispiels nicht auf dem Jetson transkribiert. Es gibt also keine gemessene Fehlerquote. Der Originaltext dient dir als Vergleich. Mach dir selbst ein Bild: Zähle die Stellen, an denen der Text vom Original abweicht, und bewerte, welche davon im Protokoll wehtäten.
Einordnung: Eine saubere Studioaufnahme mit einer klaren Stimme ist der Idealfall. Eine echte Besprechung mit Hall, Nebengeräuschen und durcheinandersprechenden Menschen ist schwerer. Und eine Zeile wie „bis zum Neunzehnten“ falsch zu schreiben, ändert die Aufgabe.
Stolpersteine
- Zahlen, Daten, Namen (immer gegen Aufnahme prüfen)
- Fachwörter (Wortliste führen)
- Schlechter Ton (gutes Mikrofon)
- Wer sagte was? (Zuordnung von Hand)
- Datenschutz (Zustimmung, Löschfrist)
- Zu viel Vertrauen (Freigabe durch Teilnehmer)
Zahlen, Daten und Namen sind die häufigsten und wichtigsten Fehler. Unten das Gegenmittel.
- Zahlen, Daten, Namen: Die häufigsten Fehler, und die wichtigsten. Gegenmittel: Zahlen und Fristen im Protokoll immer gegen die Aufnahme prüfen.
- Fachwörter: „Zweischichtbetrieb“ wird zu „zwei Schicht Betrieb“ oder verhört. Gegenmittel: eine Wortliste mit Eigennamen und Fachbegriffen führen und nachbessern.
- Schlechter Ton: Hall, Nebengeräusche, mehrere Sprechende zugleich. Gegenmittel: gutes Mikrofon, Disziplin am Tisch.
- Wer hat was gesagt? Der Text weist nicht automatisch Sprechenden zu. Gegenmittel: Zuordnung per Hand oder mit zusätzlichem Verfahren.
- Datenschutz: Aufnahmen sind personenbezogen. Gegenmittel: vorher informieren und zustimmen lassen, Zweck und Löschfrist festlegen, Aufnahme nach dem Erstellen löschen.
- Zu viel Vertrauen: Ein glatt formulierter Entwurf wirkt richtig, auch wenn eine Zahl falsch ist. Gegenmittel: freigeben lassen von einer Person, die dabei war.
Nutzen und Aufwand
- Welche Entscheidung? (Welcher Text gilt als Protokoll?)
- Welche Daten? (Aufnahme mit Zustimmung, klarer Ton)
- Wer prüft? (Teilnehmer prüft und gibt frei)
Die Tipparbeit entfällt, das Prüfen bleibt. Eine Person, die dabei war, gibt das Protokoll frei.
Der Nutzen liegt im Rohtext: Die Tipparbeit entfällt, und wer an der Besprechung teilnimmt, kann zuhören statt mitschreiben. Ein Sprachmodell kann aus dem Text eine Gliederung nach Beschlüssen und Aufgaben vorschlagen, siehe Gut fragen. Wer das Protokoll später vorlesen lassen will, findet das Gegenstück bei Text zu Sprache.
Handarbeit bleibt: Aufnahme vorbereiten und Zustimmung einholen, Zahlen und Namen prüfen, das Protokoll freigeben und verteilen, die Aufnahme löschen. Wer prüft, ist klar: Eine Person, die an der Besprechung teilgenommen hat, liest den Entwurf gegen ihr Gedächtnis oder gegen die Aufnahme.
- Welche Entscheidung? Welcher Text soll als Protokoll gelten? Der Entwurf kommt vom System, die Freigabe von einem Menschen.
- Welche Daten? Eine Aufnahme mit Zustimmung der Beteiligten, gutem Ton und klarem Zweck.
- Wer prüft? Eine Teilnehmerin oder ein Teilnehmer prüft Zahlen, Fristen und Namen und gibt das Protokoll frei.