Deepgram vs. AssemblyAI: Für überprüfbare Interviewtranskripte zuerst Kanal- und Sprachstrategie wählen
Forschungsteams sollten bei Transkriptions-APIs zuerst die Kanalstruktur der Aufnahme, das tatsächlich eingesetzte Sprachmodell und die Wortzeitstempel prüfen. Deepgram eignet sich für die explizite Wahl der Sprechertrennungsversion und mehrsprachige Transkription. Die Gesprächsbeiträge und Kapitelzusammenfassungen mit Zeitstempeln von AssemblyAI sind eine Prüfung wert; Modell-Fallbacks nach Sprache und manuelle Korrekturen bleiben jedoch zu berücksichtigen.
Ein Interview in einen flüssig lesbaren Text umzuwandeln, ist erst der erste Schritt der Forschungsarbeit. Das Team muss außerdem wissen, wer welchen Satz gesagt hat, ob sich die Stelle per Klick anhören lässt und ob die Originalaufnahme nach Korrekturen noch auffindbar ist. Deepgram und AssemblyAI liefern beide die Transkriptionsdaten für solche Anwendungen. Bei der API-Auswahl sollte verglichen werden, wie sie in den Prüfprozess passen, statt die Genauigkeitsranglisten der Anbieter selbst als Ergebnis zu übernehmen.
Wenn das Team die Version der Sprechertrennung ausdrücklich steuern und Sprachwechsel innerhalb eines mehrsprachigen Transkriptionsmodells verarbeiten möchte, lohnt sich ein erster Test mit Deepgram. Organisiert es die Prüfung nach Gesprächsbeiträgen und möchte anschließend Kapitelzusammenfassungen mit Zeitstempeln erstellen, sollte AssemblyAI ebenfalls geprüft werden. Beide bauen allein durch die Rückgabe von Text weder ein Korrekturprotokoll noch eine Belegkette für Zitate auf. Die folgenden Einschätzungen beruhen auf der offiziellen Dokumentation mit nicht auf einem Vergleichstest mit denselben Aufnahmen.
Erst die Kanäle erhalten, dann die Sprecher bestimmen
Angenommen, bei einem Interview werden Forschende und Befragte auf zwei getrennten Kanälen aufgenommen. Dann sollte diese Trennung zuerst erhalten bleiben, statt alles zu einem Monokanal zu mischen und das Modell anschließend die Personen erraten zu lassen. Multichannel von Deepgram transkribiert jeden Kanal separat. Die Mehrkanaltranskription von AssemblyAI liefert ebenfalls Kanalinformationen zu jedem Gesprächsbeitrag und jedem Wort.
Ein Kanal ist jedoch nicht gleichbedeutend mit einer Person. Enthält der Kanal eines Konferenzraummikrofons zwei Befragte, müssen die Sprecher weiterhin innerhalb dieses Kanals unterschieden werden. AssemblyAI erlaubt die gleichzeitige Aktivierung von multichannel und speaker_labels; die erwartete Mindest- und Höchstzahl der Personen wird pro Kanal berechnet. Die Personenzahl des gesamten Interviews darf daher nicht unverändert übernommen werden. Umgekehrt garantiert auch eine Stereodatei nicht, dass auf jeder Seite nur eine Person zu hören ist. Vor der Beschaffung sollten die tatsächlich von der Aufnahmesoftware exportierten Dateien geprüft werden.
Bei Aufnahmen mit mehreren Personen auf demselben Kanal lässt sich in der Sprechertrennung von Deepgram über diarize_model=v2 die Version für die Stapelverarbeitung festlegen. Latest ändert sich mit der jeweils neuesten regulären Version. Das ältere diarize=true verweist weiterhin auf v1 und darf nicht gleichzeitig mit diarize_model gesetzt werden. Teams, die Unterschiede zwischen Forschungsdurchläufen erklären müssen, sollten diese Konfigurationen dokumentieren, statt alte Beispiele ungeprüft zu übernehmen.
AssemblyAI aktiviert die Sprechertrennung über speaker_labels und liefert utterances mit Sprecherlabels zurück. A, B oder numerische Labels sind selbst keine verifizierten Namen. Bei der Zuordnung eines Labels zur Identität einer befragten Person sollte eine manuelle Bestätigung erhalten bleiben, insbesondere bei Einwürfen und kurzen Antworten.
Bearbeitbare Transkripte brauchen zwei Arten von Konfidenzinformationen
Utterances von Deepgram liefert Segmente sowie Start- und Endzeiten für jedes Wort in Sekunden. Bei der Sprechertrennung für aufgezeichnetes Audio wird außerdem speaker_confidence zurückgegeben. Die Antwort der Sprechertrennung von AssemblyAI enthält Start- und Endzeiten für Gesprächsbeiträge und einzelne Wörter in Millisekunden; über speaker_options.include_speaker_confidence kann zusätzlich die Sprecherkonfidenz angefordert werden. Textkonfidenz und Sprecherkonfidenz beantworten unterschiedliche Fragen: Ein Wort kann korrekt erkannt, aber der falschen Person zugeordnet worden sein.
Bei der Anbindung eines Editors empfiehlt es sich deshalb, die Zeiteinheit zu vereinheitlichen, aber die Originalantwort aufzubewahren. Im angezeigten Transkript dürfen Schreibfehler korrigiert, Satzsegmentierungen zusammengeführt und Personenlabels ersetzt werden. Die ursprüngliche Wortreihenfolge, Zeitintervalle, Kanäle und Modellkonfigurationen sollten dabei nicht überschrieben werden. Sagt eine befragte Person beispielsweise bei 12.5 Sekunden eine entscheidende Verneinung, kann dieselbe Stelle in einer anderen Antwort als 12500 Millisekunden angegeben sein. Ein Umrechnungsfehler führt beim Abspielen zur falschen Stelle, selbst wenn der angezeigte Satz vollständig korrekt ist.
Dies ist auch ein gemeinsamer Implementierungsaufwand beider APIs: Das Team muss weiterhin Aufnahmen und Versionen speichern, dokumentieren, wer was geändert hat, und Zitate in Forschungsberichten mit überprüften Ausschnitten verknüpfen. Bei der Auswahl sollten Prüfende tatsächlich einmal „Fehler korrigieren, nachhören, Sprecher bestätigen, Zitat exportieren“ durchlaufen. Erst dann lässt sich beurteilen, wie viel manuelle Arbeit eingespart wird.
„Diese Sprache wird unterstützt“ reicht nicht: Das tatsächliche Modell zählt
Das aktuelle Nova-3 multilingual von Deepgram unterstützt mit model=nova-3 und language=multi 55 Sprachen sowie Sprachwechsel im Gespräch. Language_hint erhöht lediglich die Erkennungstendenz zugunsten erwarteter Sprachen und schließt andere unterstützte Sprachen nicht aus. Bei Interviews mit fremdsprachigen Fachbegriffen ist das hilfreicher als die erzwungene Annahme, dass durchgehend nur eine Sprache gesprochen wird.
Die aktuelle Modellbeschreibung von AssemblyAI führt Universal-3.5 Pro als empfohlenes Modell für aufgezeichnetes Audio auf; es unterstützt 18 Sprachen. Außerhalb dieser Gruppe ist ein Fallback auf Universal-2 möglich, sodass insgesamt 99 Sprachen abgedeckt werden. „Die Plattform unterstützt 99 Sprachen“ bedeutet somit nicht, dass alle 99 Sprachen Universal-3.5 Pro verwenden. In den Bewertungsunterlagen sollten die Anfragekonfiguration und das tatsächlich verwendete Modell festgehalten werden, statt Transkripte unterschiedlicher Modelle zu einem einzigen Durchschnittswert zusammenzufassen.
Bei Projekten mit weniger verbreiteten Sprachen oder häufigen Sprachwechseln sollte zuerst die Sprachliste geprüft und anschließend derselbe Satz autorisierter, repräsentativer Ausschnitte verglichen werden. Der Korrekturaufwand bei Personennamen, Eigennamen, Verneinungen und Sprecherwechseln bildet die Kosten eines Forschungsteams besser ab als ein Vergleich der jeweils von beiden Anbietern beanspruchten Spitzenplätze.
Zusammenfassungen nach der Prüfung einsetzen: als Index, nicht als Zitat
Die Dokumentation der integrierten Zusammenfassung von Deepgram nennt Unterstützung für Englisch; sie erstellt eine Zusammenfassung über alle Kanäle hinweg. Die Speech Understanding-Zusammenfassung von AssemblyAI bietet Kapitel mit Zeitstempeln und ist derzeit als offene Beta gekennzeichnet. Erstere eignet sich für einen Überblick über bereits geprüfte englischsprachige Interviews; Letztere ist für die Navigation durch lange Interviews eine Prüfung wert. Funktionen in der Testphase müssen jedoch weiterhin im konkreten Projekt überprüft werden.
Unabhängig vom Anbieter sollte eine generierte Zusammenfassung wie „Die befragte Person erwähnte ein unzureichendes Budget“ nicht direkt als wörtliche Aussage behandelt werden. Die Zusammenfassung verweist auf einen Ausschnitt, Prüfende hören ihn zur Bestätigung an, und erst dann wird das verifizierte Transkript für Zitate verwendet. Basiert die Zusammenfassung auf einer noch unkorrigierten Transkription, sollten die betroffenen Zusammenfassungen nach der Korrektur wichtiger Erkennungsfehler oder Sprecherzuordnungen erneut geprüft werden.
Die endgültige Beschaffungsentscheidung kann auf einem kleinen Abnahmesatz beruhen: Interviews mit getrennten Kanälen, Interviews mit mehreren Personen auf einem Monokanal sowie die im Projekt tatsächlich verwendeten Sprachen. Die Versionswahl und Mehrsprachigkeitskonfiguration von Deepgram sowie die Gesprächsbeiträge und Kapitelzusammenfassungen von AssemblyAI sind zwei vergleichenswerte Integrationsansätze. Entscheidend dafür, welcher beibehalten wird, sollte sein, welche Lösung nach Abschluss derselben Prüfaufgabe weniger falsche Zuordnungen und weniger manuelle Nacharbeit hinterlässt.
Hinweis zum Inhalt:Dieser Artikel basiert auf öffentlich verfügbaren Informationen und dient als Orientierung bei der Auswahl von Tools. Funktionen, Preise und zugehörige Richtlinien können sich jederzeit ändern; maßgeblich sind die aktuellen offiziellen Angaben.
Originalquelle:developers.deepgram.com