Deutsch: als Wiener Dialekt die stabilste Engine ins Englische kippen ließ

In einer Konfrontation am Stammtisch aus dem österreichischen Film Hundstage sticheln mehrere Männer in dickem Wiener Dialekt gegeneinander. Bei dieser Szene wechselte AssemblyAI plötzlich ins Englische und produzierte Zeilen wie „You just often want to sing... I will the luz dance like if I was a toad“, von denen nichts im Audio vorkommt. Bei derselben Szene blieb Doubao durchgehend im Deutschen und war die kohärenteste Engine der Gruppe.

Bei den anderen drei Aufnahmen, alle auf Hochdeutsch, war AssemblyAI die sauberste Engine, die wir getestet haben. Innerhalb einer einzigen Sprache kann ein Dialekt das Ranking auf den Kopf stellen.

Die Testaufnahmen

Vier Filmszenen, drei deutsche und eine österreichische, jeweils etwa zwei bis drei Minuten lang:

• Knockin' on Heaven's Door (1997): zwei Hauptfiguren, die in einem Diner schnell reden, unterbrochen vom Telefonanruf eines Gangsters.
• Der Untergang (2004): ein Kriegsrat im Bunker, fünf oder mehr Offiziere, die einander ins Wort fallen.
• Sophie Scholl (2005): ein Verhör im Gerichtssaal, übertönt von einer rufenden Menge. Das ist die einzige Aufnahme, bei der die Untertitel Wort für Wort zum Audio passen, daher ist ihre WER aussagekräftig.
• Hundstage (2001): Wiener Dialekt, Schikane am Stammtisch. Die brauchbare Referenz umfasst nur 1 Minute 42 Sekunden.

Mehrere andere Filme standen auf unserer Liste, aber wir kamen nicht an den Altersbeschränkungen von YouTube vorbei, oder der „ganze Film“ entpuppte sich als englischsprachige Zusammenfassung. Gute Quellen für schwierige deutsche Filmdialoge sind rar.

Auf den drei Stufen aus dem ersten Beitrag liegen Knockin' und Sophie Scholl nahe der mittleren Stufe, Der Untergang und Hundstage in der schwierigsten. Die einfache Stufe ist nicht abgedeckt.

Die Kandidaten

ElevenLabs, AssemblyAI, Doubao, Speechmatics (zwei Modelle), Soniox, Gladia, Deepgram, FunASR und später Gemini.

Die sechs roten Linien, Engine für Engine

Erfundene Wörter und Sätze. In Sophie Scholl ruft die Menge „Frechheit“. Drei Engines erfanden jeweils ein anderes Wort dafür: Soniox schrieb „Brecher als sowas Brecher Schwein oder Schwein“, Deepgram schrieb „Wecker“ und Gladia schrieb „Lecker als sowas Lecker Lecker“. In Knockin' hörte Soniox „Frankie ist harmlos“ als „ein Harvard“ und fügte einen eigenen Satz hinzu. In Der Untergang machte Deepgram aus „kulturlosen Bestien“ eine Kette erfundener Wörter.

Sprachdrift. Das ist die Szene vom Anfang. Bei der Nachprüfung hatte AssemblyAI bei der österreichischen Aufnahme dreimal getrennt voneinander ins Englische gewechselt.

Umgekehrte Bedeutung. Bei der österreichischen Aufnahme machte Speechmatics aus „Dir vergeht die Lust, wenn du tot bist“ „Ich will dich los wenn du tot bist“, änderte also Subjekt und Bedeutung, und fügte eine Beleidigung hinzu, „du Schwein“.

Verlorene Passagen. Deepgram übersprang in Knockin' etwa 30 Sekunden Dialog. Bei der österreichischen Aufnahme lieferte es 25 Wörter und ließ rund 90% aus.

Wiederholung. Soniox zeigte bei der österreichischen Aufnahme leichte Wiederholungen, ein Wort erschien viermal hintereinander. Für die anderen haben wir bei diesen vier Aufnahmen keinen solchen Befund.

Wofür wir uns entschieden haben

Hauptspur: ElevenLabs Scribe v2. Sie hat nie die Sprache gewechselt, nie einen Satz erfunden und zwischen null und drei Ersetzungen pro Aufnahme gemacht.

Referenzspuren, nach Priorität:

1. AssemblyAI (universal-2): am saubersten bei den drei hochdeutschen Aufnahmen, mit null Fehlern beim Kriegsrat in Der Untergang.
2. Doubao: blieb bei allen vier Aufnahmen im Deutschen, ohne erfundene Sätze und ohne große Lücken. Beim österreichischen Dialekt war es stabiler als AssemblyAI.
3. Gemini: hinzugefügt am 26. August 2026. Als wir es in 26 Sprachen testeten, war Deutsch in der Gruppe, in der es direkt eingesetzt werden konnte. Bei Hundstage hatte es keine roten Linien und wechselte nicht ins Englische, wo AssemblyAI es tat.

Belege gegen unsere Wahl

• Doubao verbiegt Bedeutungen. Es schrieb „Frankie ist harmlos“ als „hart vor“ und drehte die Bedeutung damit in die andere Richtung. Aus „Ja, no problem“ wurde „ja nur Brot“, und aus „Acht, Acht“ wurde die Zahl 88.
• Auch die Hauptspur hat eine Bedeutung verändert. In Der Untergang machte ElevenLabs aus „In einem Krieg wie diesem“ „In einem Kollektiv dieser Art“.
• Gemini hat auf Deutsch einen Satz erfunden. In Der Untergang schrieb es eine Zeile, die niemand sagt, „Flucht oder Berlin wird ein gewaltiger Rückschlag“, und machte aus „Sind Sie wahnsinnig?“ „Er ist wahnsinnig.“
• Der einzige verlässliche WER-Sieger kam nicht in die Auswahl. Speechmatics hatte bei Sophie Scholl die niedrigste WER. Bei Hochdeutsch ist es wirklich sicher; seine Fehler sind meist Auslassungen. Aber beim österreichischen Dialekt veränderte es sowohl Subjekt als auch Bedeutung einer Zeile.

Offene Fragen und Grenzen

• Wir haben eine österreichische Aufnahme mit nur 1 Minute 42 Sekunden brauchbarer Referenz. Schweizerdeutsch wurde überhaupt nicht getestet.
• Alle vier Aufnahmen stammen aus Filmen. Keine ist ein echtes Interview, und keine liegt in der einfachen Stufe.
• In den wenigen Sekunden, in denen die Menge in Sophie Scholl ruft, erfanden drei Engines jeweils ein Wort, während AssemblyAI und Speechmatics die Lücke leer ließen. Eine leere Lücke ist sicherer als ein erfundenes Wort, zeigt aber, dass diese Sekunden für die meisten Engines immer noch schwierig sind.