Griechisch: Fallen die Akzentzeichen weg, zerfällt die Hälfte der Wörter

Sobald wir Doubao den richtigen griechischen Sprachcode gegeben hatten, lieferte es echtes Griechisch, und die Bedeutung stimmte. Aber jeder Vokal mit Akzentzeichen (dem Tonos) verschwand vollständig. Aus κάνεις wurde κνεις, aus έχουμε wurde χουμε, und Μπήκε schrumpfte zu Βκη. Etwa die Hälfte der Wörter kam kaputt heraus.

Unser erster Verdacht war, dass unsere eigene Verarbeitung die Zeichen entfernte. Das war nicht der Fall. In derselben Pipeline behielten die anderen vier Engines ihre Akzente (jeweils 81 bis 87); Doubao hatte null. So verhält sich Doubao selbst. Es hat nichts erfunden und keine Bedeutung umgekehrt. Es war schlicht zu kaputt, um als Referenzspur zu dienen.

Die Testaufnahmen: alle vier auf der klaren Seite

• Dogtooth (Κυνόδοντας, 2009), zwei Szenen: fünf Leute, die am Esstisch reden, voller Zahlen; und der Besuch eines Wachmanns, gefolgt von medizinischen Fragen eines Vaters, mit schnellem Hin und Her und einem langen medizinischen Wort für Blinddarmentzündung (σκωληκοειδίτιδα).
• Alps (Άλπεις, 2011), zwei Szenen: ein hastiger Wortwechsel am Empfang eines Krankenhauses, einschließlich des Namens Jude Law; und ein Hausbesuch, bei dem jemand aus einem Modemagazin vorliest, voller fremder Namen wie Ferré, Guatemala und Winona Ryder.

Alle vier stammen vom selben Regisseur, dessen Stil bewusst kühl und langsam ist: Eine Person redet zu Ende, dann spricht die nächste. Auf unserer dreistufigen Skala ist das meiste davon Grundstufe. Wir sind mehr als vierzig Filme durchgegangen, auf der Suche nach einer lauten Szene, in der Menschen durcheinanderreden, und fanden keine, bei der sowohl das Audio als auch griechische Untertitel verfügbar waren.

Getestete Engines

ElevenLabs Scribe v2, Speechmatics, AssemblyAI und Doubao (el-GR). Soniox-Transkripte aus einem separaten Durchlauf mit allen Engines wurden bei der Überprüfung verglichen. Gemini kam im August 2026 hinzu.

Rote Linien, Engine für Engine

AssemblyAI hatte bei allen vier Aufnahmen Probleme, und sie blieben auch beim Wechsel des Films bestehen:

• Umgekehrte Bedeutung: „Μπήκε χειρουργείο“ (kam in den OP) wurde zu „Βγήκε η χειρουργία“ (die Operation kam heraus). Völlig ins Gegenteil verkehrt.
• Verlorene Passage: In der Magazinszene fehlte der Abschnitt mit den drei fremden Namen einfach.
• Schleife: Am Ende stapelten sich drei Wörter wiederholt auf einem einzigen Zeitstempel.
• Erfundene Wörter: Aus Jude Law wurde ein Name, den es nicht gibt, und in „die Yucca gießen“ wurde die Yucca zu einem erfundenen Wort, Ιούκαντ.

Speechmatics ließ meist Artikel und Präpositionen weg, die sicherste Art von Fehler. Aber es machte zwei unsichere: In der Magazinszene wurde aus „Interview mit Winona Ryder“ das englische „Coming soon“; im Krankenhaus wurde aus „noch einer, derselbe“ „und die Wahrheit“. Außerdem hörte es „willst du Kaffee?“ (Θες καφέ) als „gestern Kaffee“ (Χθες καφέ).

ElevenLabs: keine Halluzinationen. Es schrieb das lange medizinische Wort richtig, hatte Jude Law richtig und alle drei fremden Namen im Magazin richtig (bei Ferré fehlte ein Buchstabe).

Wofür wir uns entschieden haben und warum

Haupt-Engine: ElevenLabs Scribe v2. Niedrigste Fehlerrate bei drei der vier Aufnahmen; bei der vierten verlor sie nur wegen der Schreibweise von Zahlen. Zeile für Zeile gelesen, machte sie fast keine Fehler.

Referenz 1: Speechmatics. Ein stabiler zweiter Platz bei allen vier Aufnahmen, nah an der Haupt-Engine. Die meisten seiner Fehler waren Auslassungen, und die gefährlichen waren Einzelfälle.

Referenz 2: Soniox. Besser als AssemblyAI bei allen vier Aufnahmen, mit intakten Akzentzeichen.

Referenz 3: Gemini. In der August-Runde hatte es bei der Esstischszene keine roten Linien und dort die niedrigste Fehlerrate, 11.9%. Bei der Hausbesuchsszene leistete es sich einen Ausrutscher und machte aus „Schnitzel“ (Σνίτσελ) „normalerweise“ (Συνήθως).

AssemblyAI gehört nicht zur festen Aufstellung, und Doubao ist raus.

Belege gegen unsere Wahl

• Speechmatics steht aus Gewohnheit vor Soniox, nicht weil wir es gemessen hätten. Bei der Überprüfung las sich Soniox bei drei Aufnahmen mindestens so gut wie Speechmatics. Da beide Spuren laufen, spielt die Reihenfolge vorerst keine Rolle. Sollten wir jemals nur eine behalten müssen, müssen wir sie erneut vergleichen.
• Das „Coming soon“ von Speechmatics ist Englisch, das aus dem Nichts kam, und das ist keine Kleinigkeit. Es bleibt, weil es über vier Aufnahmen einmal passiert ist und weil Doubao für Griechisch nicht nutzbar ist, sodass es nur wenige Engines gibt, die seinen Platz einnehmen könnten.
• Unter den ursprünglichen vier Engines hatte Speechmatics bei der Esstischszene die niedrigste Fehlerrate.

Noch offen

• Keine lauten Aufnahmen mit überlappender Sprache. Das ist die größte Lücke. AssemblyAI stolperte schon bei Aufnahmen, die so klar sind; wie sich irgendeine Engine in einem lauten Raum schlägt, wissen wir nicht.
• Kein Interviewmaterial. Wir fanden dafür eine griechische Produktion mit hervorragenden Untertiteln, aber die einzige „vollständige“ Kopie im Netz hatte das falsche Audio, also mussten wir sie fallen lassen.