Polnisch: Ein „nie“ weniger, und aus „Ich will keine Kinder“ wird „Ich will“

In einer Vater-Sohn-Szene sagt der Sohn: „Ja nie będę miał dzieci.“ Ich werde keine Kinder haben.

Speechmatics schrieb „Będę miał dzieci.“ Ein fehlendes „nie“, und der Satz sagt das Gegenteil, liest sich aber weiterhin einwandfrei. Es war die einzige umgekehrte Verneinung, die wir in vier polnischen Clips gefunden haben. Wegen dieser einen Zeile ist Speechmatics keine Referenzspur für Polnisch.

Die Testclips: vier Filme, alle drei Schwierigkeitsstufen

• Dzień świra (2002): schnelles Geplänkel zwischen Vater und Sohn, sauberer Studioton. Unsere Basisstufe und der Clip, der die Engines am besten trennte.
• Psy (1992): eine Polizeirazzia. Schnelle Wortwechsel, Unterbrechungen, Flüche, Hintergrundlärm. Mittlere bis hohe Stufe.
• Kiler (1997): ein Verhör im Schnellfeuertempo, voller Eigennamen wie Waffenmodelle und Städtenamen. Mittlere bis hohe Stufe.
• Wesele (2004): eine Hochzeitsfeier, die aus dem Ruder läuft. Betrunkene Gäste, die sich gegenseitig überschreien, ein klingelndes Telefon, ständiger Lärm. Unsere schwierigste Stufe.

Alle vier sind Standardpolnisch, kein regionaler Dialekt.

Getestete Engines

In der ersten Runde waren es vier: ElevenLabs Scribe v2, AssemblyAI, Speechmatics und Doubao (pl-PL). Die Soniox-Transkripte stammten aus einem separaten Durchlauf mit allen Engines und wurden später geprüft. Gemini kam im August 2026 hinzu. Gladia und Deepgram waren bereits bei anderen europäischen Sprachen durchgefallen, daher haben wir sie hier nicht erneut getestet.

Rote Linien, Engine für Engine

Speechmatics: Neben der umgekehrten Verneinung fügte es in der Hochzeitsszene drei Wörter ein, die niemand gesagt hat: „Myślisz że to“ („du denkst, dass“).

AssemblyAI: keine erfundenen Sätze, keine Umkehrungen, aber es erfindet einzelne Wörter. „Zjemy“ („wir werden essen“) tauchte in der Razzia-Szene auf, „otestował“ in der Hochzeitsszene, und im sauberen Clip fügte es „lewicką“ („linksgerichtet“) in eine Zeile über eine Levi's-Jacke ein.

Doubao: Im sauberen Clip schob es während eines schnellen Wortwechsels über Chopin-Stücke „chwalony“ („gelobt“) ein. An dieser Stelle taten sich alle Engines schwer. Bei den ersten beiden Clips kam Doubao anfangs auf 111 % und 118 % und produzierte englisches Kauderwelsch. Das war unser Fehler: Der falsche Sprachcode schickte es zurück in den Chinesisch-Modus. Mit dem richtigen Code lieferte es zusammenhängendes Polnisch.

Eine Stelle, an der alle scheiterten: In der Hochzeitsszene sagt jemand „Psy go zabrali“ („die Bullen haben ihn mitgenommen“). Psy ist Slang für Polizei. ElevenLabs und Doubao hörten beide „Wszyscy“ („alle“); AssemblyAI schrieb „Psego“. Wenn mehrere Engines an derselben Stelle scheitern, liegt das Problem im Audio selbst, also rechnen wir es keiner einzelnen an.

Selbst im Hochzeitschaos erfand keine der vier einen ganzen Satz.

Fehlerraten im sauberen Clip: ElevenLabs 5,7 %, AssemblyAI 7,8 %, Doubao 10,2 %, Speechmatics 10,6 %. ElevenLabs machte im ganzen Clip einen echten Fehler: „Iść“ statt „Idź“.

Was wir gewählt haben und warum

Primär: ElevenLabs Scribe v2. Über alle vier Clips am saubersten, keine Umkehrungen, im sauberen Clip nahezu perfekt.

Referenz 1: Soniox. Erneut gegen unseren Null-rote-Linien-Maßstab geprüft, hatte es über alle vier Clips keine erfundenen Wörter, keine Umkehrungen und keine ausgelassenen Zeilen. Nach demselben Maßstab hatte AssemblyAI drei oder mehr schwache Erfindungen und ließ drei Zeilen aus. In der Hochzeitsszene war Soniox das beste im Feld. Es war die einzige Engine, die „Co jest?“ („was ist los?“) erfasste, und die einzige, die den Plural „z nimi“ („mit ihnen“) richtig hatte. Doubao schrieb „z nią“ („mit ihr“).

Referenz 2: Doubao. Keine Umkehrungen, und es ist anders gebaut als die übrigen, sodass seine Fehler meist nicht mit ihren zusammenfallen. Die umgekehrte Verneinung ist der Hauptgrund, warum es diesen Platz statt Speechmatics bekam.

Referenz 3: Gemini. In der August-Runde hatte es im Polnischen keine roten Linien. Keine Halluzinationen oder Umkehrungen in der Razzia-Szene, die Flüche intakt. In der Hochzeitsszene nur kleine Verschiebungen bei Wortstellung und Person, und es transkribierte mehr von dem tatsächlich Gesagten als die Untertitel.

AssemblyAI steht jetzt als Backup an erster Stelle.

Was gegen unsere Wahl spricht

• Soniox hat im ersten Durchgang nicht gewonnen. In unserer ersten Überprüfung Anfang Juli kamen wir zu dem Schluss, es sei „im sauberen Clip genau, aber nicht besser als AssemblyAI und Doubao, und ein Unentschieden ist kein Grund zu wechseln“. Ein paar Tage später zählten wir mit einem strengeren Rote-Linien-Maßstab neu, die schwachen Erfindungen von AssemblyAI wurden gegen es gewertet, und die Entscheidung kippte. Ein anderer Maßstab kann eine andere Reihenfolge ergeben.
• Nach Fehlerrate lag AssemblyAI beim Verhör-Clip vorn (28,2 %).
• Auch die primäre Engine macht Fehler: ElevenLabs verpasste ebenfalls den Slang „Psy“.

Noch offen

• Alle vier Clips sind Filme. Keine echten Forschungsinterviews.
• Keine Dialekte getestet.
• Eigennamen (Waffenmodelle, Chopin-Titel) bringen fast jede Engine ins Stolpern. Sie müssen im Terminologieschritt korrigiert werden, der nach der Transkription läuft.