Rumänisch: Aus „Hast du Hunger?“ wurde „Ich verhungere“

Der Anfang eines rumänischen Films: zwei Menschen im Wechselgespräch, sehr wenig Hintergrundlärm, keine Menschenmenge. Von unseren vier rumänischen Clips ist das der klarste.

Einer von beiden fragt: „Ți-e foame?“ Hast du Hunger?

Speechmatics schrieb „mor de foame“: Ich verhungere. Aus einer Frage wurde eine Aussage, und sie kommt jetzt von der anderen Person. In derselben Minute machte es aus „hör zu, bitte“ ein „ich habe es auch gehört“, aus „ich habe die Blumen genommen“ ein „ich habe die Blumen gegeben“ und ersetzte das „tort“ (Torte) in „Baisertorte“ durch ein unpassendes Wort, satisfăcător („befriedigend“).

Wenn eine Engine so etwas beim einfachsten Clip im Set macht, liegt das Problem bei der Engine, nicht bei der Aufnahme.

Die Testclips: drei Filme, vier Szenen

• Filantropica (2002): eine Menschenmenge vor einem Nachtclub, starker Lärm, Leute überschreien sich gegenseitig. Höchste Stufe.
• Der Tod des Herrn Lăzărescu (Moartea domnului Lăzărescu, 2005): eine Notaufnahme, in der Ärzte, Pflegekräfte, Patienten und Telefonate durcheinandergehen, dazu medizinische Begriffe wie bariu (Barium). Mittlere bis hohe Stufe.
• 4 Monate, 3 Wochen und 2 Tage (4 luni, 3 săptămâni și 2 zile, 2007), zwei Szenen: ein Geburtstagsessen, bei dem der ganze Tisch durcheinanderredet, ständige Unterbrechungen und viele Preise (höchste Stufe); und der oben beschriebene Eingangsstreit zwischen zwei Personen (Basisstufe).

Rumänische Quellen sind rar. Filme mit verfügbarem Ton haben keine Untertitel, und Filme mit Untertiteln haben keinen vollständigen Ton, daher mussten zwei Szenen aus demselben Film stammen.

Getestete Engines

Erste Runde: ElevenLabs Scribe v2, AssemblyAI, Speechmatics und Doubao (ro-RO). FunASR, iFlytek und Qwen liefen nur zum Vergleich. Die Soniox-Transkripte stammten aus einem separaten Durchlauf mit allen Engines und wurden Anfang Juli in die Überprüfung aufgenommen. Gemini kam im August 2026 hinzu.

Rote Linien, Engine für Engine

Speechmatics hatte bei jedem Clip Probleme. Neben den oben genannten: Auf der Straße wurde aus „wir gehen in den Cult Club“ ein „wir gehen ins Bett“, und ein einfaches „Wo?“ wuchs zu „Wo ist Lake Sloop“ an, einem Ort, den niemand erwähnt hatte. In der Notaufnahme fügte es einen Satz hinzu, den niemand gesagt hat, sinngemäß „der Arzt ist am Telefon“.

AssemblyAI geriet nicht in Schleifen, erfindet aber in vollen Szenen Wörter. „Cult Club“ wurde zweimal zu einem Nicht-Wort, „Kulfland“. Beim Abendessen machte es zweimal aus „dragă“ (Liebes) den Fluch „dracu“. Beim klaren Clip fügte es eine Verneinung ein, sodass aus „Los! Ich sag's dir …“ ein „Los, ich sag's dir nicht …“ wurde. Außerdem verstümmelte es einen Namen, zerbrach das Verb am Satzanfang und ließ ganze Abschnitte aus.

ElevenLabs: bei keinem Clip Umkehrungen. Seine Fehler waren das Weglassen von „Cult“ und das zweimalige Verhören von „sutimi“ (Hundertstel, wie bei Cent) als das ähnlich klingende „sutieni“ (BHs).

Doubao: keine Halluzinationen, keine Umkehrungen, und jeder Preis beim Abendessen stimmte. Seine Fehler waren Verwechslungen ähnlich klingender Wörter, etwa ceaiul (der Tee) statt ceva (etwas) in „kann ich dir etwas von unten mitbringen?“

Soniox: keine erfundenen Passagen; seine Transkripte waren etwa so lang wie die von ElevenLabs und Doubao, nicht aufgebläht. Es erfasste den Namen Popescu und den Konditional „dacă-mi vii“ (wenn du zu mir kommst) richtig – genau dort, wo AssemblyAI verstümmelte und Speechmatics umkehrte. Beim klaren Clip verwischte es zwei ähnlich klingende Stellen.

Was wir gewählt haben und warum

Primär: ElevenLabs Scribe v2. Niedrigste Fehlerrate beim klaren Clip, bei keinem Clip Umkehrungen.

Referenz 1: Soniox. Unter den Referenzkandidaten hatte es bei allen vier Clips die niedrigste Fehlerrate und las sich Zeile für Zeile sauber. Es ersetzte AssemblyAI. Die Fehler von AssemblyAI sind meist seltsame Wörter, die auffallen – es musste also gehen, weil es schwächer als Soniox ist, nicht weil es gefährlich wäre.

Referenz 2: Doubao. Keine Halluzinationen, keine Umkehrungen. Soniox und Gemini sind beide Transkriptionssysteme auf Basis großer Modelle; Doubao verfolgt einen anderen Ansatz, was es zu einem nützlichen Gegengewicht macht.

Referenz 3: Gemini. Siehe nächster Abschnitt.

Was gegen unsere Wahl spricht

• Die ursprüngliche Schlussfolgerung lautete AssemblyAI plus Doubao. Sie änderte sich erst, nachdem die Soniox-Transkripte herausgesucht und geprüft worden waren. Der Hauptteil jenes ursprünglichen Berichts nennt noch die alte Schlussfolgerung, oben ist eine Korrektur ergänzt.
• Speechmatics war die einzige Engine, die den medizinischen Begriff „bariu“ beide Male richtig hatte. Soniox schrieb „bari“, einen Buchstaben zu kurz.
• Auch die primäre Engine liegt daneben: ElevenLabs hörte „Cent“ zweimal als „BHs“.
• Gemini hatte im Rumänischen keinen sauberen Filmclip. In der Notaufnahme machte es aus „bariu“ ein „bani“ (Geld) und wiederholte sich am Anfang. Beim Abendessen machte es vier oder fünf Fehler, ließ den Kern eines Satzes weg und machte aus „Whisky?“ ein „Saft?“. Dann haben wir einen fünfminütigen echten Interview-Podcast durchlaufen lassen. Keine Halluzinationen, keine Umkehrungen, keine Schleifen; zwei kleine Ausrutscher („ich“ als „er“ und eine verworrene Redewendung) und drei Stellen, an denen es genauer war als ElevenLabs. Dieser Podcast hatte kein menschliches Referenztranskript; wir haben Gemini nur mit ElevenLabs verglichen.

Noch offen

• Vier Szenen aus drei Filmen, und keine davon ein Forschungsinterview.
• Nur der Notaufnahme-Clip enthält Fachvokabular, und die Engines unterschieden sich dort stark (siehe „bariu“ oben). Die Befunde dazu sind noch nicht belastbar.