Schwedisch: als aus „Entschuldige dich!“ ein „Ich entschuldige mich“ wurde

Im schwedischen Film Ondskan (Evil, 2003) gibt es eine Mobbingszene in einem Internat. Der Peiniger brüllt den anderen Jungen an: „Be om ursäkt“ – entschuldige dich. ElevenLabs, Speechmatics, Soniox und Deepgram transkribierten es alle als „Jag ber om ursäkt“ – ich entschuldige mich. Derjenige, der die Entschuldigung verlangt, wurde zu dem, der sie ausspricht.

Nur AssemblyAI lag richtig. Diese Zeile ist ein Grund, warum AssemblyAI noch in unserer schwedischen Aufstellung ist.

Die Testclips

Vier Clips, alle aus Film und Fernsehen. Das Audio veröffentlichen wir nicht.

Die ersten beiden sollen Engines zum Scheitern bringen. Die letzten beiden sind näher an einem echten Interview.

Getestete Engines

ElevenLabs Scribe v2, AssemblyAI, Speechmatics, Soniox, Deepgram, Qwen, FunASR und Doubao. Gemini haben wir im August 2026 hinzugefügt.

Schwedisch steht nicht auf Doubaos veröffentlichter Liste der 25 unterstützten Sprachen. Gibt man ihm Schwedisch, bekommt man Englisch zurück, manchmal in einer Schleife: „I don't know“, fünfzehnmal hintereinander. Für diese Sprache war es raus.

Die roten Linien

Umkehrungen von Verneinung und Haltung waren im Schwedischen das häufigste Problem. Die Eingangszeile ist eine davon. ElevenLabs ließ in Tillsammans außerdem ein inte weg, sodass aus „schau sie nicht an, hör ihnen nicht zu“ ein „schau sie nicht an, hör ihnen zu“ wurde. Speechmatics machte aus „Tycker du“ (findest du) ein „Jag tycker“ (ich finde) und aus „der Ungeschickteste“ „der Unehrlichste“ – was eine Bemerkung über Ungeschick in einen Angriff auf den Charakter verwandelt.

Halluzinierte Sätze – zunächst lasteten wir AssemblyAI drei davon in den beiden Gruppenszenen an: Zeilen, die nicht in den Untertiteln standen. Bei der Überprüfung hörten Soniox und Qwen dieselben Wörter an denselben Stellen. Die Untertitel hatten echte Dialoge weggelassen. Seitdem prüfen wir zuerst die Referenz, wenn mehrere Engines übereinstimmend gegen sie stehen.

Schleifen: Qwen neigte im Schwedischen dazu, sich zu wiederholen; unser automatisierter Scan zählte ein Wort, das auf kurzer Strecke 35-mal wiederholt wurde. Speechmatics machte aus der Menge, die „Kryp!“ skandiert, zwölfmal „Hi“. Streng genommen ist das eine Ersetzung, aber die Bedeutung ist so oder so weg.

Sprachdrift zeigte sich nur bei Doubao. Einen klaren Fall von ausgelassenen Passagen oder eingefügten Inhalten haben wir bei diesen Clips bei keiner Engine gesehen.

Was wir gewählt haben

• Primäre Engine: ElevenLabs Scribe v2. Über die vier Clips die vollständigste und treueste, ohne Schleifen. Beide ihrer Umkehrungen passierten in den Gruppenszenen; bei den beiden interviewartigen Clips hatte sie keine.
• Referenz-Engines: AssemblyAI, Soniox, Gemini.

AssemblyAI: Es war die einzige Engine, die die Entschuldigungszeile richtig hatte, und bei beiden interviewartigen Clips war es sauber.

Soniox ersetzte Speechmatics. Speechmatics war als „keine Umkehrungen“ verbucht. Als wir die Clips noch einmal durchgingen, hielt das nicht: Speechmatics gehörte zu den Engines, die die Entschuldigungszeile falsch hatten, und die anderen beiden oben genannten Änderungen gingen auf sein Konto. Soniox hatte bei diesen vier Clips keine rote Linie, die nur ihm eigen war. An jeder Stelle, an der Speechmatics Punkte verlor, lag Soniox entweder richtig oder ließ eine Lücke, statt zu raten.

Gemini kam im August dazu. Null rote Linien bei beiden interviewartigen Clips. Bei Morgonstudion lieferte es 730 Wörter, das vollständigste Transkript der Gruppe, mit intakten Buchtiteln und Namen.

Was gegen unsere Wahl spricht

• Auch ElevenLabs hat zweimal die Bedeutung umgekehrt. Als primäre Engine funktioniert es, weil die Referenz-Engines es an solchen Stellen auffangen können.
• Gemini machte in Tillsammans aus „du hast die Familie zerstört“ ein „ich habe die Familie zerstört“.
• Ein früher automatisierter Scan ergab, dass Soniox im Schwedischen 1,8-mal so viele Wörter wie die Referenz produzierte, mit Wiederholungen. Eine zeilenweise Überprüfung fand später keine rote Linie, die nur Soniox eigen war, aber wir haben das Signal nicht vergessen.
• Bei Babel, dem saubersten Clip, kam Speechmatics auf 32,7 % WER, im selben niedrigsten Bereich wie Qwen mit 32,5 %. ElevenLabs kam auf 44,0 %. Wir haben Speechmatics trotzdem gestrichen, denn wir zählen, wie oft die Bedeutung danebenliegt, und nach diesem Maß schnitt es schlechter ab.

Was noch offen ist

Vier Clips: zwei Gruppenszenen aus Filmen, zwei Fernsehbeiträge. Keiner davon ist ein tatsächliches Forschungsinterview, und wir haben keinen nach regionalen Akzenten ausgewählt. Und Fälle wie die Eingangszeile, bei denen mehrere Engines denselben Fehler machen und nur eine richtig liegt, lassen sich durch Mehrheitsentscheid nicht beheben. Bei Verneinung und umgekehrter Bedeutung folgen wir daher nicht der Mehrheit: Ohne harte Belege wird die Zeile markiert, damit ein Mensch hinhört.