Gesprochene Sprache mit MemoTrans automatisch transkribieren – ein Workflow

von Veronika Sahlbach (mit Skripten von Vasco Berl)
Der Beitrag wurde zuerst veröffentlicht auf lingdrafts und wird hier im Auszug neu veröffentlicht. 

Der technische Fortschritt bei der Reproduktion der Inhalte sowie neuen Transkriptionsmöglichkeiten erleichtern die wissenschaftliche Beschäftigung mit gesprochener Sprache, dennoch bleibt die Erhebung und Analyse von sprachlichem Material, welches in natürlichen und unvorbereiteten Situationen aufgezeichnet wurde, eine Herausforderung. Für meine Abschlussarbeit zum Thema Determinative vor Anthroponymen werde ich mich mit gesprochener Sprache auseinandersetzen, um eine semantische Aufladung des Artikels durch die Intonation wie in “ein Müller tut so etwas nicht” konstruktionsgrammatisch untersuchen zu können. Für diese Arbeit entstand ein Programm zur automatischen Transkription gesprochener Sprache, das auch für den Podcast Alte Schriften eingesetzt werden kann.

Automatische Transkription mit MemoTrans

Bestehende kostenlose Angebote für die automatische Transkription von Sounddateien sind meist stark in Dateianzahl und -länge limitiert. Die Preise für kommerzielle Lösungen sind für studentische Arbeiten mehrheitlich nicht tragbar. Google bietet mit seiner Speech Recognition API eine Schnittstelle an, um beliebige Soundfiles automatisch zu transkribieren. Der kostenlose Zugang dieser ist zwar auf eine Dateilänge von 5 Minuten limitiert, es lassen sich jedoch mehrere Anfragen stellen und täglich bis zu 480 Stunden an Audiomaterial auswerten.

Um die automatische Transkription wesentlich zu beschleunigen, durfte ich ein eigens erstelltes Skript von Vasco Berl nutzen. Das von ihm erstellte Python-Programm MemoTrans zur automatischen Verarbeitung von Sprachnachrichten teilt die Dateien nacheinander in Segmente und gibt sie anschließend an die Speech Recognition API weiter. Die transkribierten Texte werden automatisch einer Textdatei angefügt. Für die Funktion von MemoTrans unter Windows muss zunächst FFmpeg installiert und die Umgebungsvariable %PATH% hinzugefügt werden (Anleitung). Danach lässt sich die aktuelle Version der Anwendung einfach Herunterladen und Ausführen.

Abb. 1 :Eventuell muss die Windows Sicherheitswarnung bestätigt werden.

Um einen Ordner mit Dateien zu transkribieren, wird dieser mit Ordner öffnen über den Dateidialog ausgewählt. Über die Suchfunktion (Dateien suchen) können die relevanten Sprachnachrichten ausgewählt werden.

Abb. 2: Ordner auswählen und Dateien einlesen.

Mit Starten! beginnt die automatische Transkription. Je nach Anzahl und Länge der Audiodateien kann der Prozess auch mehrere Stunden dauern. Es ist auch möglich, weitere Instanzen des Programms auszuführen, um mehrere Gruppen gleichzeitig auszuwerten. Aufgrund der oben genannten Limits würde ich jedoch nicht mehr als fünf Prozesse gleichzeitig laufen lassen.

Abb. 3: Aktive Transkription.

Pro Stunde Audiomaterial ist mit rund zehn Minuten Transkriptionszeit zu rechnen. Die Ergebnisse werden anschließend in der Datei text.txt in dem Ordner mit den Sprachnachrichten abgelegt. Jede Zeile entspricht einem Nachrichtensegment und ist dem Dateinamen der Ursprungsdatei zugeordnet. Die Anfangsziffer gibt dabei jeweils die Segmentnummer an.

Abb. 4: Ergebnisse in der text.txt.

Die Ergebnisse der Transkription sind sehr gut, das System erkennt selbst verschiedenste Varietäten sehr sauber, in Abbildung 4 sind Ausschnitte zu erkennen. Die .txt-Dateien können anschließend wie gewohnt korpuslinguistisch untersucht werden. Auch die Audiodatei ist leicht durch die entsprechende Zuordnung auffindbar, was auch bei einer großen Materialmenge Rückführungen auf die Sprachnachricht ermöglicht. Somit können auch fehlende Begriffe bei Bedarf händisch nachgetragen werden. Die Vorteile des Programmes liegen vor allem in der Geschwindigkeit der Transkription, des Weiteren speichert es die fertigen Dateien ab, ohne dass eine weitere Handlung für eine Korpusanalyse notwendig wird.

Fazit und Empfehlung

Für meine Staatsexamensarbeit habe ich auf diese Art und Weise eine Erhebung von ca. 11.000 Sprachnachrichten mit einem Gesamtumfang von ca. 2,3 Millionen Token durchführen können. Dabei wurden lediglich 15 Telegramgruppen ausgewertet, wobei die abschöpfbare Anzahl der Sprachnachrichten sehr stark schwankt. Die Erhebungsvariante bietet sich vor allem für die Untersuchung verbaler Kommunikationsstrukturen in definierten Gruppen an (bspw. Fankommunikation, Diskussionen zu gesellschaftlichen Themen wie die aktuelle Coronapandemie); aber auch zum Auffinden bestimmter gesprochensprachlicher Phänomene bietet sich diese schnelle Lösung durchaus an.

Es ist eine einfache technische Lösung für ein großes arbeitsorganisatorisches Problem, auch für den Podcast Alte Schriften.


Veröffentlicht von

Alexander Lasch

Alexander Lasch lehrt an der TU Dresden germanistische Linguistik und Sprachgeschichte.

Schreibe einen Kommentar

Deine E-Mail-Adresse wird nicht veröffentlicht. Erforderliche Felder sind mit * markiert.

Diese Website verwendet Akismet, um Spam zu reduzieren. Erfahre mehr darüber, wie deine Kommentardaten verarbeitet werden.