Navigation – Plan du site

AccueilNuméros16-2VariaWas geschieht mit Semantik und In...

Varia

Was geschieht mit Semantik und Interaktion in automatischen Transkriptionen einer Software?

Ein praxeologischer Blick auf Speech-to-Text
Qu’advient-il de la sémantique et de l’interaction dans les transcriptions automatiques d’un logiciel ? Regard praxéologique sur le speech-to-text
What happens to semantics and interaction in a software’s automatic transcriptions? A praxeological gaze on speech-to-text
¿Qué sucede con la semántica y la interacción en las transcripciones automáticas de un software? Una mirada praxeológica al speech-to-text
Marine Kneubühler
Cet article est une traduction de :
Qu’advient-il de la sémantique et de l’interaction dans les transcriptions automatiques d’un logiciel ? [fr]
Autre(s) traduction(s) de cet article :
What happens to semantics and interaction in a software’s automatic transcriptions?  [en]

Résumés

Cet article appréhende les enjeux relatifs aux transcriptions pour la connaissance scientifique en se focalisant sur des logiciels de transcription automatique appelés speech-to-text. L’article présente le fonctionnement général et les usages des speech-to-text, puis s’attarde sur le travail d’évaluation d’un logiciel spécifique réalisé en tant que sociologue. Cette évaluation a permis d’ouvrir la boîte noire du logiciel en déterminant de façon qualitative les sources de ses erreurs systématiques. Si le logiciel fournit incontestablement un environnement sémantique fiable, il rencontre deux types de problème de nature distincte qui sont confondus dans la littérature computationnelle : ceux générés par les limites des modèles informatiques du logiciel, pouvant se résoudre en améliorant les modèles du système, et ceux liés à la conversation ordinaire, d’ordre praxéologique, qui échappent à la machine. Une comparaison détaillée avec des transcriptions d’analyse de conversation montre comment le logiciel fait disparaître l’interaction de ses transcriptions.

Haut de page

Texte intégral

Einleitung

  • 1 Diese Forschungsarbeit mit dem Titel Scientific Expertise and Media Discourse wurde im Kalenderjahr (...)

1Dieser Artikel befasst sich mit den Herausforderungen im Zusammenhang mit Transkriptionen und konzentriert sich dabei auf Speech-to-Text Softwares, die den Übergang vom Sprechen zum Text bei der automatischen Verarbeitung mündlicher Quellen sicherstellen soll. Er basiert auf einer interdisziplinären Forschung, die in der französischsprachigen Schweiz in Zusammenarbeit mit der Radio Télévision Suisse (RTS), Avis d'Experts und der Zeitung Le Temps durchgeführt wurde1. Die Transformation der gesprochenen Sprache und der sie begleitenden Phänomene in die Schriftform ist eine grundlegende Herausforderung für die Sozialwissenschaften. Die Formatierung von Beobachtungen vor Ort, Interviews oder Mediendokumenten in einen Sinnzusammenhang ist der unumgängliche Teil jeder Feldstudie. Die Art und Weise, wie die Daten gesammelt, analysiert und das Wissen erarbeitet wird, hängt zum Teil von den Entscheidungen ab, die für die Formatierung getroffen werden.

2Das Schreiben lässt sich nicht auf ein einfaches Werkzeug zur wörtlichen Wiedergabe der Äußerung reduzieren; wie alle Werkzeuge ist sie gleichzeitig eine Vermittlung und damit eine Übersetzung (Latour, 2006), aber auch eine sprachliche „Praxis”, ein „Kommunikationsmittel“ und eine „intellektuelle Technologie”, die auf den sozialen Gebrauch der Kreativität, die wissenschaftlichen Erfindungen und das Denken einwirkt (Goody, 1979). Das Transkribieren von gesprochenen Worten ist also nie eine harmlose Geste. Es ist kein Zufall, dass die Frage der Transkriptionen zu einem so zentralen Thema in der Soziolinguistik geworden ist, insbesondere seit der Entwicklung von Aufnahmegeräten, die eine immer sorgfältigere Transkriptionsarbeit und eine systematische Rückkehr zu den Quellen ermöglichen, wodurch sich die Forschung grundlegend verändert hat (Mondada, 2007).

3Die in den Sozialwissenschaften diskutierten Herausforderungen im Zusammenhang mit Transkriptionen sind unterschiedlicher Art, die oft miteinander verbunden sind, obwohl sie getrennt behandelt werden:

  • methodologischer und epistemologischer, wenn es darum geht, darüber nachzudenken, wie unser Verhältnis zu aufgezeichneten Quellen „die Beobachtbaren“ und die für die linguistische Analyse verfügbaren Phänomene transformiert (Mondada, 2007, S. 145);

  • politischer, wenn die Debatte sich darauf konzentriert, wie die Befragten in den Texten erscheinen, um einen „Stigmatisierungseffekt“ zu vermeiden (Bourdieu, 1996);

  • technischer, wenn man an die Fülle von Computertools denkt, die in den letzten Jahren entwickelt wurden, um die Transkriptionsarbeit in den Human- und Sozialwissenschaften zu erleichtern und zu präzisieren (Rioufreyt, 2018; Tancoigne et al., 2020).

  • 2 Alle Übersetzungen aus dem Französischen und Englischen stammen von mir.

4Angesichts all dieser Herausforderungen erfordert die Hinzufügung einer zusätzlichen Vermittlung bei der Transkriptionsarbeit eine strenge Aufmerksamkeit für die Entscheidungen, die durch die Techniken bei der Datenproduktion vorweggenommen werden. Jede Forschung bringt Entscheidungen mit sich. Diese Feststellung hat nichts Technophobisches an sich. Sie fordert dazu auf, die Konsequenzen dieser Entscheidungen zu untersuchen und sich so „der Grenzen und Möglichkeiten bewusst zu werden, die den verschiedenen Techniken des Intellekts innewohnen“ (Goody, 1979, S. 57)2.

5Zunächst werde ich die allgemeine Funktionsweise von Speech-to-Text und seine Verwendung präsentieren. Zweitens beschreibe ich die vorläufige Evaluierungsarbeit, die im Rahmen der oben genannten Forschung durchgeführt wurde und sich mit automatischen Transkriptionen befasst, die von einer spezifischen Speech-to-Text Software produziert wurden: die von Vocapia Research angebotene Software VoxSigma3. Die daraus resultierende Evaluation bescheinigt VoxSigma, dass es seinen Nutzern eine zuverlässige semantische Umgebung bietet, aber sie weist auch qualitativ auf einige systematische Fehlerquellen hin. Das Ziel des vorliegenden Artikels besteht darin, ein tieferes Verständnis und eine detaillierte Analyse dessen zu erlangen, was in automatischen Transkriptionen zu Fehlern führt. Diese Vertiefung basiert auf dem Vergleich der einschlägigen Computerliteratur mit manuell erstellten Transkriptionen, wie sie in der Konversationsanalyse üblich sind. Die Analyse ergab zwei Typen von Problemen unterschiedlicher Natur, die die Darstellung des Kerns des Artikels strukturieren: (1) Probleme, die durch die Grenzen der in Speech-to-Text Software eingebetteten Computermodelle erzeugt werden; (2) Probleme, die mit gewöhnlicher Konversation zusammenhängen.

6Wir werden sehen, dass diese Synthese an eine von Quéré (1991) formulierte Gegenüberstellung von zwei Kommunikationsmodellen erinnert: (1) ein epistemologisches Modell, das Sprache als Informationsübertragung zwischen Sprechern begreift, die wie Maschinen durch Ver- und Entschlüsselung vorgehen, um einander zu verstehen; (2) ein praxeologisches Modell, das sich auf die Art und Weise bezieht, wie die Interaktion von Sprechern in einer Situation ko-konstruiert wird. Wir werden also sehen, dass die Sackgassen des Speech-to-Text, abgesehen von den reinen Computerproblemen, grundsätzlich die Unmöglichkeit für die Software die Ordnung der Interaktion (l’ordre de l’interaction) zu aufzeigen sind, die durch die zu transkribierenden Wechselwirkungen mitkonstituiert wird. Bevor ich zum Schluss komme, möchte ich noch einen Punkt zu einer besonders interessanten Fehlerquelle hinzufügen, die sich auf die Transkription von Eigennamen von Personen bezieht und anscheinend an der Schnittstelle zwischen diesen beiden Typen von Problemen liegt.

Die Blackbox von Speech-to-Text öffnen

7Speech-to-Text Software gehören zum Bereich der natürlichen Sprachverarbeitung (Natural Language Processing, NLP), welcher alle Anwendungen eines „Computers zur automatischen Verarbeitung geschriebener Texte und gesprochener Produktionen in natürlicher Sprache“ umfasst und „an der Schnittstelle zwischen Linguistik und Informatik“ liegt. (Silberztein, 2019, S. 7). Speech-to-Text ist somit Teil der NLP-Forschung und wird oft mit anderen Softwares in Verbindung gebracht, deckt aber bei weitem nicht alle Werkzeuge ab, die diesen Bereich ausmachen. NLP-Werkzeuge zielen darauf ab, menschliche Arbeit für eine Aufgabe zu ersetzen, die als „unumgänglich, aber zeitaufwendig“ gilt (Rioufreyt, 2018, S. 97). Ihre Entwicklung ist Teil des Wunsches, automatische Transkriptionen unabhängig von der menschlichen Wahrnehmung der aufgezeichneten Quellen zu erzeugen. In diesem Zusammenhang heißt es in der Computerliteratur, dass „Forscher von der Idee fasziniert sind, dass Maschinen Audioinhalte genauso hören und verstehen können wie Menschen, was als ‘machine listening’ bezeichnet wird“ (Gauvain et al., 2019, S. 87). In der Praxis ist der Stand der Technik bei Speech-to-Text und generell in der NLP noch weit von diesem Ideal einer vollständigen Automatisierung entfernt.

8Die Entwicklung von Speech-to-Text erfordert nämlich eine Phase des „Trainings“ der Systeme an Korpora, die geschriebene Texte umfassen, welche in der Regel aus dem Internet stammen (Vasilescu et al., 2014; Roy et al., 2015; Gauvain et al., 2019). Dieses Training erfolgt auch durch „manuell“ erstellte Transkriptionen und Annotationen von mündlichen Quellen (Lamel et al., 2011; Poignant et al., 2012; Despres et al., 2013; Clavel et al., 2013; Vasilescu et al., 2014; Bredin, Roy et al., 2014; Fraga-Silva et al., 2015; Roy et al., 2015). Darüber hinaus erfordern Maschinen, die auf einer „NLP-Lösung“ basieren, wie zum Beispiel Chatbots, welche von Unternehmen eingesetzt werden, die anspruchsvolle Arbeit der „kontinuierlichen Überwachung des Systems, das an die tatsächlichen Nutzungssituationen angepasst wird“ (Esteban, 2020, S. 199). Menschliche Fähigkeiten in Bezug auf das Verstehen der Sprache sind vor und nach der Entwicklung der Automaten für deren reibungslosen Betrieb noch immer unerlässlich. Dagegen werden jedes Jahr bedeutende Verfeinerungen der Speech-to-Text Softwares abgeschlossen. Diese Verfeinerungen sind die Antwort auf Situationen, in denen Korpora verarbeitet werden müssen, die beträchtliche Mengen an Material umfassen, insbesondere Medien, aber auch Telefongespräche oder Interviews in Marketingkontexten (Clavel et al., 2013), in der Justiz (Gauvain et al., 2019), bei der Verwaltung von Dokumentenarchiven (Alquier et al., 2017) oder sogar in der Forschung in den Human- und Sozialwissenschaften (Tancoigne et al., 2020).

  • 4 Latour verwendet die Bezeichnung „technische Faltung“ (pliage technique), um die Existenzweise des (...)

9Da der Einsatz von Speech-to-Text Software über die Dienstleistung eines Dritten außerhalb der Nutzungskontexte erfolgt, ist es wichtig, die „Vermittlungsketten“ (Latour, 2006, S. 125) aufzudecken, aus denen dieser Einsatz besteht, insbesondere dessen Informatikmodelle und das Kommunikationsmodell (Quéré, 1991), welches seiner Konzeption zugrunde liegt. So soll vermieden werden, dass die Software als „Black Box“ zurückbleibt, die „leicht vergessen werden kann“ (Latour, 2006, S. 58-59). Denn sobald eine Speech-to-Text Software zur Verwendung kommt, produziert sie Texte, deren „technische Faltung“ (pliage technique) (Latour, 2010, S. 29) dazu neigt, für die Nutzer undurchsichtig zu werden oder gar nicht zu existieren, sodass sie die Software als bloßen Zwischenschritt im Umfrageprozess betrachten könnten4. Tatsächlich werden wir sehen, dass Speech-to-Text die „Elemente“ der Sprache, „die sie transportieren soll[…]“ (Latour, 2006, S. 58), verändert. Es ist in der Tat möglich, diese Veränderung anhand der Probleme, welche die Software bei ihrer Transkriptionsarbeit hat, sichtbar zu machen. Nach Latours Lehre tritt ihr Status als Vermittler erst dann voll zutage, wenn sie als technisches Objekt „ausfällt“ (S. 59) oder Probleme verursacht.

Ein praxeologischer Blick auf Speech-to-Text

10Der vorliegende Artikel konzentriert sich auf die Transkriptionen von VoxSigma, die als Grundlage für die interdisziplinäre Forschungarbeit Scientific Expertise and Media Discourse bildeten. Ziel dieser Forschungsarbeit war die Entwicklung eines Computerprototyps für Journalisten und die breite Öffentlichkeit, welcher „semantische Karten“ erstellen kann. Diese Karten sollten wissenschaftliche Experten mit den Themen verbinden, welche in den Medien behandelt werden. Das allgemeinere Ziel, das diese Forschung antrieb, war die Erleichterung und Bereicherung des Wissensflusses zwischen Universität und Öffentlichkeit in einem Kontext von Desinformation und Misstrauen gegenüber Medien- und Wissenschaftsinstitutionen. Der Prototyp wurde entwickelt, um Visualisationen zu produzieren, die automatisch generiert werden aus Wörtern von miteinander verbundenen Medienquellen. Da der von Avis d’Experts gelieferte Korpus Audio und Video beinhaltete, war von Anfang an den Zugang zu den Transkriptionen dieser Quellen erforderlich. Die Lösung lag in gewisser Weise auf der Hand, da die RTS einen Vertrag mit Vocapia zu Archivierungs- und neuerdings auch zu Forschungszwecken hatte. Daher war es möglich, die von VoxSigma erstellten Transkriptionen zu nutzen, um die mündlichen Medienquellen von RTS in die Entwicklung des Prototyps einzubringen.

11Eine qualitative Vorprüfung der transkribierten Texte war wichtig, um die automatischen Transkriptionen zu bewerten und sicherzustellen, dass die Fehler nicht zu inkohärenten „semantischen Karten“ führten. Ich wurde mit der Durchführung dieser Evaluation beauftragt, indem ich die von Vocapia bereitgestellten Texte mit den originalen Audio- und Videoquellen verglich. Dies geschah anhand eines qualitativen Korpus von 68 Sendungen, der eine große Vielfalt an Formaten (Interviews, Reportagen, Debatten, Mischformen) abdecken sollte. Der in diesem Schritt verwendete Fehlerbegriff entspricht dem von Vocapia erstellten, das eine weit verbreitete Metrik zur Messung der Zuverlässigkeit eines automatischen Transkriptors mobilisiert: die Word Error Rate5. Nach dieser Metrik wird ein Fehler in drei Fällen festgestellt: wenn ein Wort (1) anstelle des gesprochenen Wortes verwendet wird, (2) aus der Transkription gestrichen wird oder (3) eingefügt wird, ohne dass es ausgesprochen wurde6.

12Wenn ein Fehler identifiziert wurde, ging es zusätzlich darum, die Fehlerquelle qualitativ zu bestimmen, indem man sich fragte: „Was passiert in der Situation, wenn ein Fehler von der Software gemacht wird?“ Nach dieser Methode wurde eine Liste von fünfzehn Fehlerquellen verfasst, ohne zu diesem Zeitpunkt die Computerliteratur zu diesen Softwares zu kennen. Trotz dieser Fehler wurde die Arbeit der Software für dieses Projekt als weitgehend ausreichend bewertet, wobei die Analyseeinheit des Prototyps das Wort war – insbesondere der gemeinsame Name. Es zeigte sich, dass VoxSigma eine zuverlässige semantische Umgebung bietet; zumindest scheint es immer möglich, zu wissen, von was man spricht, und dadurch Themenfelder klar und präzise herauszuarbeiten.

13Dennoch erschien es über dieses Projekt hinaus wichtig, eine detaillierte Analyse dieser fünfzehn Fehlerquellen weiter zu entfalten, um zu den Überlegungen über automatische Transkriptionen beizutragen, insbesondere aus soziologischer und konversationswissenschaftlicher Sicht. Nach einer gründlichen Recherche des Computerwissens über Speech-to-Text stellt sich nämlich heraus, dass die nachträgliche Evaluation dieser Softwares in der Regel anhand anderer Computersoftwares vorgenommen wird. Obwohl diese auch anhand manueller Transkriptionen trainiert werden, erzeugen sie Fehlerberichte auf statistische Weise, ohne dass die Ursachen der Fehler genau identifiziert werden können, die dann auf der Ebene von Hypothesen bleiben. Umgekehrt ermöglichte die Evaluation dieser Speech-to-Text Software als Soziologin und nicht als Informatikerin, die Ursachen der aufgetretenen Probleme besser zu erkennen, um sie dank des Kontakts mit den Originalquellen auf einer praktischen Ebene zu formulieren und die Auswirkungen unserer Betrachtungsweise von Kommunikation und Sprache auf die Produktion wissenschaftlicher Erkenntnisse zu erfassen.

  • 7 Vocapia hat eine Internetseite, die Zugang zu den PDFs zahlreicher Artikel bietet, die auf den Stan (...)

14In diesem Artikel werden die fünfzehn Fehlerquellen, die in der vorläufigen Evaluation herausgearbeitet wurden, zunächst mit den von Vocapia bereitgestellten öffentlichen Beschreibungen von VoxSigma und den in der Computerliteratur zu Speech-to-Text gefundenen Beobachtungen verglichen7. Es sollte untersucht werden, ob die Fehlerquelle in Betracht gezogen wurde und wenn ja, wie diese aus der Sicht der Informatik behandelt wurde. Diese Recherche konnte zu verstehen geben, wie Informatiker die automatischen Prozesse von der Software und deren Probleme verstehen. Aus soziologischer Sicht gehören die Fehlerquellen zu zwei Typen von allgemeinen Problemen unterschiedlicher Art, die in der Computerliteratur nicht unterschieden werden: (1) computerbasierte Probleme: Probleme, die durch die Grenzen von Softwaremodellen entstehen, (2) interaktionelle Probleme : Probleme, die sich aus der gewöhnlichen Konversation ergeben, welche einem praxeologischen Kommunikationsmodell entspricht, das sich der Informatik entzieht.

15Die folgende Tabelle enthält die in der Vorphase erstellte Liste der Fehlerquellen (Spalte 1) und zeigt, mit welchem Problemtyp sie aus der Sicht der Informatik (Spalte 2) und aus soziologischer Sicht (Spalte 3) verbunden sind. Ich schlage nun vor, diese zwei Typen von Problemen nacheinander im Detail zu betrachten und eine Diskussion darüber zu eröffnen, was deren Wahrnehmung aus Sicht der Informatik bedeutet. Für die Soziologin beziehen sich die Zeilen 1 bis 10 der Tabelle auf Problemtyp 1 aus Informatikperspektive und die Zeilen 11 bis 14 auf Problemtyp 2 aus Interaktionsperspektive. Für die Analyse dieses zweiten Typs von Problemen wird ein detaillierter Vergleich mit Transkriptionen, wie sie in der Konversationsanalyse üblich sind, vorgeschlagen. Die Zeile 15 verweist auf ein hybrides Problem und wird vor der Schlussfolgerung gesondert diskutiert.

Tabelle 1: Liste der Fehlerquellen

Qualitatives Ermitteln der Fehlerquelle

Problemtyp aus Sicht der Informatik

Problemtyp aus Sicht der Soziologie

1

Spezifischer Wortschatz

(technisch, regional, Wort aus einer anderen Sprache)

Wörterbuch

Typ1-Computerproblem

2

Akronym

Wörterbuch

Typ1- Computerproblem

3

Zahl

Wörterbuch

Typ1- Computerproblem

4

Sprachumschaltung

Spracherkennung

Typ1- Computerproblem

5

Übersetzung

Spracherkennung / Signalqualität

Typ1- Computerproblem

6

Umgebungsbedingung

(Wind, Regen, Hintergrundgeräusche)

Signalqualität

Typ1- Computerproblem

7

Umgang mit der Technik

(zu leise, zu laut, zu nah oder zu weit vom Mikrofon entfernt sprechen)

Signalqualität

Typ1- Computerproblem

8

Nonverbale Sequenz

(Musik, Lachen)

Akustisches Ereignis

Typ1- Computerproblem

9

Aussprache

(Stottern, Zögern, Verkürzung eines Wortes, schwankender Redefluss)

Sprechweise

Typ1- Computerproblem

10

Von der standardisierten Schrift losgelöste Äußerung von Sätzen.

(Wiederholung eines Wortes, grammatikalischer Fehler)

Sprechweise

Typ1- Computerproblem

11

Aufzählung

Typ2-Interaktionsproblem

12

Überlappung

Signalqualität

Typ2- Interaktionsproblem

13

Unterbrechung eines Sprechers

Signalqualität

Typ2- Interaktionsproblem

14

Wechsel der Sprecher

(abwechselnd schnelle Redezüge (turns) oder häufiger Sprecherwechsel)

Signalqualität / Identifikation und Labeling von Sprechern

Typ2- Interaktionsproblem

15

Eigennamen von Personen

Wörterbuch/ Sprechweise / Identifikation und Labeling von Sprechern

Hybridproblem

Liste qualitativ ermittelter Fehlerquellen, die mit Typen von Problemen für die Software aus Sicht der Informatik und aus soziologischer Sicht in Verbindung gebracht werden

Der erste Problemtyp – Grenzen von Computermodellen

16Der erste Typ von Problemen umfasst Fehlerquellen, die sich auf die Modelle beziehen, die im automatischen Stimmerkennungssystem implementiert sind8. Im Allgemeinen „basiert jede Speech-to-Text Software auf mindestens zwei Modellen: einem akustischen Modell (acoustic model) und einem linguistischen Modell (language model). Systeme mit einem umfangreichen Wortschatz verfügen zusätzlich über ein Aussprachemodell (pronunciation model)”9. Genauer gesagt, ausgehend von einem Sprachsignal (speech signal) ermöglicht das akustische Modell dem System, die aufgenommenen Sprachinformationen mit Lauten (phones) zu verbinden. Das linguistische Modell berechnet die Wahrscheinlichkeit und die Häufigkeit von Wortfolgen, die aufgrund der syntaktischen und semantischen Beschränkungen einer Sprache produziert werden sollen. Grundsätzlich umfasst eine Speech-to-Text Software also zusätzlich zu diesen beiden Modellen ein lexikalisches oder „Aussprache-Wörterbuch”, das alle dem System bekannten Wörter einschließt, denen eine oder mehrere mögliche Aussprachen zugeordnet sind. Dieser erste Typ von Problemen umfasst also die Fehlerquellen, die auf die Grenzen dieser Computermodelle verweisen.

  • 10 Das T bezieht sich auf die Tabelle und die Zahl bezieht sich auf die Zeile der Fehlerquelle, die in (...)

17Wörter, die nicht im Aussprachewörterbuch zu finden sind, werden logischerweise falsch transkribiert. Im bewerteten Korpus handelt es sich um wenig gebräuchliche Begriffe wie „jarnidieu”, technische Begriffe wie „hypominéralisation“ (Hypomineralisation), regionale Begriffe wie „Lac Léman“ und Begriffe aus einer anderen Sprache als Französisch wie „fake news (T110). Angesichts dieser Fälle macht die Speech-to-Text Software aufgrund der Aussprache wahrscheinliche Vorschläge, um die Sätze zu vervollständigen. Um diese Wortschatzprobleme zu lösen, können Sie die fehlenden Wörter einfach dem Wörterbuch des Systems hinzufügen. Speech-to-Text Software hat auch Schwierigkeiten mit Sprachelementen, die keine Wörter im eigentlichen Sinne sind, wie Akronyme (T2), zum Beispiel „COP21”, und Zahlen (T3), insbesondere große Zahlen, die in Zahlen und nicht in Buchstaben wiedergegeben werden. So wird „1200“ als „1000 200“ transkribiert.

18Außerdem sind diese Modelle immer spezifisch für eine bestimmte Sprache. Es gibt keine universell einsetzbare Software. Damit ein Wort aus einer anderen Sprache erkannt wird, muss es unweigerlich in das Wörterbuch der Sprache aufgenommen werden, mit der die Speech-to-Text Software arbeitet. Bei VoxSigma können Sie die Sprache eingeben, bevor Sie mit der Transkription beginnen. Für den Fall, dass diese nicht bekannt ist, verfügt VoxSigma über eine Komponente zur automatischen Erkennung gesprochener Sprache (automatic spoken language recognition), die vierzig verschiedenen Sprachen anhand eines Sprachsignals identifizieren kann11. Wenn das System jedoch einmal in einer Sprache gestartet ist, macht es keinen Rückzieher mehr. Bis vor kurzem gingen Forscher davon aus, dass ein Audiodokument nur eine einzige Sprache enthält (Gauvain et al., 2019, S. 82), was bei weitem nicht immer der Fall ist.

19In der Literatur wird die Frage nun in Bezug auf Mehrsprachigkeit (S. 82) und Code-Switching (Barras et al., 2020) gestellt. Fälle von Code-Switching sind häufig und können unauffällig sein, indem sie mitten in einem Satz auftauchen (Barras et al., 2020, S. 1). Im bewerteten Korpus stellt allein die Erwähnung des Titels eines Buches in seiner Originalsprache eine Code-Switching-Situation für das System dar. Beispielsweise wurde The Physics of Heaven als „les ex-à 20“ (die Ex-auf 20) transkribiert (T4). Mehrsprachige Kontexte sind besonders problematisch, da ganze Sequenzen in anderen Sprachen als der Hauptsprache oder in Dialekten (Gelly et al., 2016) ausgesprochen werden können.

20Da die Schweiz ein mehrsprachiges Land ist, war es wahrscheinlich, dass der bewertete Korpus derartige Probleme für die Software verursachen würde. Dennoch bezieht er sich auf Sendungen, die auf den großen nationalen öffentlichen Kanälen ausgestrahlt werden. Äußerungen in nicht-französischen Sprachen werden dort auf die eine oder andere Weise übersetzt, und zwar meist stimmlich, was für das Radio unumgänglich ist. Auf der zu transkribierenden Tonspur werden die Satzanfänge in einer anderen Sprache (Landessprache oder Fremdsprache) gesprochen. Die Software erkennt dann die Änderung nicht und macht falsche Vorschläge auf Französisch. Anschließend wird die Hauptstimme von einer französischen Stimme überlagert. Im Prinzip richtet sich die Speech-to-Text Software nach dem französischen Voice-over, was aufgrund der problematischen Ausgangssätze zu seltsamen Sätzen führt (T5).

21Dieses Problem im Zusammenhang mit Übersetzungen scheint in der Literatur noch nicht berücksichtigt worden zu sein. Es vermischt sich mit einem anderen Problem: die Qualität der Aufnahmen. Bei der Sprache-zu-Sprache Übersetzung muss die Software ein schlechtes Sprachsignal transkribieren. Das Problem ist, dass die Qualität der Transkripte weitgehend von der Klarheit dieses Signals abhängt. Die Problematik der „Bedingungen für die Sammlung von mündlichen Quellen“ ist nicht spezifisch für Speech-to-Text Softwares, sondern betrifft jede Software zur Unterstützung von Transkriptionen (Rioufrey, 2018, S. 103). So gibt es spezialisierte Instrumente, mit denen die Qualität des Sprachsignals bearbeitet werden kann (S. 103), aber Speech-to-Text hat solche Tools nicht in sein System integriert und muss daher mit anderer Software kombiniert werden.

22In der Computerliteratur stellt sich diese Frage bei Quellen mit vielen Hintergrundgeräuschen, die den Empfang des Audiosignals stören. VoxSigma vervielfacht tatsächlich die Fehler bei Außenreportagen mit Wind- oder Regengeräuschen (T6). Dasselbe gilt, wenn eine Person sehr leise, zu nah oder zu weit vom Mikrofon entfernt spricht (T7). In der Literatur wird auch von „akustischen Ereignissen“ gesprochen, die man identifizieren können sollte; im Fall der Daten rund um den Terrorismus sind dies Explosionsgeräusche, Schüsse oder Maschinengewehre (Gauvain et al., 2019, S. 87-88). VoxSigma beschränkt sich auf Sprache und labelt andere Typen von akustischen Ereignissen nicht. Lachen oder Musik werden als Pausen betrachtet, die durch Leerstellen in der Transkription gekennzeichnet sind, sodass die Leser nicht wissen, warum das Sprechen aufhört (T8). Bei Liedern kann es vorkommen, dass die Software spontan Wörter eingibt, die sie in die Mitte der Pausen setzt. Dies wird wiederum im Artikel über die Herausforderungen von Daten über terroristische Propaganda hervorgehoben, bei denen „die Partitur des gesprochenen Wortes durch die starke Präsenz von Psalmen und Predigten, die leicht für gesprochenes Wort gehalten werden können, gestört wird“ (S. 86).

23Dieser letzte Beitrag erweist sich als besonders interessant, da er sich auf Daten stützt, die Speech-to-Text auf die Probe stellen. Diese Art von Daten wird kaum zum Testen von Software verwendet, obwohl sie die Schwächen der Software deutlich aufzeigen. In der Regel werden Medienquellen bevorzugt, da hier viel Arbeit in den Ton investiert wird und die Qualitätsprobleme im Vergleich zu anderen Quellenarten gering sind. Dennoch sind diese Elemente aus qualitativer Sicht auch in Medienproduktionen zu finden und bringen, wenn sie vorhanden sind, die Software in Schwierigkeiten. Laut Vocapia ist die Stimmerkennung immer fehleranfällig, da „die Genauigkeit der Transkriptionen stark vom Sprecher, der Art der Rede und den Umgebungsbedingungen abhängt”12. Die Abhängigkeit vom Sprecher ist in der Tat grundlegend, da die Software nicht nur auf „Geräusche“ reagiert, sondern auch auf Sprechweisen, darunter stimmliche und diskursive Eigenheiten, die zu weit von einer standardisierten Version der Sprache abweichen. Die häufigsten Fehler, die bei der Evaluation von VoxSigma auftraten, sind genau auf diese stimmlichen Eigenheiten zurückzuführen (T9-10).

24Diese Eigenheiten wurden von Rioufreyt gut dokumentiert:

mehr oder weniger ausgeprägte lokale Akzente, Variation in der Modulation der Stimme (zitternde Stimme mancher älteren Menschen, Sprechen in kritischen affektiven Situationen: Weinen, Angst, Stupor usw.), Probleme mit der Diktion (Gaumendeformität, Stottern, Lispeln) usw.

25Man kann auch Personen hinzuzählen, die „dazu neigen, ihre Worte zu kauen“ (2018, S. 102). Insbesondere bei Speech-to-Text sind auch Französischfehler ein Problem. Im bewerteten Korpus führten die in der Schweiz zahlreich vorkommenden Akzente nicht systematisch zu einer Vervielfachung der Fehler. Die Transkription von mit starkem Akzent gesprochenen Passagen, welche aber gut artikuliet, langsam gesprochen und ohne grammatikalische Fehler sind, kann sehr gut sein. Im Gegensatz dazu wird das Sprechen von Personen mit einem schwachen Akzent, die aber immer wieder zögern, sehr schlecht transkribiert. Einige schwer auszusprechende Wörter werden manchmal vom menschlichen Ohr erkannt, obwohl die automatische Transkription eine falsche Transkription erzeugt, zum Beispiel „ecclésiastique“ (kirchlich).

26In der Computerliteratur wird diese Frage, wie man spricht und die „paralinguistischen“ Dimensionen der Sprache, unter dem Gesichtspunkt der Emotionen betrachtet, aber auch zum Beispiel unter jenem der Veränderungen der Stimme, wenn man erkältet ist (Wagner et al., 2017). Zusammenfassend lässt sich sagen, dass eines sicher ist: Computermodelle eignen sich nicht für Daten, die zu viele Singularitäten aufweisen. Dies betonen Gauvain et al. für die Daten zum Terrorismus, die Folgendes beinhalten:

starke Akzente und Nicht-Muttersprachler, die viele Fehler verursachen. Die Reden enthalten auch viele Zögerungen und grammatikalische Fehler, die nicht mit den Sprachmodellen übereinstimmen (2019, S. 86).

27Speech-to-Text Software hat es schwer mit allem, was von einer Standardisierung der Sprache und ihrer „grafischen Vernunft“ (Goody, 1979) abweicht. Die Software versucht nämlich, einen quasi-literarischen Text zu produzieren, und um keine Fehler zu machen, bräuchte sie einen Sprecher, der wortwörtlich wie ein Text sprechen würde13. Der Anchor Speaker einer Nachrichtensendung oder eines Radiosenders ist also der Prototyp des idealen Sprechers für VoxSigma14 : sie lesen ihre Teleprompter mit möglichst wenig Akzent und Emotionen und in einer klaren akustischen Umgebung vor. Kurz gesagt: Alle zu transkribierenden Phänomene, die von einer vorbereiteten und mündlich vorgetragenen Rede – Text-to-Speech – abweichen, stellen Speech-to-Text vor Probleme.

Der zweite Problemtyp – Schwierigkeiten der Informatik angesichts der Interaktionsphänomene

Die praxeologischen Sackgassen des Text-to-Speech-To-Text-Modells

28Der zweite Typ von Problemen betrifft die Identifizierung und Steuerung von Interaktionen durch der Speech-to-Text Software, die sehr ungenau wird, wenn er mit Überlappungen (T12), Unterbrechungen (T13), abwechselnd schnellen Redezügen und häufigen Sprecherwechseln (T14) konfrontiert wird. Dies betrifft alle Phänomene, bei denen eine Organisation beteiligt ist, die der gewöhnlichen Konversation nahekommt. Die Software neigt dazu, solche Phänomene als Geräusche zu betrachten. Wenn der Anchor Speaker als Idealtypus fungiert – dies nicht nur, weil er eine schriftliche Rede vorliest, sondern auch, weil er alleine spricht.

29Die Schwierigkeiten, welche die Konversation für Speech-to-Text Softwares mit sich bringt, werden von Informatikern erkannt. Vocapia warnt seine Kunden: die Ergebnisse zu Quellen, die sehr informelle Konversationen enthalten, werden deutlich weniger genau sein15. Lamel et al. weisen außerdem darauf hin, dass Vergleiche der von der Software erzeugten Fehlerwortrate zwischen den Jahren 2010 und 2011 wackelig sind, weil die neueren Korpora einen viel größeren Anteil an Konversationen enthalten (2011, S. 128). Nur ein Text aus der Computerliteratur befasst sich ausschließlich mit Konversationsdaten, in diesem Fall mit Telefongesprächen in einem Marketingkontext (Clavel et al., 2013). Die Autoren bieten dort den umfangreichsten Überblick, welchen ich bisher gefunden habe, zur „spontanen“ und „interaktiven“ Dimension der Konversation und die Probleme, welche diese Dimension für die Software darstellt. Bezeichnenderweise wird „das ständige Risiko einer Verschlechterung der Qualität der Nachrichtenerstellung, einschließlich Aussprache und Syntax“ (S. 5) betont. Dieses durch Gespräche verursachte „Risiko der Verschlechterung“ wird als Teil desselben Problems kategorisiert wie das Geräusch, das das Signal stört. In der Computerliteratur wird daher nicht zwischen Problemen unterschieden, die speziell die Interaktion betreffen. Deshalb soll gezeigt werden, inwiefern sie sich grundlegend von Problemtyp 1 unterscheiden.

30Um zu zeigen, wie VoxSigma Interaktionen unterstützt, habe ich vier Auszüge aus den Medienquellen des ursprünglichen Korpus ausgewählt, die ich manuell transkribiert habe, um sie mit den automatischen Transkriptionen zu vergleichen. Diese Auszüge wurden aufgrund der Diskrepanz ausgewählt, die sie an der Stelle meiner Wahrnehmung zwischen der Lektüre der zu bewertenden Texte und meinem Kontakt mit dem Medienmaterial erzeugten. Diese Transkriptionen wurden auf der Grundlage der Konventionen erstellt, die von der Konversationsanalyse (KA) mobilisiert wurden, da dieser Ansatz darauf abzielt, die Konversation als „geordnetes Phänomen“ (Mondada, 2008, S. 882) zu erfassen.

31Darüber hinaus steht das Sprachverständnis, das der KA innewohnt, im Gegensatz zum Sprachverständnis, welches den Computermodellen von Text-to-Speech-to-Text innewohnt. Diese Sichtweise der Informatik auf die Sprache verweist in der Tat auf ein Kommunikationsmodell, das Quéré (1991) als „repräsentationistisch“ oder „epistemologisch“ bezeichnen würde. Nach diesem Modell wäre Kommunikation „eine Angelegenheit des Lernens, der Übertragung und der Verarbeitung von Informationen, das heißt des Entwerfens, Aussendens und Empfangens von Vorstellungen“ (S. 73). Nach einem solchen Modell würde der Akt des Kommunizierens darauf hinauslaufen, „bei einem Empfänger ähnliche Vorstellungen oder Ideen hervorzurufen, wie sie im Geist desjenigen vorhanden sind, der die Botschaft überbringt“ (S. 73). Man erkennt gut die Form der Computersprache, die „in Form von Codierung und Decodierung von Nachrichten“ funktioniert, um eine „erfolgreiche Kommunikation“ (S. 73) zu gewährleisten, und verweist damit auf die Logik der automatischen Modelle selbst. Darüber hinaus spiegelt dieser Ansatz der Kommunikation die von Informatikern auf den Ablauf des zwischenmenschlichen Austauschs projizierte Sprachkonzeption wider. Diese Projektion zeigt sich in der Art und Weise, wie Gespräche als Rauschen aufgefasst werden, welches das Signal der zu übertragenden und zu entschlüsselnden Nachricht verschlechtert, und zwar nicht nur für die Software, sondern auch zwischen Sprechern. Für die Informatiker ist die Nachricht genau das Objekt, das die Maschine extrahieren und transkribieren soll.

32Diese „objektivierende Haltung“ (S. 74) neigt dazu, automatische Transkriptionen als über eine gewisse Unabhängigkeit von den Quellen zu sehen. In dieser Haltung würde der von der Software bewirkte Prozess der „Umwandlung“ die zirkulierende Botschaft an sich nicht verändern. Die in Text umgewandelte Botschaft wäre dieselbe wie die geäußerte, weshalb eine Form der Autonomie der Transkription gegenüber ihrer Quelle wahrgenommen wird. Bezeichnenderweise enthielten die ersten von VoxSigma übermittelten Dateien keine Links zu den Quellsendungen. Ich musste einen Antrag formulieren, dass jede Abschrift Metadaten enthält, die mich auf die Medienquellen verweisen. Diese Autonomisierung trägt dazu bei, die Sprache zu de-situieren und zu de-temporalisieren; sie nimmt eine Desindexikalisierung (désindexicalisation) vor.

  • 16 Diese „Untrennbarkeit von Primär- und Sekundärdaten“ (Mondada, 2007, S. 145) bedeutet nicht, dass T (...)

33Im Gegensatz dazu achten KA-Transkriptionen auf die „praxeologische Dimension“ (Mondada, 2008, S. 888) der Sprache, indem sie den transkribierten Text als untrennbar mit den Quellen verbunden betrachten und „eine Arbeit garantieren, die in ständiger Bezugnahme auf die aufgezeichneten Daten durchgeführt wird“ (2007, S. 145)16. Für Konversationanalytiker sind die Praktiken der Analyse und der Transkription gleichermaßen untrennbar miteinander verbunden und erfordern, dass man „mit Daten arbeitet, über die man genau Bescheid weiß“ (Mondada, 2008, S. 884). Das Modell der praxeologischen Kommunikation, das die KA entspricht, bezieht sich dann auf eine Auffassung von Sprache, die nicht mehr als eine von Punkt A nach Punkt B zirkulierende Nachricht verstanden wird, sondern vielmehr als „eine gemeinsame Aktivität“ (Quéré, 1991, S. 76), die in einer Situation vollzogen wird. Auf der Ebene der Transkriptionen geht man von einem epistemologischen Modell, das einen Text in „isolierten, mehr oder weniger idealisierten Formen“ produziert, zu einem praxeologischen Modell über, das „Formen-in-der-Zeit“ und „Formen für die Handlung, die durch ihren Entstehungsprozess strukturiert sind“ zeigt (Mondada, 2007, S. 145).

34Folglich trägt die KA dazu bei, „die Sprache zu re-temporalisieren und zu re-situieren“ (Mondada, 2007), indem sie Transkriptionen bevorzugt, welche die Aspekte der Mündlichkeit besser bewahren als die standardisierten Regeln der Schriftlichkeit, indem sie lange Pausen, Pausen mitten in einem Satz oder Wort, Tonfällen, Überlappungen oder auch Unterbrechungen beachten. Das Ergebnis ist ohne Zugang zu den Quellen und ohne Übung im Lesen dieser Konventionen zwangsläufig schlecht lesbar. In dieser Hinsicht sind die KA-Transkriptionen den Speech-to-Text Transkriptionen gut entgegengesetzt. Diese Software bevorzugt die Einhaltung der Standardgrammatik, die „mehr Lesbarkeit bietet und automatische Analysen auf der Grundlage von Standardorthographiekonventionen ermöglicht“ (Rioufreyt, 2018, S. 109). Im Gegensatz dazu, wie wir sehen werden, machen KA-Transkriptionen die Interaktionen, wenn nicht lesbar, so doch zumindest sichtbar, während automatische Transkriptionen sie auflösen und verschwinden lassen.

Die Rede des Anchor Speakers, der sich auf dem ersten Typen von Problemen beschränkt

  • 17 Climat : la grande hypocrisie ? (Klima: Die große Heuchelei?), Sendung Infrarouge vom 19. Dezembe (...)
  • 18 Bei Verweisen in den Analysen bezeichnen STT oder KA den Transkriptionstyp und die Zahl verweist au (...)

35Von den vier ausgewählten Auszügen beziehen sich die ersten drei auf unterschiedliche Momente in ein und derselben Fernsehdebatte17. Der erste Auszug entspricht der Einleitung der Sendung durch den Moderator, der eine Art von Rede produziert, die der Figur des Anchor Speakers sehr ähnlich ist, die perfekt zu VoxSigma passt. Die Software (STT) hält, was sie verspricht, und liefert eine absolut zuverlässige allgemeine semantische Umgebung rund um die „Klimaherausforderung”18:

Abbildung 1: Auszug 1 STT

Abbildung 1: Auszug 1 STT

Urheberrecht Illustration: Marine Kneubühler

36Die allgemeine Form der Interaktion – zwischen dem sprechenden Moderator und dem abwesenden (und daher stummen) Publikum, an das sich der erste wendet – ist zwischen den STT- und KA-Präsentationen ähnlich. Beide Transkriptionen produzieren eine visuelle Form in einem Textblock:

Abbildung 2: Auszug 1 KA

Abbildung 2: Auszug 1 KA

Urheberrecht Illustration: Marine Kneubühler

37Man könnte erwarten, dieser Form auch bei einer Nachrichtensendung zu begegnen. Im Detail zeigt sich, dass die im Debattenformat geleistete diskursive Aktivität jedoch nicht genau dieselbe ist, da sie nicht darin besteht, eine Liste von Themen zu präsentieren, sondern ein einziges Thema mit einer Liste von Gästen und Standpunkten. Dies verdeutlicht, welche Probleme die Software mit den Namen der Personen hat (T15). Hier ist mehr als jeder zweite Name falsch oder wird nicht als solcher erkannt.

38Die anderen Fehler, die die Software macht, stammen ausschließlich aus Quellen des erstens Typ. Es geht um Sprachprobleme (T4) – „Swiss Youth for Climate“ (KA21) wird zu „Swiss Youssoupha clarinette“ (Swiss Youssoupha Klarinette STT16). Einige Akronyme werden falsch transkribiert (T2) – „COP “ (KA6) wurde zu „COB“ (STT5). Man findet auch Probleme mit der Aussprache (T9). Hier gibt es zwei Beispiele für Ausspracheprobleme: das allererste geäußerte Wort hat einen stark ansteigenden Tonfall, es ist in der Mitte abgeschnitten und das Ende ist stark akzentuiert (no/- (.)tre (uns/-(.)er) KA3). Die Software ignoriert dieses Wort (STT2). Die Zahl 24 nach „COP“ („vingt-qua::tre“ (vierundzwanzi::g) KA6) wird mit einer Dehnung der Silbe ausgesprochen und am Ende akzentuiert. Die Software schlägt „vendu 15 votre“ (verkauft 15 Ihre STT5) vor. Außerdem werden die nichtsprachlichen akustischen Ereignisse (T8, Abspann und Applaus KA1-2) von der Software nicht signalisiert.

Die Glättung der situierten Aktivitäten

39Der zweite Auszug erfolgt einige Sekunden nach dieser Einleitung. Im Kontrast dazu macht er die Auslöschung der Interaktion in den automatischen Transkriptionen sichtbar. In der STT-Version wird dieser Auszug in zwei Blöcken präsentiert, die mit zwei männlichen Sprechern verbunden sind:

Abbildung 3: Auszug 2 STT

Abbildung 3: Auszug 2 STT

Urheberrecht Illustration: Marine Kneubühler

40Es gibt tatsächlich zwei männliche Sprecher, die sich zu diesem Zeitpunkt der Sendung miteinander austauschen. Die Form der Interaktion hingegen entspricht nicht zwei klar voneinander unterscheidbaren Redebeiträgen. Die KA-Transkription gibt die Interaktion in einer ganz anderen Form wieder als die STT und erlaubt es sogar, zwischen verschiedenen Arten von Aktivitäten und Sequenzen zu unterscheiden, die zwischen den beiden Gesprächspartnern ablaufen. Auf semantischer Ebene verweist STT1-11 auf KA1-14 und STT12-17 auf KA16-30.

Abbildung 4: Auszug 2 KA

Abbildung 4: Auszug 2 KA

Urheberrecht Illustration: Marine Kneubühler

41Visuell ist es sehr deutlich, dass die beiden vom STT wiedergegebenen Blöcke die abwechselnden Redezügen der beiden Sprecher vermischen. Zunächst ist in der KA-Version zu beobachten, dass der Moderator eine Begrüßungssequenz initiiert, die aus zwei „Paarsequenzen“ (adjacency pairs, Sacks et al., 1974, S. 710) mit einem designierten Gast (KA2-8) besteht. Er leitet diese Sequenz ein, indem er zunächst auf den Gast anspielt, indem er indirekt seine Anwesenheit und seinen Status als „Nobelpreisträger“ erwähnt (KA2-3). Dann eröffnet er ein Begrüßungssequenz, indem er ihn namentlich anspricht: „guten Abend Jacques Dubochet“ (KA4). Der Gast vervollständigt diese Sequenz und ratifiziert die Begrüßung, indem er „aber guten Abend“ (KA5) antwortet. Ohne Pause produziert der Moderator ein neues Frage/Antwort-Paar, das mit dem ersten mit „geht es Ihnen gut/“ (KA6) verknüpft ist. Diese Frage wird auch vom Gast bestätigt, der mit „sehr gut“ (KA7) antwortet, sodass der Moderator die Sequenz beenden kann („schön“ KA8). Nach einer Pause kann er dann mit der Formulierung einer längeren Frage im Topic der Debatte beginnen. Diese interaktive Sequenz ist in der STT-Version völlig verschwunden und die Wörter, aus denen sie besteht, werden linear in der Redezug des Moderators angeboten (STT3-5).

  • 19 Eine „multimodale Transkription“ (Mondada, 2007, S. 151) würde zeigen, dass der Gast auch seinen Bl (...)

42Dasselbe gilt für die andere Sequenz, die einer Aktivität entspricht, die am Fernseherset durchgeführt wird, wenn der Gast das neue, offene Frage-Antwort-Paar mit dem zur Debatte stehenden Thema vervollständigt. Für den Gast geht es darum, dem Moderator klarzumachen, dass es an der Zeit ist, zu seiner Erklärung eine Grafik zu zeigen, eine Grafik, die noch nicht „da“ (KA18) ist. Interessanterweise fehlt der Deixis, das typischerweise auf die situierte Dimension der Sprache verweist, in der STT-Version (15). Ohne auf die konversationellen Details einzugehen, die zur Vervollständigung der Analyse um eine multimodale Dimension ergänzt werden müssten19, fällt bereits auf, dass das Fehlen der Grafik, die „da sein sollte”, die beiden Sprecher dazu veranlasst, Überlappungen (KA18-19; 20-21; 22-23; 25-26) und schnelle Redezüge (KA27-29) zu produzieren, die der STT ignoriert. Wie bei der Begrüßungssequenz verschmilzt die Software die erfassten Wörter zu einer einzigen Redezug (STT12-17), die sich vom ersten Block unterscheidet, wahrscheinlich aufgrund der Pausenzeit (KA15), die der Gast markiert, bevor er seine Antwort produziert. STT erkennt lediglich, dass der Sprecher, der der Pause vorausgeht, nicht mit dem Sprecher identisch ist, der danach wieder das Wort ergreift.

Moment einer intensiven Debatte: Simulakrum von Interaktion

43Der dritte Auszug ist hochinteressant, weil seine STT-Version einen ziemlich schnellen Wechsel von Redezügen zeigt, der visuell an eine interaktive Form zwischen mehreren Sprechern erinnert und 1'34 Minuten lang ist. Die Software unterscheidet neun Blöcke, die von fünf verschiedenen Sprechern produziert würden, zwei Frauen (FS9 und FS8) und drei Männern (MS16, MS14 und MS3). Zwei Männern werden jeweils drei Blöcke zugeteilt (MS16 und MS14).

Abbildung 5: Auszug 3 STT

Abbildung 5: Auszug 3 STT

Urheberrecht Illustration: Marine Kneubühler

44Die KA-Version gibt die Tatsache wider, dass es sich um einen sehr intensiven Moment der Debatte handelt, in dem vier Sprecher – und nicht fünf, darunter nur eine Frau – sich viel unterbrechen, insbesondere nachdem ein Gast sich selbst ausgewählt hat (KA7), um auf die Äußerungen eines anderen Gastes (KA1) zu reagieren, der wiederum vom Moderator unterbrochen wurde (KA2-3). Tatsächlich hat die Software zwei Sprecher verdoppelt – PAX, identifiziert als MS16 (STT5-6) und MS3 (STT38-40), und IAT, identifiziert als FS9 (STT1-2) und FS8 (STT32-35). Sie ließ einen anderen, IBG, verschwinden, der ebenfalls als MS16 (STT19; 27-29) identifiziert wurde, wie PAX. IBR entspricht mehr oder weniger MS14 (STT9-10; 13-16; 22-24). Diese Annäherung liegt daran, dass keiner dieser neun Blöcke, mit Ausnahme der beiden aufeinanderfolgenden Blöcke von MS14 (STT9-10 und 13-16), in Wirklichkeit dem Redezug eines einzelnen Sprechers entspricht.

Abbildung 6: Auszug 3 KA

Abbildung 6: Auszug 3 KA

Urheberrecht Illustration: Marine Kneubühler

45Normalerweise sorgen die Teilnehmer eines Austauschs „dafür, dass immer nur ein Sprecher spricht“ (Sacks et al., 1974, S. 729) und produzieren „Reparaturmechanismen“ (S. 701), wenn dies nicht der Fall ist. Das konversationelle Problem in diesem Auszug besteht darin, dass die Selbstselektion eines Gastes, die bei einer von einem Moderator geleiteten Debatte selten vorkommt, von PAX erlaubt wird: „ja Bernard Rüeger“ (KA9). Er ermöglicht es IBR dann, die längste Sequenz des Auszugs ohne Unterbrechung zu entwickeln (KA10-16). Diese Ausnahme wird den Weg für mehrfache Versuche der Selbstselektion ebnen, anstatt Raum für Reparaturmechanismen zu schaffen.

46Solche extremen interaktionellen Phänomene, auch bei der Konversation, bringen die Software in der Regel zum Entgleisen. Diese zeigt zwar in ihrer Transkription eine interaktive Form, erzeugt aber in Wirklichkeit ein Simulakrum der Interaktion. Sieben Blöcke der STT-Version verschmelzen in ihrem Inneren den Inhalt von mehreren verschiedenen Sprechern: STT1-3 entspricht KA1-4 (IAT und PAX), STT5-6 entspricht KA5-9 (PAX und IBR), STT19 entspricht KA17-20 (PAX, IBG und IBR). Hier verwechselt STT also drei Sprecher in einer einzigen Zeile. STT22-24 entspricht KA21-25 (IBR und PAX), STT26-30 entspricht KA27-34 (IBR und IBG), STT31-36 entspricht KA35-47 (alle vier Sprecher) und STT38-40 entspricht KA49-52 (IBG und PAX). Zwei Zeilen, die sich in der KA-Version befinden (26 und 48), werden in der STT-Version komplett übersprungen. Diese beiden Zeilen verweisen auf Versuche der Selbstselektion durch IBG, die von den anderen Sprechern und dem Moderator im Besonderen ignoriert wird. Schließlich produziert die Software auch innerhalb dem einzigen ununterbrochenen Redezug eine Merkwürdigkeit und teilt sie in zwei Hälften, obwohl sie keine längere Pause als anderswo enthält (der Zeilenumbruch STT12 verweist auf die zweite Mikropause in KA11).

Die schwer fassbare Interaktion: ein Problem der sequentiellen Ordnung

  • 20 La saison de la pêche (Die Angelsaison), Sendung L'oreille des Kids (das Ohr der Kids) vom 11. Ma (...)

47Der letzte Auszug verlässt die Form der Debatte und verweist auf eine Wissenschaftssendung für Kinder20. Alle STT-Transkriptionen, die sich auf diese Sendung beziehen, sind mittelmäßig oder sogar sehr schlecht. Erstens, weil es viele Kinderstimmen gibt, die nicht in die standardisierten Sprechweisen passen. Außerdem interpretieren erwachsene Sprecher Sequenzen, die Formen der spontanen Konversation simulieren. In dem Auszug produzieren die beiden Teilnehmer, der Animator und eine Expertin, eine spielerische Erklärung einer Technik, mit der man Fische in einem See zählen kann. Auf semantischer Ebene erkennt man die Thematik des Angelns, aber sie wird mit Begriffen vermischt, die dort nichts zu suchen haben, zum Beispiel „polizeiliche“ (STT21), „Impfstoffe“ (STT27) oder „Katar“ (STT31). Die Software, die durch die Konversationsübergänge verloren gegangen ist, macht wahrscheinliche Vorschläge, um die Lücken zu füllen:

Abbildung 7: Auszug 4 STT

Abbildung 7: Auszug 4 STT

Urheberrecht Illustration : Marine Kneubühler

48Die KA-Version dieses Auszugs ist kürzer als die dargestellte STT und endet bei STT7:

Abbildung 8: Auszug 4 KA

Abbildung 8: Auszug 4 KA

Urheberrecht Illustration: Marine Kneubühler

49Ausgehend von diesem kurzen KA-Auszug kann man bereits deutlich das Verschwinden der Konversationsform in der STT-Version wahrnehmen. Dennoch gibt es keine Überlappungen oder Unterbrechungen, und schnelle Redezügen sind nicht immer die Regel. Außerdem ist dieser Austausch nicht nur sehr leicht zu verstehen - er ist für Kinder gemacht -, sondern auch leicht zu transkribieren, im Vergleich zu Auszug 3, der besonders anspruchsvoll für den menschlichen Transkribierer ist. Die Fortsetzung des KA-Auszugs wäre in seiner visuellen Form sehr ähnlich gewesen, mit einem perfekt ausgewogenen Austausch zwischen dem Animator und der Expertin. In der STT-Version sieht man, dass die Software nicht einmal mehr den Unterschied zwischen einer weiblichen und einer männlichen Stimme erkennt und einen fehlerhaften Austausch zwischen zwei männlichen Sprechern transkribiert (STT10-32).

  • 21 VoxSigma wird jedoch als leistungsstark bei der Transkription von spontaner Sprache bewertet (Tanco (...)

50Dieser Auszug ist sehr nützlich, um die Besonderheit des zweiten Problemtypen im Vergleich zum ersten hervorzuheben; zwei Typen, die in der Computerliteratur miteinander verwoben sind. Allenfalls betrachtet sie die Konversation als Verstärker von Ausspracheproblemen, aber auf der gleichen Ebene wie stimmliche Singularitäten. Es ist denkbar, dass eine Person üben kann, standardisiert zu sprechen – um ihren Akzent und ihre Aussprache zu glätten und keine Zögerungen zu produzieren –, damit die Software sie besser transkribieren kann. Dagegen zeigt Auszug 4, dass selbst ein offensichtlich vorbereitetes und in seiner Wiedergabe millimetergenaues Konversationsgespräch, das also die spontane Dimension des Austauschs simuliert, der Software nicht hilft, besser die Konversation zu reproduzieren21.

51Daher kann man diesen zweiten Typen von Problemen als sequentiell bezeichnen. Sie beziehen sich jedoch auf andere Sequenzen als die vom linguistischen Modell berechnet. Die Einheit dieser Sequenzen ist nämlich das Wort, wie die Verwendung eines Wörterbuchs für das System nahelegt. Die Art von Sequenz, die von dieser zweiten Typen von Problemen betroffen ist, ist vielmehr die Sequenz, die als Analyseeinheit den Redezug im konversationalistischen Sinne hat, der „keine grammatische Einheit wie eine Äußerung, ein Satz, sondern eine interaktive Einheit ist, die von den Sprechenden gemeinsam konstruiert wird“ (Relieu & Brock, 1995, S. 82). So ist die semantische Umgebung, die das zu transkribierende Objekt für die Software darstellt, nicht die sequenzielle Umgebung, die durch die KA-Transkriptionen sichtbar gemacht wird. Die wahrscheinlichen Wortsequenzen, die vom linguistischen Modell der Speech-to-Text Software berechnet werden, entsprechen in keiner Weise den konkreten interaktiven Sequenzen, die lokal von den Sprechern ausgeführt werden. Vielmehr lässt dieses Modell sie verschwinden. So lässt sich erfassen, dass die Sprachkompetenzen der Software in einer anderen Welt angesiedelt sind als die menschlichen Kompetenzen; zu verstehen als Mensch bedeutet nicht, als Software zu „verstehen“ zu können.

52Denn aus praxeologischer Sicht wird eine in Interaktion produzierter Rede immer so ausgedrückt, dass sie ihrem oder ihre Adressaten (und nicht einem Decoder) Orientierung und Sensibilität präsentiert (Sacks et al., 1974, S. 727). Beim gewöhnlichen Sprachverständnis hat die interaktiv bestimmte Organisation der Redezügen Vorrang vor dem Satzverständnis (S. 728). Auszug 2, in dem der Moderator dem Gast innerhalb von Begrüßungs- und Frage-Antwort-Sequenzen das Wort erteilt, macht deutlich, dass es den Interaktanten in diesem Moment nicht um den Inhalt einer Botschaft geht – die in diesem Fall streng phatisch und für das Thema der Debatte irrelevant ist –, sondern darum, eine Vorhersehbarkeit (projectability) der folgenden Redezügen zu ermöglichen, die sich in diesem Fall für ein Publikum im Augenblick zusammensetzt. Sacks et al. bringen es auf den Punkt: „Wenn eine adressierte Frage eine Antwort des betreffenden Teilnehmers erfordert, ist es eher das Turn-Taking System als die syntaktischen oder semantischen Funktionen der Frage, das eine Antwort verlangt, die als nächstes kommt“ (S. 725).

53Diese Vorhersehbarkeit ist genau das, was die Konstruktion des Redezugs (Turns) als relevante Einheit für die Interaktanten ermöglicht:

Das Hauptmerkmal der Einheiten, die zum Aufbau eines Turns dienen, ist also, dass sie eine Projektion der aktuellen typischen Einheit (eine Frage, eine Antwort, eine Akzeptanz usw.) ermöglichen; der nächste Adressat/Sprecher kann so im Laufe der Produktion des Turns 'analysieren', woraus er besteht und was sein mögliches Ende ist; der aktuelle Sprecher kann so im Voraus Hinweise auf den möglichen Ort eines Sprecherwechsels liefern (Relieu & Brock, 1995, S. 82).

  • 22 So haben in den von Sacks et al. (1974) aufgelisteten Regeln mehrere diese Form: „… ist nicht fest, (...)

54Vorhersehbarkeit bedeutet nicht programmiert oder programmierbar zu sein, denn diese Form der Antizipation findet immer endogen, als Teil der Handlung, statt. Im Gegensatz zu dem ersten Typen scheint es also, dass dieses Problem nicht durch eine Verbesserung der derzeit im automatischen System implementierten Modelle gelöst werden kann. Denn die Interaktion gehorcht nicht der epistemologischen Logik, die ihrer Konzeption zugrunde liegt. Sie bezieht sich auf ein ganz anderes System, nämlich das der abwechselnden Redezüge, das „ein System für Sprechsequenzen ist“ (Sacks et al., 1974, S. 710). Diese Sequenzen können nicht vordefiniert werden, da es sich um eine „praktische Erfüllung der Mitglieder“ (Mondada, 2008, S. 888) handelt. Dieses interaktionelle System mag aufgrund seiner Systematik als „Maschinerie“ (Sacks et al., 1974, S. 725) bezeichnet werden, doch die praktische Umsetzung seiner konstitutiven Regeln kann kaum „exogen“ (Mondada, 2008, S. 888) antizipiert werden, wie es eine Software erfordern würde, die nach einem epistemologischen Kommunikationsmodell programmiert ist. Mit anderen Worten: Die Besonderheit dieser Regeln liegt in ihrer Möglichkeit, im Verlauf des Austauschs selbst anerkannt zu werden und gleichzeitig zahlreiche Variationen je nach der Einzigartigkeit jeder Situation zuzulassen22. Es stellt sich also die Frage: Inwieweit könnte man Computermodelle nach einer praxeologischen Logik entwerfen, die in der Lage ist, diesen endogenen Blickwinkel der Interaktion zu umfassen?

Ein Faszinosum: die automatische Transkription der Eigennamen von Personen

55Nachdem diese beiden Typen von Softwareproblemen klar identifiziert sind, bleibt noch ein Fall zu untersuchen, der sich nur schwer in die eine oder die andere Kategorie einordnen lässt: Fehler, die durch die Nennung eines Eigennamens verursacht werden (T15). Dieses Problem ist auf den ersten Blick eine Frage des Vokabulars und fällt somit unter dem ersten Typen von Problemen. Zum Teil scheint dies der Fall zu sein. So sind berühmte Personen im Vorteil (Bredin et al., 2012, S. 387), weil sie wahrscheinlich in Aussprachewörterbüchern referenziert werden. Dies ist sicherlich bei Jacques Dubochet zum Beispiel der Fall, der als Nobelpreisträger für Chemie gut transkribiert ist (siehe Auszüge 1 und 2). Es kann aber auch vorkommen, dass die Namen von Prominenten falsch geschrieben werden.

56Die automatische Transkription von Eigennamen ist ein großes Problem und wird in der Computerliteratur weitgehend berücksichtigt, die von enormen Fehlerquoten im Vergleich zu manuellen Transkriptionen berichtet, die von 17% Fehlerquote bei letzteren bis zu 75% Fehlerquote bei Software reichen (Bredin, Roy et al., 2014, S. 2 ; Bredin, Laurent et al., 2014, S. 1). Poignant et al. (2014) identifizieren drei wahrscheinliche Fehlerquellen: die Aussprache, die „Erkennung von Namen, die Wörtern aus der Alltagssprache ähnlich sind“ und „die Schwierigkeit, den vollständigen Namen einer Person zu extrahieren, wenn nur ein Teil davon ausgesprochen wurde (zum Beispiel nur der Vorname)“ (S. 49). Die automatische Transkription von Eigennamen wird in der Literatur gesondert behandelt, weil sie eng mit der Problematik der Sprecheridentifikation verbunden ist, die eher den zweiten Typen von Problemen berührt. Es wurde deutlich, dass Sprecherwechsel unter die konversationalistische Problematik der sich abwechselnden Redezüge fallen und dass die Software in diesem Punkt unzuverlässig ist, nicht nur bei der Identifizierung des Turns als Einheit, sondern auch bei der Kennzeichnung des automatisch umformatierten Turns, in diesem Fall nach dem vermeintlichen Geschlecht des Sprechers.

57Vocapia weist darauf hin, dass das Setzen eines Labels in Bezug auf eine Stimme (speaker recognition) nicht die gleiche Art von Computerarbeit ist wie die Spracherkennung, die eine Rede transkribiert. So sollte der Begriff voice recognition vermieden werden, um die Arbeit von Speech-to-Text zu bezeichnen 23. Die Labeling-Funktion ist eine spezielle Aufgabe, die als speaker diarization bezeichnet wird und bei der automatisch eine Struktur aus dem Sprachfluss herausgearbeitet wird, indem die Turns eines Sprechers zusammengefasst werden, was vor allem für Archivzwecke genutzt wird (Tran et al., 2011, S. 28). In einem Audiodokument wäre es so möglich, alle Stellen zu kennen, an denen ein bestimmter Sprecher oder eine bestimmte Sprecherin auftritt. Bredin, Roy et al. weisen darauf hin, dass diese Aufgabe sich nicht mit der tatsächlichen Identität eines Sprechers befasst, der anonym bleibt, da sie auf ein Problem der Gruppierung (clustering) von Wörtern reagiert (2014, S. 9).

58Die Diarization ist daher nicht ausreichend für die Identifizierung von Sprechern, und die Literatur ist voll von erfinderischen und ergänzenden Lösungen, um diese Identifizierung vorzunehmen. Es werden vier Modalitäten verwendet: die Diarization anhand der akustischen Frequenzen der Stimme; der gesprochene Name, der sich in automatischen Transkriptionen befindet; der geschriebene Name als Überlagerung von Bildern; und Gesichter über Gesichtserkennungssoftware (Bredin et al., 2012, S. 386-387). Die Zusammenführung dieser vier Modalitäten ist komplex, da jede über ihre eigene Zeitlichkeit verfügt (S. 390), der ausgesprochene Name nicht unbedingt mit der Person übereinstimmt, die spricht, oder mit der Person, die man auf dem Bildschirm sieht. Einige Untersuchungen zielen daher darauf ab, die Wahrscheinlichkeit zu berechnen, dass ein ausgesprochener Name sich auf die aktuelle, die nächste oder der vorherige Turn bezieht (Bredin, Laurent et al., 2014, S. 3). Man kann sich gut vorstellen, an welche Grenzen eine solche Wahrscheinlichkeit stößt, wenn man einbezieht, wie schwierig der Umgang mit den Redezügen für die Software ist.

59In der Literatur wurden verschiedene Kombinationen dieser Modalitäten getestet. Die Option, die statistisch am besten funktioniert, ist die Kombination von Stimme, geschriebenem Namen und Gesicht (Bredin et al., 2012). Die Forscher betonen einstimmig, dass der ausgesprochene Name, der auf die Transkriptionen eines Speech-to-Texts zurückgreifen muss, am wenigsten zuverlässig ist. Diese Lösung wird sogar systematisch aus den Kombinationen ausgeschlossen. Einige testen eine alternative Lösung, die immer bessere Ergebnisse erzielt, wie die automatische Extraktion von Texten, die über Bilder gelegt werden (Poignant et al., 2012) und andere verwenden manuelle Transkriptionen der analysierten Daten, um immerhin die ausgesprochenen Namen in Kombinationen mit der Stimme und den geschriebenen Namen zu integrieren (Bredin, Roy et al., 2014).

60Um dieses Problem zu umgehen, das mit den Schwierigkeiten von Speech-to-Text mit Eigennamen zusammenhängt, schlagen Roy et al. (2015) hingegen vor, sich mit den Rollen der Sprecher (zum Beispiel Journalisten) zu beschäftigen, die in automatischen Transkripten aus der allgemeinen semantischen Umgebung identifiziert werden könnten. Sie schneiden bei der Identifizierung von Sprechern besser ab als die Methode, bei der die ausgesprochenen Namen gesammelt werden. Diese Lösung bringt sie übrigens dazu, zwei interessante Phänomene zu beobachten: Stimmliche Singularitäten wie Zögern und „äh“ oder „hum“, die die Software standardmäßig glättet, sind für die Identifizierung eines Sprechers von großer Bedeutung (S. 1380); die Software ist so konfiguriert, als gäbe es nur eine Person, die zu einem bestimmten Zeitpunkt gleichzeitig sprechen kann (S. 1385). Sie berühren damit sowohl die Problematik der Standardisierung von Sprache als auch die der Konversation, ohne jedoch auf deren Besonderheiten hinzuweisen.

61Alles in allem bemühen sich die Informatiker, dieses Problem des Eigennamens und der Sprecheridentifikation zu lösen, indem sie nach Lösungen außerhalb des Speech-to-Text suchen, offensichtlich weil es sich nicht um ein Problemtyp 1 handelt, das durch direkte Einwirkung auf die Computermodelle gelöst werden könnte. Man kann also die Hypothese aufstellen, dass es sich bei dieser Problematik um ein sequentielles Problem für die Software handelt. So zeigt Auszug 1, dass Eigennamen oft im Zusammenhang mit spezifischen, lokal verorteten Aktivitäten ausgesprochen werden: in diesem Fall eine Aufzählung produzieren (T11), um ein Publikum zu informieren. Es zeigt sich, dass Aufzählungen innerhalb einer bestimmten sequentiellen Umgebung auftreten. In Auszug 1 handelt es sich um eine spezifische Vorsequenz innerhalb eines medialen und institutionellen Austauschs: die Redner einer Debatte vorstellen und angeben, in welcher Eigenschaft sie sprechen werden, welche Institutionen sie haben und welchen Standpunkt sie vertreten werden (Relieu & Brock, 1995, S. 104). Umgekehrt entsprechen Aufzählungen nicht der Zusammensetzung eines Standardsatzes. Generell kann man auch annehmen, dass die Nennung eines Eigennamens sequenziellen Regeln folgt, sei es, um jemanden anzusprechen oder um auf einen abwesenden Dritten zu verweisen; dies könnte neben den von Poignant et al. (2014) genannten Gründen den ersten Typen erklären, warum diese Personennamen von Software so schlecht gehandhabt werden.

Schlussfolgerung

62Ausgehend von den Herausforderungen, die Transkriptionen umgeben, hat dieser Artikel sie als Formen der Übersetzung mündlicher Rede betrachtet, um die Konsequenzen dieser Übersetzungen hinsichtlich ihrer Verwendung zu erfassen. Die Gegenüberstellung von zwei unterschiedlichen Techniken zur Transkription derselben Quellen hat die wesentlichen Auswirkungen der getroffenen Entscheidungen auf die Datenproduktion und -analyse verdeutlicht. So könnte es nicht sinnvoll sein, zu behaupten, eine interaktive Analyse anhand von Texten vorzuschlagen, die gerade die Interaktion verschwinden lassen, indem sie die Automatisierung der Sprache durch eine Autonomisierung gegenüber ihrer Äußerung verdoppeln. Dagegen ermöglichten diese automatischen Transkriptionen, die eine treue semantische Welt zeichnen, die Durchführung der Forschung, für die diese Evaluation durchgeführt wurde, da die CompaSciences-Software ihre Analyse auf semantische Einheiten stützt. Darüber hinaus fand das Team dieser Forschungsarbeit, ebenso wie die Autoren, denen wir im vorherigen Punkt begegnet sind, eine Lösung außerhalb des Speech-to-Text, um mit der Frage der Eigennamen der Experten umzugehen, die im Mittelpunkt der entwickelten „semantischen Karten“ stehen: die Metadaten der Transkriptionen zu nutzen, um in der Lage zu sein, auf die ausgesprochenen und falsch transkribierten Namen verzichten zu können. Um es mit Goody zu sagen: Es kommt darauf an, sich „der Grenzen und Möglichkeiten bewusst zu werden, die den verschiedenen Techniken des Intellekts innewohnen“ (1979, S. 57).

63Die Problematik hatte damit begonnen, die „Vermittlungsketten“ (Latour, 2006, S. 125) der Software sichtbar zu machen, um einen Blackbox-Effekt für die Nutzer von Speech-to-Text zu vermeiden. Ich habe mich daher entschieden, diese Box zu öffnen, um einen Blick hinter die Kulissen der Software zu werfen, und zwar durch eine Analyse der Fehlerquellen, aber auch durch die Offenlegung des epistemologischen Modells, das ihrer Konzeption zugrunde liegt. Es hat sich gezeigt, dass die Software die grammatikalischen Regeln einer Sprache mithilfe ihres linguistischen Modells erfolgreich in Wortsequenzen umwandelt. Sie ist jedoch noch nicht in der Lage, die „Konversationsmaschinerie“ zu erfassen, die durch einen verkörperten „Methodensatz“ erzeugt wird, der es den Menschen ermöglicht, die „sequenzielle Umgebung“ zu variieren, die sie durch die gegenseitige Anpassung an die Situation mitproduzieren. Dies sind zwei diametral entgegengesetzte Modelle der Kommunikation. Für die Informatiker ist die gewöhnliche Konversation ein störendes Element im Hinblick auf die Äußerungsmodalitäten, die es ermöglichen, einen Text nach den standardisierten Regeln einer Sprache zu produzieren. Für Konversationalisten wird die Konversation als das elementare System von Regeln für abwechselnde Redezüge betrachtet, auf dem alle anderen, stärker regulierten Austauschsysteme basieren (Sacks et al., 1974, S. 729). Es ist also sicherlich kein Zufall, dass sich die Konversationsanalyse von Anfang an aufgrund von Telefongesprächen entwickelt hat und dass diese umgekehrt das Sorgenkind von Informatikern sind, die mit Speech-to-Text arbeiten.

64Wie wir gesehen haben, waren die animierten Konversationspassagen, die manchmal anspruchsvoll zu transkribieren sind, dennoch für den menschlichen Zuhörer zugänglich. Vocapia behauptet jedoch, dass die Schwierigkeiten, die die Software bei bestimmten „Redestilen“ hat, auch „Menschen“ Probleme bereiten: „Menschen sind es gewohnt, Sprache zu verstehen, und nicht zu transkribieren; und nur eine Rede, die gut formuliert ist, kann eindeutig transkribiert werden”24. In gewissem Sinne ist es richtig zu sagen, dass bestimmte Transkriptionsfähigkeiten durch Übung erlernt werden. Dennoch zeigt dieser Artikel, dass es eine echte Asymmetrie zwischen Softwarekompetenz und menschlicher Sprachkompetenz gibt. Diese Asymmetrie ist auf den Gegensatz zwischen epistemologischen und praxeologischen Modellen zurückzuführen. Dies gilt sowohl für Konversationsphänomene als auch für stimmliche Singularitäten, die für die überwiegende Mehrheit der menschlichen Wahrnehmung kein Problem darstellen, sei es beim Verstehen oder beim Transkribieren. Diese Asymmetrie ist umso akzentuierter, als dass ein Mensch trainiert und sich so daran gewöhnen kann, bestimmte komplexe Phänomene zu transkribieren. Auch die Software kann trainiert werden, aber wie wir gesehen haben, bleibt ihr das Lernen und Verstehen auf den Grenzen ihrer epistemologischen Computermodelle beschränkt, und die Konversationsgewohnheit stellt für sie bestenfalls einen fernen Horizont dar.

65Daher schlage ich vor, obwohl die Fragestellung dieses Artikels Latours Überlegungen als Leitfaden genommen hat, mit einer Schlussfolgerung gegen Latours symmetrische Anthropologie und seine Anti-Phänomenologie zu enden. Dieser definiert nämlich sein Forschungsprogramm als unvereinbar mit der Phänomenologie „wegen des übermäßigen Gewichts der menschlichen Quellen des Handelns bei den Phänomenologen“ (2006, S. 88). Latour scheint in seiner Stellungnahme jedoch einen Kategorienfehler zu begehen. Grundsätzlich handelt es sich nicht um eine Frage der Handlung – und methodologisch wurde die Transkriptionsarbeit der Software sehr wohl auf der gleichen Ebene betrachtet wie der Akt des Transkribierens der Soziologin. Was auf dem Spiel steht, ist eine Frage der Wahrnehmung, die Latour ablehnt, indem er uns dazu auffordert, „diese Opposition zwischen ‘Standpunkt’ und ‘Ansicht von nirgendwo’ fallen zu lassen“ (S. 211). Sich der Wahrnehmung und damit der Perspektive zu entledigen, ist der Preis, den wir zahlen müssen, um Objekte auf dieselbe ontologische Ebene wie Menschen zu stellen. Objekte und Software haben keine Augen, wie auch kein(e) Sinn(e) der Interaktion. Das bedeutet nicht, dass sie als Aktanten für die wissenschaftliche Arbeit keine Rolle spielen – ganz im Gegenteil, dieser Artikel berichtet darüber.

66Die in diesem Artikel vorgeschlagenen Analysen wurden auf der Grundlage einer menschlichen Wahrnehmung durchgeführt, die in der Lage ist, die von Latour geforderte technische Ent-Faltung (dé-pliage technique) vorzunehmen. Man könnte entgegnen, dass dies eine besondere soziologische Sichtweise ist, die nicht die Sichtweise von Informatikern ist, die in der Lage sind, die „Sichtweise“ der Software zu erfassen. Dennoch sind sie es, die ihren Standpunkt aufgrund technischer Möglichkeiten in den der Software implementieren und ihre Fähigkeiten als gewöhnliche Konversationalisten suspendieren, indem sie auf der Grundlage eines epistemologischen Verständnisses von Kommunikation für sie denken. In diesem Sinne kann diese Aussetzung durchaus als eine Aktion der Software auf Menschen gesehen werden, aber sie bleibt eine Aussetzung von Fähigkeiten, die nicht mit denen der Software austauschbar sind. Übrigens finden Informatiker dieselben Fähigkeiten als Mitglied wieder, wenn sie die notwendigen Korrekturen an ihrer Software vornehmen. Sie sagen selbst, dass sie nur dann sicher sein können, dass Fehler auf Mehrdeutigkeiten im Sprachsignal und nicht auf ungenaue Modellierungen zurückzuführen sind, wenn sie die Fehlererkennung der Software mit der von Menschen vergleichen (Lamel et al., 2011, S. 128).

67Schließlich kann man ironischerweise mit Latour – und gegen ihn – zu dem Schluss kommen:

Das technische Objekt hat etwas Undurchsichtiges und, gelinde gesagt, Unverständliches an sich, dass man es nur unter der Bedingung verstehen kann, dass man ihm die Unsichtbaren hinzufügt, die es zunächst existieren lassen, dann pflegen, unterstützen und manchmal ignorieren und verlassen. […] ohne die Unsichtbaren würde kein Gegenstand halten und vor allem würde kein Automat dieses Wunder der Automatisierung erreichen. […] es wird immer versäumt, den technischen Objekten das hinzuzufügen, was sie ausmacht, unter dem Vorwand, was auch wahr ist, dass sie sich selbst halten, wenn sie einmal angefangen haben, nur dass sie niemals allein und ohne Sorgfalt bleiben können (2010, S. 26).

68Die Frage, die wir stellen müssen, lautet: Wer fügt diese Unsichtbaren hinzu, wer sieht sie und wer kümmert sich um sie? Man merkt, dass es sich um eine Frage handelt, die eine phänomenologische Antwort verlangt, die mit Wahrnehmung zu tun hat. Die Wahrnehmung eines Wesens aus Fleisch und Blut, das die Interaktion nicht wiederauftauchen sieht, sondern sie im Laufe dieser Transformationen durch das technische Objekt verschwinden sieht.

Dieser Artikel wäre ohne die finanzielle Unterstützung des Institut for Media Innovation und den spannenden Austausch mit Boris Beaude, Agathe Chevalier, Matthieu Devaux und Ulrich Fischer für das Projekt CompaSciences nicht möglich gewesen. Mein besonderer Dank gilt Philippe Gonzalez, ebenfalls Mitglied dieses Projekts, der durch seine Ratschläge und sein akribisches Korrekturlesen der Originalfassung dazu beigetragen hat, diesen Text schlagkräftiger zu machen. Ich danke auch Philippe Sormani, Ulrich Fischer und Lara Kneubühler herzlich für das Korrekturlesen dieses Textes auf Deutsch. Schließlich danke ich den anonymen Gutachtern der Zeitschrift, die mir geholfen haben, meine Ausführungen zu verdeutlichen und aufzuwerten. Für das Endergebnis bin ich allein verantwortlich.

Haut de page

Bibliographie

Alquier, E., Carrive, J. & Lalande, S. (2017). Production documentaire et usages. L’automatisation dans les outils de consultation et de documentation de l’Institut national de l’audiovisuel (Ina). Document numérique, 2(20), 115-136.

Barras, C., Le, V.-B. & Gauvain, J.-L. (2020). Vocapia-LIMSI System for 2020 Shared Task on Code-switched Spoken Languag Identification. The First Workshop on Speech Technologies for Code-Switching in Multilingual Communities, 1-5.

Bourdieu, S. (1996). Juin 1991, Ahmed X. Revue de littérature générale (S.O.L), 96/2 digest, n.S.

Bredin, H., Poignant, J., Tapaswi, M., Fortier, G., Le, V. B. et al. (2012). Fusion of speech, faces and text for person identification in TV broadcast. In V. Murino & R. Cucchiara (dir.). ECCV-12th European Conference on Computer Vision (S. 385-394). Berlin: Springer.

Bredin, H., Laurent, A., Sarkar, A., Le, V.-B., Rosset, S. et al. (2014). Person Instance Graphs for Named Speaker Identification in TV Broadcast. Odyssey – The Speaker and Language Recognition Workshop, 1-8.

Bredin, H., Roy, A., Le, V.-B. & Barras, C. (2014). Person instance graphs for mono-, cross- and multi-modal person recognition in multimedia data: application to speaker identification in TV broadcast. International Journal of Multimedia Information Retrieval, 3(3), 161-175.

Clavel, C., Adda, G., Cailliau, F., Garnier-Rizet, M., Cavet, A. et al. (2013). Spontaneous speech and opinion detection: mining call-centre transcripts. Language Resources and Evaluation, (47), 1089-1125.

Despres, J., Lamel, L., Gauvain, J.-L., Vieru, B. et al. (2013). The Vocapia Research ASR Systems for Evalita 2011. In B. Magnini, F. Cutugno, M. Falcone & E. Pianta (dir.). Evaluation of Natural Language and Speech Tools for Italian (S. 286-294). Berlin: Springer.

Esteban, C. (2020). Construire la « compréhension » d’une machine. Une ethnographie de la conception de deux chatbots commerciaux. Réseaux, 2(220-1), 195-222.

Fraga-Silva, T., Gauvain, J.-L., Lamel, L., Laurent, A. et al. (2015). Active Learning data selection for limited resource STT and KWS. Interspeech, (15), 3159-3163.

Gauvain, J., Lamel, L., Le, V. B., Despres, J. et al. (2019). Challenges in Audio Processing of Terrorist-Related Data. In I. Kompatsiaris, B. Huet, V. Mezaris et al. (dir.). MultiMedia Modeling Part II (S. 80-92). Berlin: Springer.

Gelly, G., Gauvain, J. L., Lamel, L., Laurent, A. et al. (2016). Language Recognition for Dialects and Closely Related Languages. Odyssey – The Speaker and Language Recognition Workshop, 124-131.

Goody, J. (1979). La Raison graphique. La domestication de la pensée sauvage. Paris : Éditions de Minuit.

Jefferson, G. (2004). Glossary of transcript symbols with an introduction. In G. H. Lerner (dir.). Conversation Analysis: Studies from the First Generation (S. 13-31). Amsterdam/Philadelphia: Benjamins.

Lamel, L., Courcinous, S., Depres, J., Gauvain, J.-L. et al.. (2011). Speech Recognition for machine translation in quareo. International Workshop on Spoken Language Translation, 121-128.

Latour, B. (2006). Changer de société, refaire de la sociologie. Paris : La Découverte.

Latour, B. (2010). Prendre le pli des techniques. Réseaux, 5(163), 11-31.

Mondada, L. (2007). Enjeux des corpus d’oral en interaction : re-temporaliser et re-situer le langage. Langage et société, 3(121-122), 143-160.

Mondada, L. (2008). Contributions de la linguistique interactionnelle. Dans J. Durand, B. Habert & B. Lacks (dir.), Congrès Mondial de Linguistique Française. Discours, pragmatique et interaction (S. 881-897). Paris : Institut de Linguistique Française.

Poignant, J., Bredin, H., Le, V.-B., Besacier, L., Barras, C. et al. (2012). Unsupervised Speaker Identification using Overlaid Texts in TV Broadcast. Interspeech – Conference of the International Speech Communication Association, 1-4.

Poignant, J., Besacier, L. & Quénot, G. (2014). Nommage non supervisé des personnes dans les émissions de télévision. Utilisation des noms écrits, des noms prononcés ou des deux ? Document numérique, 1(17), 37-60.

Quéré, L. (1991). D’un modèle épistémologique de la communication à un modèle praxéologique. Réseaux, 9(46-7), 69-90.

Rioufreyt, T. (2018). La transcription outillée en SHS. Un panorama des logiciels de transcription audio/vidéo. Bulletin de Méthodologie Sociologique, (139), 96-133.

Relieu, M. & Brock, F. (1995). L’infrastructure conversationnelle de la parole publique. Analyse des réunions politiques et des interviews télédiffusées. Politix, 8(31), 77-112.

Roy, A., Bredin, H., Hartmann, W. et al. (2015). Lexical speaker identification in TV shows. Multimedia Tools and Applications, (74), 1377-1396.

Sacks, H., Schegloff, E. A. & Jefferson, G. (1974). A Simplest Systematics for the Organization of Turn-Taking for Conversation. Language, 4(50), 696-735.

Silberztein, M. (2019). Les outils informatiques au service des linguistes : présentation. Langue française, 3(203), 7-14.

Tancoigne, E., Corbellini, J.-S., Deletraz, G., Gayraud, L. Ollinger, S. et al. (2020). La transcription automatique : un rêve enfin accessible ? Analyse et comparaison d’outils pour les SHS. Nouvelle méthodologie et résultats. [Rapport de recherche] MATE-SHS. Halshs-02917916v2

Tran, V-A., Le, V. B., Barras, C. & Lamel, L. (2011). Comparing Multi-Stage Approaches for Cross-Show Speaker Diarization. Interspeech – 12th Annual Conference of the International Speech Communication Association, 27-31.

Vasilescu, I., Vieru, B. & Lamel, L. (2014). Exploring Pronunciation Variants for Romanian Speech-to-text Transcription. Spoken Language Technologies for Under-Resourced Languages, 161-168.

Wagner, J., Fraga-Silva, T., Josse, Y. & Schiller, D. (2017). Infected Phonemes: How a Cold Impairs Speech on a Phonetic Level. Interspeech, 3457-3461.

Haut de page

Annexe

Transkriptionskonventionen KA

Transkriptionskonventionen KA

Urheberrecht Illustration: Marine Kneubühler

Haut de page

Notes

1 Diese Forschungsarbeit mit dem Titel Scientific Expertise and Media Discourse wurde im Kalenderjahr 2020 von der Initiative for Media Innovation (IMI) finanziert (https://www.media-initiative.ch/project/scientific-expertise-and-media-discourse/) und erfährt nun eine erfolgreiche Fortsetzung (https://www.media-initiative.ch/project/compasciences-2-0/). Avis d’Experts ist eine Website mit allen Sendungen, in denen Experten der Universitäten und Hochschulen der Romandie bei RTS auftreten: https://avisdexperts.ch/.

2 Alle Übersetzungen aus dem Französischen und Englischen stammen von mir.

3 https://www.vocapia.com/voxsigma-speech-to-text.html

4 Latour verwendet die Bezeichnung „technische Faltung“ (pliage technique), um die Existenzweise des technischen Objekts zu bezeichnen, die aus Vermittlungen („Trick“, „Materialdifferenz“, „Widerstand“) besteht, welche durch sein reibungsloses Funktionieren unsichtbar gemacht werden (2010, S. 29).

5 https://www.vocapia.com/glossary.html

6 Diese Metrik wurde auch im Bericht von Tancoigne et al. (2020) verwendet und diskutiert. Dieser Bericht zeugt auch von einem langwierigen Arbeitsprozess in dessen Rahmen acht automatische Transkriptionssoftware für die Forschung in den Human- und Sozialwissenschaften evaluiert wurden, darunter auch die Software von Vocapia. Letztere hebt sich von den anderen als eine der leistungsstärksten ab, insbesondere bei der „Verarbeitung von spontanem Sprechen“ (S. 73).

7 Vocapia hat eine Internetseite, die Zugang zu den PDFs zahlreicher Artikel bietet, die auf den Stand der Technik im Bereich Speech-to-Text verweisen. Die hier zitierte Computerliteratur stammt größtenteils von dieser Seite: https://www.vocapia.com/publis.html. Diese Fülle an frei zugänglichen Informationen deutet darauf hin, dass Vocapia sich als transparenter Anbieter der „Übersetzungsketten“ versteht, aus denen seine Software besteht. Es bleibt jedoch festzuhalten, dass die Geheimnisse der Informatik, in denen diese Ketten gefangen sind, eine enorme Recherchearbeit erfordern, um richtig verstanden und zurückverfolgt werden zu können.

8 Auf Englisch: Automatic speech recognition (ASR), Synonym für speech-to-text conversion, das als der Prozess definiert wird, bei dem ein Computer ein Sprachsignal in eine Sequenz von Wörtern umwandelt. Technische Definitionen, die nicht auf einen bestimmten Text in der Bibliografie oder einen anderen Internetlink verweisen, beziehen sich auf meine Übersetzungen der Definitionen aus dem Online-Glossar von Vocapia: https://www.vocapia.com/glossary.html.

9 https://www.vocapia.com/speech-to-text.html

10 Das T bezieht sich auf die Tabelle und die Zahl bezieht sich auf die Zeile der Fehlerquelle, die in der Demonstration behandelt wird.

11 https://www.vocapia.com/speech-to-text-technology.html

12 https://www.vocapia.com/faqs.html

13 Diese Standardisierung war eines der Anliegen von Bourdieu in seinem Misère du monde. So entschied er sich dafür, die „extreme Schwierigkeit, sich auszudrücken“ einiger Befragter nicht wiederzugeben, indem er die Besonderheiten der Aussprache ausradierte und die Pausen verkürzte. In einer Anmerkung nach der Veröffentlichung des Buches argumentierte er: „Die wörtliche Übertragung könnte unverständlich sein, auf jeden Fall nicht sehr ‚literarisch‘ (während ich möchte, dass diese Zeugnisse mit der Aufmerksamkeit gelesen werden, die man ‚literarischen‘ Dingen widmet […])“ (1996).

14 https://www.vocapia.com/faqs.html

15 https://www.vocapia.com/faqs.html

16 Diese „Untrennbarkeit von Primär- und Sekundärdaten“ (Mondada, 2007, S. 145) bedeutet nicht, dass Transkriptionssoftware als Arbeitshilfe abgelehnt wird. Im Gegenteil, KA-Vertreter mobilisieren häufig Software wie CLAN, ELAN, Praat oder ANVIL, die es ermöglichen, den Text mit seiner Quelle abzugleichen und diese Untrennbarkeit dank der Technologie zu „materialisieren“ (S. 145). Für die hier durchgeführten Transkriptionen wurde keine Software verwendet.

17 Climat : la grande hypocrisie ? (Klima: Die große Heuchelei?), Sendung Infrarouge vom 19. Dezember 2018: https://www.rts.ch/play/tv/redirect/detail/10083638

18 Bei Verweisen in den Analysen bezeichnen STT oder KA den Transkriptionstyp und die Zahl verweist auf die entsprechende Zeile. In den STT-Versionen entsprechen MS und FS der Identifizierung einer männlichen oder weiblichen Stimme, und die Zahl dahinter wird einem bestimmten Sprecher zugeordnet. Diese Zuordnung ist oft falsch, da die Software dazu neigt, mehr Sprecher zu identifizieren, als tatsächlich vorhanden sind. Grauschattierungen betonen das „Zögern“ der Software: hellere Farben kennzeichnen eine Aussage, die als wahrscheinlich falsch berechnet wurde. Diese Nuancen sind wenig hilfreich. Es kommt oft vor, dass die Software „zweifelt“, obwohl der Vorschlag korrekt ist (in Auszug 1 „industriel“ (Industrieller STT18; KA23) ist richtig). Die Software kann auch „zuversichtlich“ sein, obwohl sie sich irrt („Unédic“ (STT10; KA13) ist falsch). Die für die KA-Transkriptionen verwendeten Konventionen finden sich am Ende des Artikels und sind dem von Jefferson (2004) erstellten System entnommen. Eine Übersetzung der Quellen ist für beide Versionen unterhalb des Französischen angegeben, damit der deutschsprachige Leser sich ein Bild von den Fehlern der Software machen kann. Diese Übung ist notwendigerweise unvollkommen, da die Sprache der Analyse Französisch ist. Soweit möglich, wurden die vom STT auf Französisch gut transkribierten Teile in den beiden deutschen Versionen so übernommen, wie sie hypothetisch im Kontext der Sendungen gesagt worden wären. Für fehlerhafte Begriffe, die in der französischen Version des STT ersetzt wurden, wird eine Wort-für-Wort-Übersetzung angeboten; ich habe mich also darauf konzentriert, die Bedeutungsänderung hervorzuheben, wenn die Software Homonyme zweier verschiedener französischer Wörter vorschlägt, die im Deutschen manchmal sehr unterschiedlich ausgesprochen werden. Zum Beispiel werden „on en pêche“ (wir fischen) und „on empêche“ (wir verhindern) im Französischen gleich ausgesprochen. Ich möchte mich ganz herzlich bei Lara Kneubühler bedanken, die mir bei der kniffligen Übersetzung dieser Transkriptionen geholfen hat.

19 Eine „multimodale Transkription“ (Mondada, 2007, S. 151) würde zeigen, dass der Gast auch seinen Blick und das Phänomen des Pointing einsetzt, indem er mit dem Finger auf den Bildschirm zeigt, um das Fehlen der Grafik zu signalisieren.

20 La saison de la pêche (Die Angelsaison), Sendung L'oreille des Kids (das Ohr der Kids) vom 11. Mai 2016: https://www.rts.ch/play/tv/redirect/detail/7716038

21 VoxSigma wird jedoch als leistungsstark bei der Transkription von spontaner Sprache bewertet (Tancoigne et al., 2020, S. 73). Die Evaluation in diesem Bericht berücksichtigt jedoch nicht die Transkription von Daten aus einem Vereinstreffen, die für alle Software eine „echte Herausforderung“ (S. 71) darstellten und daher systematisch aussortiert wurden.

22 So haben in den von Sacks et al. (1974) aufgelisteten Regeln mehrere diese Form: „… ist nicht fest, sondern variiert“ (S. 701).

23 https://www.vocapia.com/speech-to-text.html

24 https://www.vocapia.com/speech-to-text.html

Haut de page

Table des illustrations

Titre Abbildung 1: Auszug 1 STT
Crédits Urheberrecht Illustration: Marine Kneubühler
URL http://journals.openedition.org/rac/docannexe/image/28079/img-1.png
Fichier image/png, 584k
Titre Abbildung 2: Auszug 1 KA
Crédits Urheberrecht Illustration: Marine Kneubühler
URL http://journals.openedition.org/rac/docannexe/image/28079/img-2.png
Fichier image/png, 737k
Titre Abbildung 3: Auszug 2 STT
Crédits Urheberrecht Illustration: Marine Kneubühler
URL http://journals.openedition.org/rac/docannexe/image/28079/img-3.png
Fichier image/png, 311k
Titre Abbildung 4: Auszug 2 KA
Crédits Urheberrecht Illustration: Marine Kneubühler
URL http://journals.openedition.org/rac/docannexe/image/28079/img-4.png
Fichier image/png, 562k
Titre Abbildung 5: Auszug 3 STT
Crédits Urheberrecht Illustration: Marine Kneubühler
URL http://journals.openedition.org/rac/docannexe/image/28079/img-5.png
Fichier image/png, 624k
Titre Abbildung 6: Auszug 3 KA
Crédits Urheberrecht Illustration: Marine Kneubühler
URL http://journals.openedition.org/rac/docannexe/image/28079/img-6.png
Fichier image/png, 544k
Titre Abbildung 7: Auszug 4 STT
Crédits Urheberrecht Illustration : Marine Kneubühler
URL http://journals.openedition.org/rac/docannexe/image/28079/img-7.png
Fichier image/png, 536k
Titre Abbildung 8: Auszug 4 KA
Crédits Urheberrecht Illustration: Marine Kneubühler
URL http://journals.openedition.org/rac/docannexe/image/28079/img-8.png
Fichier image/png, 103k
Titre Transkriptionskonventionen KA
Crédits Urheberrecht Illustration: Marine Kneubühler
URL http://journals.openedition.org/rac/docannexe/image/28079/img-9.png
Fichier image/png, 39k
Haut de page

Pour citer cet article

Référence électronique

Marine Kneubühler, « Was geschieht mit Semantik und Interaktion in automatischen Transkriptionen einer Software? »Revue d’anthropologie des connaissances [En ligne], 16-2 | 2022, mis en ligne le 01 juin 2022, consulté le 03 octobre 2023. URL : http://journals.openedition.org/rac/28079 ; DOI : https://doi.org/10.4000/rac.28079

Haut de page

Auteur

Marine Kneubühler

Wissenschaftliche Mitarbeiterin an der Universität Lausanne. In ihrer Arbeit mobilisiert und entwickelt sie verschiedene Instrumente der qualitativen Sozialforschung und interessiert sich für das Schreiben als Technik und Vermittlung bei der Transformation der Forschung, aber auch der individuellen und kollektiven Erfahrung. Ihre Fragestellungen erstrecken sich auf die Auswirkungen technischer Geräte auf die Wahrnehmung, den Körper und die Bildung von Kollektiven.
ORCID: https://orcid.org/0000-0002-7791-2687

Anschrift: Institut des sciences sociales – Laboratoire THEMA, Faculté des sciences sociales et politiques, Université de Lausanne, Bâtiment Géopolis-5538, CH-1015 Lausanne (Suisse)
E-Mail-Adresse: marine.kneubuhler[at]unil.ch

Haut de page

Droits d’auteur

CC-BY-NC-ND-4.0

Le texte seul est utilisable sous licence CC-BY-NC-ND-4.0. Les autres éléments (illustrations, fichiers annexes importés) sont « Tous droits réservés », sauf mention contraire.

Haut de page
Rechercher dans OpenEdition Search

Vous allez être redirigé vers OpenEdition Search