Versteht eine KI wirklich Schweizerdeutsch? Ein ehrlicher Blick

Warum Schweizerdeutsch die Königsdisziplin ist

Schweizerdeutsch ist keine einheitliche Sprache, sondern eine Familie von Dialekten. Wie viele es sind, lässt sich laut der Zürcher Dialektologin Elvira Glaser gar nicht beziffern: Die Merkmale überschneiden sich so stark, dass es praktisch keine einheitlichen Dialekträume gibt, im Extrem gibt es mindestens so viele Dialekte wie Orte.

Für Sprachtechnologie kommt das eigentliche Problem dazu: Schweizerdeutsch wird nicht standardisiert geschrieben. Die grossen Forschungsdatensätze lösen das, indem sie Mundart-Aufnahmen direkt mit hochdeutschem Text verknüpfen. Eine Spracherkennung für Schweizerdeutsch übersetzt also streng genommen, statt nur zu transkribieren, und muss dabei auch noch mit dem anderen Satzbau der Mundart umgehen. Das macht die Aufgabe deutlich schwerer als für praktisch jede andere Sprache Europas.

Was die Forschung zeigt: der grosse Sprung

Dass es heute trotzdem funktioniert, ist massgeblich Schweizer Hochschulen zu verdanken. ZHAW, FHNW und die Universität Zürich haben mit SDS-200 (200 Stunden Sprachaufnahmen von rund 4’000 Personen) und STT4SG-350 (343 Stunden, ausgewogen über alle Dialektregionen) die Datensätze gebaut, an denen Schweizerdeutsch-Spracherkennung trainiert und gemessen wird.

Der Fortschritt ist messbar: 2021 erreichte das Siegerteam des SwissText-Wettbewerbs noch einen BLEU-Wert von 46, zwei Jahre später kamen auf STT4SG-350 trainierte Modelle auf eine Wortfehlerrate von 14 Prozent und einen BLEU-Wert von knapp 75. Parallel meldete SRF zusammen mit der Walliser Firma recapp bereits Ende 2021 eine Wortfehlerquote von 12 Prozent für die Erkennung von Mundart in Hochdeutsch. Innerhalb von zwei, drei Jahren wurde aus einem Forschungsproblem eine einsatzfähige Technologie.

Der Whisper-Test: verstehen ja, fehlerfrei nein

Wie gut sind die grossen Allzweck-Modelle? Genau dieser Frage ging 2024 eine Studie der Universität Zürich mit dem programmatischen Titel «Does Whisper Understand Swiss German?» nach. Das Ergebnis ist ein ehrliches Jein: In der menschlichen Bewertung erhielten die Transkripte 4,4 von 5 Punkten für den Sinnerhalt, das Anliegen kommt also an. Die Wortfehlerrate lag aber bei rund 23 Prozent, deutlich hinter den spezialisierten Schweizer Modellen.

Aufschlussreich sind die Fehlertypen: In 4 von 16 genau geprüften Transkripten fanden die Forschenden erfundene Sätze, sogenannte Halluzinationen, dazu systematische Fehler bei Eigennamen und Zahlen. Für einen Plauderbot ist das verkraftbar. Für einen Telefonassistenten, der Rückrufnummern und Namen korrekt erfassen soll, ist es genau die Stelle, an der sich gute von schlechten Lösungen trennen.

Das Telefon ist die Härteprüfung

Am Telefon kommt zur Sprache noch die Leitung dazu: Klassische Telefonie überträgt nur ein schmales Frequenzband von etwa 300 bis 3’400 Hertz, ein Bruchteil dessen, was ein Mikrofon im Studio aufnimmt. Dazu kommen Hintergrundlärm von der Baustelle oder aus der Werkstatt und Anrufer, die mitten im Satz zwischen Dialekt und Hochdeutsch wechseln.

Und ausgerechnet die Angaben, die im Geschäftsalltag zählen, sind die dokumentierte Schwäche jeder Spracherkennung: Buchstaben und Ziffern sind kurz, kontextarm und leicht verwechselbar. Selbst spezialisierte Systeme erreichen bei gemischten Buchstaben-Zahlen-Folgen nur rund 85 Prozent Zeichengenauigkeit. Eine gute Telefon-KI verlässt sich deshalb nicht auf die reine Erkennung: Sie fragt nach, bestätigt Rückrufnummern und strukturiert das Ergebnis so, dass dein Team es prüfen kann. Genau so haben wir Sepp gebaut.

Verstehen ist gelöst, selbst sprechen ist die Kür

Beim Verstehen ist Schweizerdeutsch also angekommen. Deutlich jünger ist die umgekehrte Richtung: eine KI, die selbst Mundart spricht. Lange fehlten schlicht die Daten, die ETH Zürich bezeichnete die verfügbaren Korpora noch 2023 als unzureichend für Sprachsynthese. Inzwischen gibt es erste Mundart-Stimmen, von Forschungsprojekten bis zu kommerziellen Angeboten, aber der Markt ist klein.

Bei CiaoSepp bekommst du beides: Sepp versteht alle gängigen Dialekte und antwortet wahlweise auf Schweizerdeutsch oder auf klarem Hochdeutsch, je nachdem, was zu deinem Betrieb und deiner Kundschaft passt. Wichtig ist uns dabei die Verständlichkeit: Am Telefon zählt, dass sich der Anruf natürlich anfühlt und das Anliegen sauber ankommt.

So testest du eine Lösung selbst

Verlass dich nicht auf Marketingversprechen, auch nicht auf unsere. CiaoSepp kannst du dafür direkt im Browser live testen: Sprich Schweizerdeutsch, nenn eine Telefonnummer, stell Rückfragen und schau dir an, was am Ende beim Team ankommen würde. Dieser Test zeigt in zwei Minuten mehr als jede Featureliste.

• Ruf im eigenen Dialekt an und schildere ein realistisches Anliegen aus deinem Betriebsalltag.
• Wechsle mitten im Gespräch zwischen Dialekt und Hochdeutsch und schau, ob der Faden hält.
• Nenne Namen, Strassennamen und Telefonnummern, denn genau dort scheitern schwache Systeme.
• Prüfe die Zusammenfassung danach: Wurde das Anliegen korrekt erfasst, nicht nur irgendwie transkribiert?

Häufige Fragen

Versteht CiaoSepp meinen Dialekt?

Sepp ist für die Schweiz entwickelt und versteht alle gängigen Dialekte, vom Züridütsch über Bärndütsch bis zum St. Galler Dialekt. Die Forschung zeigt, dass moderne Spracherkennung den Sinn von Mundart-Gesprächen zuverlässig erfasst. Am besten überzeugst du dich selbst mit einem Live-Test im Browser, in deinem eigenen Dialekt.

Spricht die KI selbst Schweizerdeutsch?

Bei CiaoSepp wählst du: Sepp antwortet auf Schweizerdeutsch oder auf klarem Hochdeutsch, je nachdem, was zu deinem Betrieb passt. Mundart-Sprachsynthese ist technisch deutlich jünger als das Verstehen, inzwischen aber einsatzfähig.

Warum scheitern Sprach-KIs oft an Namen und Telefonnummern?

Buchstaben und Ziffern sind kurz, klingen ähnlich und haben keinen Satzkontext, der bei der Erkennung hilft. Selbst spezialisierte Systeme erreichen bei gemischten Buchstaben-Zahlen-Folgen nur rund 85 Prozent Zeichengenauigkeit. Deshalb bestätigt ein guter Telefonassistent solche Angaben im Gespräch aktiv, statt sie stillschweigend zu übernehmen.