Warum Ihr kantonesisches Meeting-Protokoll immer „nicht ganz richtig“ wirkt: zwei Bruchlinien

Wer zum ersten Mal ein KI-Werkzeug für ein kantonesisches Meeting-Protokoll einsetzt, reagiert meist ähnlich: Das Ergebnis sieht ordentlich aus, wirkt aber „nicht ganz richtig“. Offensichtliche Fehler sind keine zu finden — und trotzdem fehlt beim Abgleich mit der Erinnerung an das Gespräch etwas.

Diese Lücke entsteht in der Regel nicht dort, wo man sie zuerst vermutet: bei der reinen Erkennungsgenauigkeit. Bei reinem Kantonesisch, einer einzelnen sprechenden Person und ruhiger Umgebung sind die heute verbreiteten Werkzeuge durchaus brauchbar. Das Problem liegt an zwei anderen Stellen — und zwar genau in den beiden Formen, die den Alltag in Hongkong prägen.

Erstens: Sobald in einem Satz Chinesisch und Englisch gemischt werden, sinkt die Erkennungsqualität deutlich. Zweitens: Selbst wenn korrekt erkannt wurde, ist der ausgegebene Text häufig bereits in schriftsprachliches Chinesisch umgeschrieben — es ist nicht mehr der Satz, den Sie gesagt haben.

Diese beiden Punkte haben unterschiedliche Ursachen und betreffen unterschiedliche Szenarien. Es lohnt sich, sie getrennt zu betrachten.

Und sie betreffen nicht nur Hongkong: Das Muster wiederholt sich überall dort, wo im Alltag zwei Sprachen innerhalb eines Satzes verwendet werden — etwa Deutsch mit englischen Fachbegriffen, Hindi mit Englisch oder Spanisch mit Englisch. Kantonesisch-Englisch ist hier ein besonders gut dokumentierter Fall, aber der Fehlermechanismus ist derselbe.

Fazit in 30 Sekunden

• Sprachmischung hat einen Preis — und der ist messbar → Die öffentliche Forschungsliteratur weist für kantonesisch-englische Code-Switching-Inhalte Zeichenfehlerraten von etwa 20 %–26 % aus, während vergleichbare Systeme bei einsprachigen Inhalten bei etwa 6 %–8 % liegen. Das ist ein Faktor von drei bis vier.
• „Richtig gehört“ und „richtig geschrieben“ sind zwei verschiedene Dinge → Sie sagen „wann wird das fertig“ in Umgangssprache, im Protokoll steht die schriftsprachliche Variante: Die Bedeutung bleibt, der Originalwortlaut ist weg.
• In den meisten Fällen ist das egal, in wenigen Fällen ist es kritisch → Für eine Zusammenfassung eines lockeren Gesprächs spielt es keine Rolle; für ärztliche Anamnesen, Sozialfallakten, Mediationsprotokolle und Forschungsinterviews sehr wohl.
• Beim kantonesischen Datenbestand gab es 2025 einen Sprung um eine Größenordnung → von öffentlich verfügbaren Korpora im Bereich weniger Dutzend Stunden hin zu den 21.800 Stunden von WenetSpeech-Yue — Code-Switching bleibt jedoch ungelöst.
• Klären Sie vor der Werkzeugwahl, ob Sie „den Sinn“ oder „den Wortlaut“ brauchen → Beides erfordert unterschiedliche Einstellungen; am Ende des Beitrags finden Sie eine kurze Entscheidungshilfe.

Zuerst trennen: Erkennung vs. Darstellung

Bei der Diskussion über die Qualität kantonesischer Protokolle werden zwei unabhängige Schritte leicht vermischt.

Erkennung (ASR) wandelt Ton in Text um. Ein Fehler auf dieser Ebene ist ein „Hörfehler“ — das System versteht nicht, was Sie gesagt haben, oder verwechselt ein Wort mit einem klanglich ähnlichen.

Darstellung legt fest, in welcher Form dieser Text am Ende erscheint. Ein Fehler auf dieser Ebene ist eine „Umschreibung“ — die Erkennung war präzise, aber bei der Ausgabe wurde die Umgangssprache in Schriftsprache geglättet.

Was die meisten Menschen als „ungenaues Kantonesisch-Protokoll“ beanstanden, sind in Wirklichkeit Probleme auf beiden Ebenen — und sie erfordern völlig unterschiedliche Lösungswege. Die erste Ebene ist eine Frage von Modellfähigkeit und Trainingsdaten, die zweite meist eine Frage der Designentscheidung — und zwar häufig einer bewussten.

Bruchlinie eins: kantonesisch-englische Sprachmischung

Warum das besonders schwierig ist

「我想去 Causeway Bay 開個 meeting，順便 check 一下 schedule。」

Sinngemäß: „Ich möchte nach Causeway Bay, um ein Meeting abzuhalten, und dabei gleich den Terminplan prüfen.“ Kantonesisch sind hier 我想去 (ich möchte nach), 開個 (abhalten), 順便 (bei der Gelegenheit), 一下 (kurz) sowie die Satzstruktur; englisch sind Causeway Bay, meeting, check und schedule. Genau diese Vermischung innerhalb eines einzigen Satzes ist der Punkt.

In Hongkong ist ein solcher Satz völlig unauffällig. Für ein Erkennungssystem verlangt er jedoch etwas ganz anderes als ein rein kantonesischer Satz. Das System muss innerhalb desselben Satzes, ja sogar innerhalb eines Atemzugs, in Echtzeit zwischen zwei vollständig verschiedenen Lautsystemen und Wortschätzen umschalten — und der Umschaltpunkt wird in keiner Weise angekündigt.

Erschwerend kommt hinzu: Wenn Menschen in Hongkong englische Wörter verwenden, ist die Aussprache oft bereits kantonesisch geprägt — Silbenstruktur und Tonverlauf sind lokalisiert. Diese Aussprachen entsprechen weder den Erwartungen des englischen Modells noch stehen sie im Wortschatz des kantonesischen Modells. Beide Seiten halten sie für nicht zuständig.

Die Lücke in Zahlen

Die öffentliche Forschungsliteratur zeichnet ein recht einheitliches Bild: Die Zeichenfehlerrate bei kantonesisch-englischen Code-Switching-Inhalten liegt etwa zwischen 20 % und 26 %, während vergleichbare Systeme bei einsprachigen Inhalten etwa 6 % bis 8 % erreichen. Auf spezialisierten Testsätzen für kantonesisch-englische Mischsprache liegt die Mixed Error Rate von Systemen auf Whisper-Basis bei etwa 22 %.

Übersetzt in das subjektive Erleben: Bei rein kantonesischen Inhalten ist etwa jedes zehnte bis fünfzehnte Zeichen falsch, bei gemischten Inhalten etwa jedes vierte bis fünfte. Letzteres bedeutet, dass ein Protokoll Satz für Satz geprüft werden muss, bevor man ihm trauen kann.

Diese Fehler haben eine besondere Form

Bemerkenswert ist: Code-Switching-Fehler sind nicht wie gewöhnliche Erkennungsfehler „als Fehler erkennbar“. Das System lässt selten Lücken oder gibt Zeichensalat aus; es neigt dazu, ein klanglich ähnliches und grammatikalisch plausibles chinesisches Wort einzusetzen.

Das Ergebnis ist ein Satz, der an der Oberfläche vollkommen flüssig ist, dessen Bedeutung sich aber bereits verschoben hat. Das ist deutlich gefährlicher als ein offensichtlicher Fehler — bei einem offensichtlichen Fehler halten Sie inne und prüfen nach, über einen flüssigen falschen Satz lesen Sie einfach hinweg.

Bruchlinie zwei: gesprochenes Kantonesisch vs. schriftsprachliches Chinesisch

Zwei Schreibweisen desselben Satzes

Keine Zeile in der mittleren Spalte ist „falsch“. Die Bedeutung stimmt jeweils, der Text liest sich sogar glatter. Das Problem ist: So spricht niemand.

Warum Systeme das tun

Das ist in der Regel kein Fehler. Die Trainingsdaten für geschriebenes Chinesisch bestehen zum überwältigenden Teil aus standardschriftsprachlichem Chinesisch; die Verschriftlichung von gesprochenem Kantonesisch (Zeichen wie 嘅, 咗, 喺, 哋) macht im Gesamtkorpus nur einen verschwindend geringen Anteil aus. Ohne ausdrückliche Anweisung tendiert ein Modell naturgemäß zu der Form von Chinesisch, die es am besten kennt.

Und in den meisten Fällen ist diese Voreinstellung richtig. Für Zusammenfassungen, Aufgabenlisten oder Weitergabe an Kolleginnen und Kollegen ohne Kantonesischkenntnisse ist die schriftsprachliche Fassung eindeutig besser geeignet.

Bei manchen Szenarien gilt jedoch das Gegenteil

Es gibt eine ganze Kategorie von Anwendungen, bei denen genau der Originalwortlaut gebraucht wird.

• Ärztliche Anamnese: Die Wörter, mit denen Patientinnen und Patienten Symptome beschreiben, sind selbst klinische Information. Ausdrücke wie 「頂住頂住」 (ein anhaltendes drückendes Gefühl), 「唧住痛」 (ein pressender, quetschender Schmerz) oder 「作嘔作悶」 (Übelkeit mit flauem Gefühl) verlieren nach der Übersetzung in Standardvokabular genau diese konkrete Beschaffenheit.
• Sozialfallakten: Der Originalwortlaut der betreuten Person ist für die Fallbeurteilung relevant; eine Umschreibung fügt bereits bei der Dokumentation eine Deutungsebene hinzu.
• Mediation und Konfliktbearbeitung: Wer was in welchem Tonfall gesagt hat, ist selbst der Streitgegenstand.
• Forschungsinterviews und Oral History: Der Wert eines Wortprotokolls setzt voraus, dass es wörtlich ist.
• Sprachunterricht und Korpusarbeit: Die gesprochene Form ist hier selbst der Untersuchungsgegenstand.

Diesen Szenarien ist gemeinsam: Das Protokoll dient nicht nur der Erinnerung an das Besprochene, sondern kann später zitiert, überprüft oder als Grundlage herangezogen werden. Ein stillschweigend geglättetes Protokoll ist für diesen Zweck riskant — denn es sieht vollkommen normal aus, und Sie erfahren nicht, an welcher Stelle etwas verändert wurde.

Eine leicht übersehene Voraussetzung: die Lage der kantonesischen Datenbasis

Um zu verstehen, warum kantonesische Werkzeuge so unterschiedlich abschneiden, hilft ein Blick auf den Umfang der verfügbaren Daten.

Das Erscheinen von WenetSpeech-Yue im Jahr 2025 ist ein Sprung um eine Größenordnung — zuvor bewegten sich öffentlich verfügbare kantonesische Sprachdaten lange im Bereich von einigen Dutzend bis wenigen Hundert Stunden, während bei den großen Sprachen ohne Weiteres mit Zehntausenden Stunden gearbeitet wird. Das erklärt, warum kantonesische Werkzeuge in der Vergangenheit durchweg zurücklagen.

Zu beachten ist jedoch: Die gewachsene Datenmenge verbessert vor allem die Erkennung von einsprachigem Kantonesisch. Code-Switching benötigt gemischte Korpora, und diese sind schwieriger zu annotieren und im Umfang weiterhin schwach. Bruchlinie eins wird sich daher deutlich langsamer verbessern als die rein kantonesische Erkennung.

Ein weiterer Kontext aus Hongkong

Am Rande eine Reihe zugehöriger Zahlen. Laut der Volkszählung 2021 leben in Hongkong rund 619.568 Personen nicht-chinesischer Herkunft, das sind 8,4 % der Bevölkerung. Beim Kantonesischsprechen ergibt sich: 17,6 % bei philippinischer Herkunft, 25,0 % bei indischer Herkunft, 34,7 % bei südasiatischer Herkunft insgesamt — die Englischkenntnisse liegen dagegen durchweg über 84 %.

Anders gesagt: Die sprachliche Alltagssituation in Hongkong ist kein reines Kantonesisch-Szenario, sondern ein gleichzeitiges Nebeneinander von Kantonesisch, Englisch und mehreren weiteren Sprachen. Ein Werkzeug, das nur die kantonesische Erkennung beherrscht, aber nicht in Echtzeit übersetzen kann, löst lediglich die Hälfte des Problems.

Wie Traverba mit diesen beiden Bruchlinien umgeht

• Sprachmischung mit Priorität — Die Erkennung ist auf Hongkonger Sätze mit chinesisch-englischer Mischung abgestimmt, statt Kantonesisch und Englisch als zwei sich ausschließende Modi zu behandeln.
• Erhalt der gesprochenen Form — Die Transkription richtet sich nach der Form, in der Sie tatsächlich gesprochen haben; Zusammenfassung und Übersetzung entstehen separat. Originalwortlaut und redigierte Fassung stehen nebeneinander, statt dass die redigierte Fassung das Original überschreibt.
• Echtzeit-Transkription und Echtzeit-Übersetzung aus einer Hand — Ein Gespräch, eine sprechende Person, über 100 Sprachen: Zuhörende scannen einen QR-Code und sehen die Untertitel in ihrer Sprache, ohne eine App herunterzuladen.
• Gerät zuerst — Die Spracherkennung läuft standardmäßig auf dem Gerät, Cloud-KI ist optional; bei sensiblen Inhalten muss nichts nach außen gelangen.
• Vollständiges Wortprotokoll exportierbar — Nach der Sitzung lassen sich das wörtliche Originalprotokoll und die übersetzte Fassung exportieren und getrennt aufbewahren.

Klarstellung: Wenn Sie Zusammenfassungen gewöhnlicher Geschäftsmeetings, interne Abstimmungen oder Aufgabenlisten brauchen, leisten die meisten KI-Notizwerkzeuge am Markt bereits Gutes, und die schriftsprachliche Ausgabe ist dafür sogar praktischer — ein Wechsel lohnt sich dann nicht. Die genannten Unterschiede zählen wirklich dort, wo der Originalwortlaut selbst die Information ist.

Wie entscheiden? Eine kurze Checkliste

Stellen Sie sich drei Fragen:

Erstens: Wird dieses Protokoll später zitiert oder überprüft? Wenn ja (Fallakten, klinische Dokumentation, Mediation, Interviews), brauchen Sie ein Wortprotokoll — und die Gewissheit, dass das Werkzeug im Hintergrund nichts umschreibt. Wenn nein, ist eine schriftsprachliche Zusammenfassung praktischer.

Zweitens: Wie hoch ist die Dichte der Sprachmischung im Gespräch? Ein gelegentliches englisches Wort bewältigen die meisten Werkzeuge. Handelt es sich um jene typischen Hongkonger Gespräche mit zwei bis drei Wechseln pro Satz, sollten Sie zunächst mit einer echten Aufnahme testen und sich nicht auf offizielle Sprachlisten verlassen.

Drittens: Sind die Inhalte sensibel? Bei Aufnahmen mit Krankenakten-, Fallakten- oder Rechtsbezug klären Sie zuerst den Datenfluss: Verarbeitung lokal oder in der Cloud, Speicherdauer, Verwendung für Trainingszwecke.

Ein abschließender Rat: Testen Sie jedes Werkzeug mit einem echten eigenen Gespräch, nicht mit einem vorgelesenen Text. Vorgelesenes Kantonesisch enthält kein Code-Switching, keine umgangssprachlichen Partikeln und keine Überlappungen — damit lässt sich keines der beschriebenen Probleme aufdecken.

Mehr erfahren

Bei kantonesischen Protokollen gibt es kein Werkzeug, das für alle Situationen passt. Entscheidend ist, zuerst zu klären, ob Sie „den Sinn“ oder „den Wortlaut“ brauchen — diese Entscheidung bestimmt unmittelbar Auswahl und Konfiguration.

Wenn Sie erfahren möchten, wie Traverba mit Sprachmischung und dem Erhalt der gesprochenen Form umgeht, besuchen Sie traverba.com oder laden Sie die App bei Google Play und im App Store herunter.

Die in diesem Beitrag genannten Fehlerraten stammen aus der öffentlich zugänglichen Forschungsliteratur zur kantonesischen Spracherkennung, die Korpusgrößen aus den offiziellen Angaben der jeweiligen Korpora, die Bevölkerungs- und Sprachkompetenzdaten aus der Volkszählung 2021 der Regierung von Hongkong. Alle Angaben mit Stand Mitte 2026; Modelle und Werkzeuge entwickeln sich fortlaufend weiter, die tatsächliche Leistung hängt von Aufnahmequalität, Akzent, Umgebungsgeräuschen und der konkreten Version ab. Alle Marken und Warenzeichen gehören den jeweiligen Inhabern.