Wie genau ist die Telefonanruf-Übersetzung? 4 Systeme getestet (2026)

Veröffentlicht 2026-08-18 · Von Ron Villomo, Gründer von LiveLingo · LiveLingo ist eines der gemessenen Systeme; vollständige Methode und Rohdaten

1. Wie genau ist die Telefonanruf-Übersetzung? Die gemessene Antwort

Wir haben vier Systeme auf identischem Audio bewertet, das durch eine simulierte Telefonleitung geleitet wurde. Jede Übersetzung wurde von drei unabhängigen Frontier-LLM-Gutachtern auf einer Skala von 0-5 für die Verständnistreue bewertet, und die unten angegebene Punktzahl ist der Mittelwert der drei, auch als Prozentsatz des Maximums dargestellt. Die Bewertungsrichtlinie bestraft falsche Wortsubstitutionen, ausgelassene Entitäten oder Zahlen und die Vermischung von Sprachschriften; sie bestraft weder Stil noch gültige Synonyme.

Die Streuung zwischen Sprachpaaren ist wichtiger als die Streuung zwischen den Top-Systemen. Selbst das stärkste System verliert drei Punkte beim Übergang von Deutsch nach Japanisch, und jedes System verliert bei den schwierigeren Korridorpaaren weitaus mehr als durch die Telefonleitung.

2. Funktioniert Apple Live Translation bei Telefonanrufen?

Apple Live Translation unterstützt Telefonanrufe auf neueren iPhones, und Samsung Galaxy AI bietet eine vergleichbare In-Call-Funktion. Beide sind gut in dem, was sie tun, und für einen iPhone-zu-iPhone-Anruf in einer unterstützten Sprache sind sie die bequemste verfügbare Option, da nichts installiert werden muss.

Ihre Grenze ist die Abdeckung, nicht die Qualität. Beide erfordern ein aktuelles Mobilteil des jeweiligen Herstellers, beide sind auf die von diesen Herstellern gelieferten Sprachsets beschränkt, und entscheidend ist, dass beide die Funktion auf Ihrem Gerät und nicht auf der Leitung bereitstellen. Das ist in Ordnung, um einen Freund mit demselben Telefon anzurufen. Es hilft nicht, wenn Sie eine Klinikzentrale, einen Vermieter, eine Hotelrezeption oder einen Lieferanten erreichen müssen, dessen Bürotelefon zehn Jahre alt ist. Diese Anrufe sind der Grund, warum die meisten Menschen überhaupt nach einem Produkt für übersetzte Anrufe suchen.

3. Warum ist die Audioqualität von Telefonanrufen schlecht, und reduziert sie die Genauigkeit?

Ein Telefonanruf wird mit ITU-T G.711 kodiert, das mit 8 kHz abtastet und ungefähr 300 Hz bis 3400 Hz überträgt. Das verworfene Band ist nicht leer. Akustische Phonetikarbeiten aus dem phonetischen Labor der University of Oxford zeigen Energiepeaks von /s/ bei etwa 4500 Hz und 7500 Hz, vollständig oberhalb der Telefongrenze, weshalb bandbegrenztes /s/ systematisch als /sh/ missverstanden wird. Die Physik sagt voraus, dass Telefon-Audio schwieriger sein sollte. ITU-T G.711 · University of Oxford Phonetics Laboratory

Um zu testen, ob diese Vorhersage bis zum Ergebnis Bestand hat, haben wir zwei Versionen jedes Clips erstellt. Eine ist die ursprüngliche 16 kHz-Aufnahme. Die andere ist dieselbe Datei, die mit Anti-Alias-Filterung auf 8 kHz neu abgetastet, mit G.711 Mu-Law quantisiert und dann zurück in den ursprünglichen 16 kHz-Container dekodiert wurde, sodass beide Dateien im Format identisch sind und kein System nach der Abtastrate verzweigen kann. Energie über 3.4 kHz fällt von 14-22% des Signals auf etwa 3%, während die RMS-Lautstärke unverändert bleibt, sodass der Vergleich die Bandbreite und nicht die Lautstärke misst.

Jedes System landete innerhalb von 0.04 Punkten von sich selbst. LiveLingo erzielte 97.2% bei Mikrofon-Audio und 96.9% über die Telefonleitung; Google 93.4% und 94.0%; Azure 91.7% und 91.8%; die Whisper-Baseline 88.1% und 88.9%. 88% der einzelnen Zellen erhielten in beiden Armen eine identische Punktzahl. Die Telefonbandbreite zerstört echte Informationen, und moderne Übersetzung absorbiert fast alles davon.

4. Die Erkennung driftet um etwa 2%, und die Robustheit variiert um das 5-fache zwischen den Systemen

Dass die Qualität konstant bleibt, bedeutet nicht, dass darunter nichts passiert ist. Beim Vergleich des Quelltranskripts, das jedes System aus der Breitbanddatei erstellte, mit dem, das es aus der Telefonleitungsdatei erstellte, änderte Google Cloud Speech-to-Text v2 0.4% der erkannten Wörter und die Whisper-large Baseline änderte 2.0%, wobei 96% bzw. 81% der Transkripte vollständig unverändert zurückkamen.

Ein roher Vergleich übertreibt dies stark, und der Grund ist es wert, genannt zu werden, denn so gehen solche Zahlen schief. Whisper halluziniert Standardphrasen in nachfolgende Stille und gibt unvorhersehbar in beiden Armen feste Untertitel-ähnliche Textbausteine aus. Die chinesische Ausgabe wechselt zufällig zwischen vereinfachter und traditioneller Schrift. Arabisch unterscheidet sich hauptsächlich durch die Hamza-Schreibweise. Vor dem Entfernen dieser betrug Whispers scheinbarer Drift 5.7%; danach 2.0%.

Die nützliche Erkenntnis ist, dass die Schmalband-Robustheit zwischen den Erkennungssystemen um etwa das 5-fache variiert, was ein weitaus größerer Effekt ist als die Telefonleitung selbst. Arabisch und Indonesisch drifteten am stärksten um etwa 5%, was mit der Frikativ-Vorhersage übereinstimmt, und selbst dort bewegte sich die Treuebewertung nicht.

5. Wird die KI-Übersetzung bei Telefonanrufen schlechter als persönlich?

Weil die dafür üblicherweise angeführten Beweise etwas anderes messen. Im Whisper-Paper (Radford et al., 2022) erzielen wav2vec 2.0 Large und Whisper Large V2 beide eine identische Wortfehlerrate von 2.7% bei LibriSpeech sauberer gelesener Sprache. Beim CallHome-Telefonkorpus divergieren sie auf 34.8% und 17.6%. Diese Lücke ist real, groß und wird routinemäßig als Beweis dafür angeführt, dass Telefon-Audio das Problem ist. Radford et al., 2022 · LDC CallHome

Aber CallHome ist nicht nur schmalbandig. Es ist spontane, überlappende, ungeskriptete Konversation zwischen Menschen, die sich gut kennen, dicht mit Kontraktionen, falschen Starts und Übersprechungen. LibriSpeech ist eine Person, die ein Buch laut vorliest. Das gleichzeitige Ändern von zwei Variablen kann Ihnen nicht sagen, welche davon wichtig war. Die Isolierung der Bandbreite findet fast nichts, was bedeutet, dass die CallHome-Strafe hauptsächlich die andere Variable ist.

Das ist die nützlichere Schlussfolgerung, denn das sind die Faktoren, die Sie tatsächlich kontrollieren können. Sauberes Abwechseln, das Aufsuchen eines ruhigeren Ortes und das Ausredenlassen jedes Sprechers werden mehr für einen übersetzten Anruf bewirken als jede Sorge um die Leitungsqualität.

6. Was Telefonanruf-Übersetzungs-Apps tatsächlich unterscheidet

Da Bandbreite nichts Messbares kostet und die Top-Systeme bei einfachen Paaren innerhalb von drei Punkten voneinander liegen, liegen die wichtigen Unterschiede anderswo: wie stark die Qualität bei Ihrem spezifischen Sprachpaar abfällt, ob das Produkt die Nummer erreichen kann, die Sie anrufen müssen, und wie der Anruf den Sprecherwechsel handhabt.

Das Sprachpaar ist mit großem Abstand der größte Qualitätshebel, überprüfen Sie also Ihren eigenen Korridor und nicht einen Schlagzeilen-Durchschnitt. Bei der Reichweite tätigt LiveLingo den übersetzten Anruf von der App an jede Mobil- oder Festnetznummer, sodass der Empfänger einen gewöhnlichen Telefonanruf entgegennimmt und nichts installieren muss. Und beim Verhalten ist es wichtig zu wissen, ob ein Produkt sich ehrlich ankündigt oder Ihre Stimme klont, um zu verbergen, dass ein Übersetzer beteiligt ist. livelingo.io/phone-call-translation

7. Was dieser Test abdeckt und was nicht

Die oben genannten Zahlen sind durch vier spezifische Designentscheidungen begrenzt. Diese anzugeben ist keine Einschränkung der Ergebnisse; es ist der Rahmen, innerhalb dessen die Ergebnisse gültig sind.

Die praktische Lesart: Die Rangfolge in Abschnitt 1 ist ein sauberer Vergleich von Gleichem mit Gleichem, da jedes System identisches Audio und identische Bewertung erhielt. Das Bandbreitenergebnis in Abschnitt 3 ist die Behauptung, die am empfindlichsten auf die Korpuswahl reagiert, und die Replikation bei spontaner Konversationssprache ist der nächste Schritt. Vollständige Ableitungen, statistische Aussagekraft und die von uns entfernten Messartefakte sind dokumentiert unter vollständige Methode und Rohdaten.

Häufig gestellte Fragen

Vollständige Methode, sprachspezifische Ergebnisse, statistische Aussagekraft, Einschränkungen und die von uns entfernten Messartefakte sind dokumentiert unter livelingo.io/research/phone-line-bandwidth-method.