Whisper: Wenn Stille zu Text wird – Ein Blick auf die Trainingsdaten

LONDON (IT BOLTWISE) – In der Welt der Künstlichen Intelligenz sind Spracherkennungsmodelle wie Whisper von OpenAI von zentraler Bedeutung. Doch selbst die fortschrittlichsten Modelle sind nicht frei von Kuriositäten.

Whisper, das beliebte Spracherkennungsmodell von OpenAI, hat sich durch seine Open-Source-Veröffentlichung einen Namen gemacht. Doch trotz seiner weitreichenden Nutzung in verschiedenen Anwendungen und Diensten zeigt sich, dass das Modell nicht fehlerfrei ist. Besonders auffällig ist ein Phänomen, bei dem Whisper aus Stille Text generiert, was auf die Art und Weise der Trainingsdaten zurückzuführen ist.

Ein bemerkenswertes Beispiel ereignete sich Mitte Juni 2025, als ein Nutzer auf GitHub berichtete, dass bei arabischen Sprachaufnahmen längere Pausen von Whisper mit den Worten „Übersetzt von Nancy Kangar“ transkribiert werden. Dieses Verhalten ist nicht auf die arabische Sprache beschränkt. Auch bei norwegischen Aufnahmen wird aus Stille „Tekstet av Nicolai Winther“ gemacht.

Die Ursache für dieses Phänomen liegt in den Trainingsdaten von Whisper. OpenAI hat das Modell mit Sprachaufnahmen und den dazugehörigen Transkriptionen trainiert, wobei offenbar auch auf YouTube-Videos zurückgegriffen wurde. Nicolai Winther, ein norwegischer Youtuber, bestätigte, dass er zahlreiche Videos mit Untertiteln versehen hat, die am Ende der Aufnahmen seinen Namen enthielten. Diese Praxis erklärt, warum Whisper bei Stille auf Winther verweist.

Ähnliche Fälle wurden auch bei deutschen Transkriptionen beobachtet, wo Whisper gelegentlich „Untertitelung des ZDF für funk, 2017“ einfügt. Diese Beispiele verdeutlichen, wie wichtig die Qualität und Auswahl der Trainingsdaten für die Leistung von KI-Modellen ist. Fehlerhafte oder unvollständige Daten können zu unerwarteten Ergebnissen führen.

Die Herausforderung besteht darin, die Trainingsdaten so zu kuratieren, dass solche Anomalien minimiert werden. Dies ist besonders wichtig, da die Nachfrage nach präzisen und zuverlässigen Spracherkennungslösungen in verschiedenen Branchen wächst. Entwickler und Unternehmen müssen sicherstellen, dass ihre Modelle mit repräsentativen und fehlerfreien Daten trainiert werden.

In Zukunft könnte die Verbesserung der Datenqualität und die Implementierung von Mechanismen zur Erkennung und Korrektur solcher Fehler entscheidend sein, um die Akzeptanz und Zuverlässigkeit von KI-basierten Spracherkennungssystemen zu erhöhen. OpenAI und andere Unternehmen in diesem Bereich stehen vor der Aufgabe, ihre Modelle kontinuierlich zu optimieren, um den Anforderungen der Nutzer gerecht zu werden.

Unseren KI-Morning-Newsletter «Der KI News Espresso» mit den besten KI-News des letzten Tages gratis per eMail - ohne Werbung: Hier kostenlos eintragen!