Wenn eine Live-Übersetzung mit leichter Verzögerung erscheint, denkt man reflexartig, sie hinke dem Gespräch hinterher und sei fast schon defekt. Das Gegenteil ist der Fall. Diese Verzögerung ist kein Mangel, den man beheben müsste. Sie ist die direkte Folge einer physikalischen Einschränkung, der selbst die besten Dolmetscherinnen und Dolmetscher noch nie entkommen sind.
Die Verzögerung ist kein Fehler, sondern eine Strategie
In der Konferenzverdolmetschung heißt das Phänomen Ohr-Stimme-Spanne: die Zeit zwischen dem Hören eines Wortes und dem Beginn der Wiedergabe in einer anderen Sprache. Bei erfahrenen Profis liegt diese Spanne meist bei zwei bis vier Sekunden. Nicht, weil sie langsam verstehen, sondern weil sie bewusst warten. Sie brauchen genug Material, um den Sinn richtig zu treffen.
Nehmen wir einen deutschen Satz: Das Hauptverb steht oft ganz am Ende. Ich habe gestern meinen alten Freund aus der Schule zufällig im Supermarkt getroffen ergibt Wort für Wort ins Englische übertragen "I have yesterday my old friend from school by chance at the supermarket met." Wer Wort für Wort überträgt, sobald das jeweilige Wort eintrifft, produziert Unsinn. Man muss auf das Verb warten, um zu wissen, was überhaupt passiert ist. Das ist ein permanenter Kompromiss zwischen Tempo und Genauigkeit, dem weder Mensch noch Maschine ganz entkommt.
Ein System für Echtzeit-Übersetzung steht vor demselben Dilemma, nur in anderer Form. Es kann früher beginnen, dann ist der Sinn womöglich weniger präzise. Oder es wartet auf mehr Kontext, um den Preis von etwas mehr Verzögerung. Dieser Kompromiss lässt sich nicht auflösen. Er lässt sich nur austarieren.
Was Verstehen wirklich bedeutet
Es gibt einen Unterschied zwischen dem Erkennen von Wörtern und dem Verstehen eines Satzes. Im Erkennen sind Maschinen schon lange gut. Verstehen heißt, Mehrdeutigkeiten aufzulösen, die ein Mensch nebenbei klärt, ohne es zu merken: den Tonfall, die mitgemeinte Bedeutung, den Verweis auf etwas, das drei Sätze zuvor gesagt wurde.
Ein einfaches Beispiel: Der englische Satz "I saw her duck" hat zwei Lesarten. Entweder man hat ihre Ente gesehen oder man hat gesehen, wie sie sich duckt. Keine Grammatikregel klärt das, nur die Situation. Genau solche kleinen Alltagsfälle machen automatische Übersetzung deutlich schwieriger als reine Spracherkennung.
Japanisch treibt das noch weiter. Die Sprache lässt das Satzsubjekt sehr häufig weg, weil es aus dem Kontext als klar gilt. Wer ins Englische übersetzt, wo ein explizites Subjekt fast immer nötig ist, muss Information rekonstruieren, die im Ausgangstext gar nicht steht. Spätestens hier ist es keine Übersetzung im engeren Sinn mehr. Es ist Interpretation, im wörtlichen Sinn des Begriffs.
Nicht alle Sprachen stehen vor demselben Problem
Manche Sprachpaare vertragen sich leichter als andere. Englisch und Spanisch teilen eine ähnliche Wortstellung (Subjekt, Verb, Objekt), eine vergleichbare Grammatikstruktur und eine Syntax, die eine recht direkte, schrittweise Übertragung erlaubt. Englisch und Japanisch dagegen häufen die Hürden: umgekehrte Wortstellung, fehlende grammatische Entsprechungen, ausgelassene Subjekte und Höflichkeitsebenen ohne direktes Gegenstück.
Es ist kein Zufall, dass Übersetzungssysteme, ob menschlich oder automatisiert, je nach Sprachpaar sehr unterschiedlich abschneiden. Die Schwierigkeit hängt nicht am Umfang des Wortschatzes. Sie hängt daran, wie weit zwei Sprachen darin auseinanderliegen, Gedanken in Worte zu ordnen. Unter den über 60 Sprachen, die Glot unterstützt, schwankt dieser Abstand enorm, und die Technik muss das berücksichtigen.
Das eigentliche Ziel ist nicht, die Verzögerung zu beseitigen
Es liegt nahe zu denken, Fortschritt bestehe darin, diese Verzögerung zu schrumpfen, bis sie verschwindet. Das hieße, das falsche Problem zu lösen. Ein System ohne jede Verzögerung müsste Wort für Wort übertragen, ohne auf Kontext zu warten, und würde genau wie unser übereilter Dolmetscher ein Ergebnis liefern, das richtig aussieht und Falsches bedeutet.
Die eigentliche Frage lautet also nicht, wie wir schneller werden. Sie lautet, wie wir in jedem Moment entscheiden, ob wir genug wissen, um zu sprechen. Genau daran arbeiten heute die besten Systeme für Echtzeit-Übersetzung, Glot eingeschlossen: die Verzögerung nicht auslöschen, sondern sie gerade lang genug halten, um genau zu bleiben, und gerade kurz genug, um natürlich zu wirken.
Wenn eine Live-Übersetzung das nächste Mal ein, zwei Sekunden innehält, bevor sie antwortet, ist das keine tote Zeit. Das ist die Zeit, die es braucht, um es richtig zu machen.
Sie möchten sehen, wie sich diese Technik auf einer echten Bühne schlägt?
Die Technologie entdecken