Yoruba-Transkription: Töne, Diakritika und der Weg nach vorn

Yoruba ist eine der meistgesprochenen Sprachen Afrikas mit rund 50 Millionen Sprechern im Südwesten Nigerias, in Benin, Togo und einer großen Diaspora in Großbritannien, den USA und Brasilien. Die Nachfrage nach Transkription ist real: Yoruba-sprachige Nollywood-Kanäle generieren inzwischen täglich Millionen von Aufrufen auf YouTube, und Podcasts auf Yoruba haben sich auf allen großen Plattformen vervielfacht. Doch Mitte 2026 befindet sich die Yoruba-Transkription in einer unbequemen Lage: technisch im Umfang großer ASR-Engines, aber nicht zuverlässig genug für den Produktiveinsatz.

Dies ist ein ehrlicher Bericht darüber, warum das so ist, wo die Forschung angekommen ist und was Sie heute tatsächlich tun können.

Das Dreitonsystem ist keine Fußnote

Yoruba ist tonal, und zwar so, dass die Tonhöhe direkt die Bedeutung bestimmt, nicht nur die Aussprache. Die Sprache verwendet drei Registertöne:

• Hochton, markiert mit einem Akut: á
• Tiefton, markiert mit einem Gravis: à
• Mittelton, unmarkiert

Ein klassisches Beispiel: ọ́kọ̀ (hoch-tief) bedeutet „Ehemann“, ọ̀kọ̀ (tief-tief) bedeutet „Hacke“ und ọkọ̀ (mittel-tief) bedeutet „Fahrzeug“. Der gesprochene Unterschied ist die Tonhöhe. Der geschriebene Unterschied sind Diakritika. Entfernt man die Zeichen, bricht die Bedeutung zusammen.

Über die Tonmarkierungen hinaus verwendet Standard-Yoruba Subpunkt-Diakritika für offene Vokale und einen palato-alveolaren Konsonanten: ẹ (offenes e, wie in „Pet“), ọ (offenes o, wie in „off“) und ṣ (ähnlich dem englischen „sh“). Tonmarkierungen schichten sich darüber: ẹ́, ẹ̀, ọ́, ọ̀. Die Orthographie wurde auf einer Konferenz 1875 in Lagos standardisiert, organisiert von Missionaren und lokalen Gelehrten, und der Standard hat Bestand.

Ein produktionsreifes Yoruba-Transkript muss jedes Diakritikum bewahren. Ein Transkript ohne sie ist technisch lesbar, aber semantisch verlustbehaftet – das Äquivalent dazu, Satzzeichen aus englischen Rechtstexten zu entfernen.

Warum ASR speziell mit Tondiakritika kämpft

Das Problem ist nicht nur „wenig Ressourcen“. Es ist architektonisch.

Eine 2026 auf der ACL veröffentlichte Studie ergab, dass aktuelle Transformer-basierte ASR-Modelle tatsächlich niedrigere Fehlerraten bei Yoruba-Text erzielen, bei dem die Tonmarkierungen entfernt wurden, als bei vollständig diakritisiertem Text. Die Autoren führen dies auf drei Faktoren zurück: Tokenisierungsverhalten (die meisten Tokenisierer wurden für europäische Schriften entworfen und zerlegen diakritisierte Zeichen unvorhersehbar), unzureichende Repräsentation tonaler akustischer Hinweise in den Vortrainingsdaten und das Fehlen einer Tonmodellierung in den zugrunde liegenden Modellzielen.

Dies ist ein kontraintuitiver Befund. Er bedeutet, dass die Modelle nicht einfach versagen, Töne zu markieren – sie werden aktiv durch das Vorhandensein von Markierungen im Referenztext während des Trainings verwirrt. Eine ordnungsgemäße Yoruba-Transkription erfordert ein Umdenken bei der Tokenisierung tonaler Diakritika, nicht nur mehr Yoruba-Audio.

Eine Erklärung, warum dieses Muster über mehrere ressourcenarme tonale Sprachen hinweg auftritt, finden Sie unter Warum KI mit ressourcenarmen Sprachen kämpft.

Wo die Zahlen stehen

Das NaijaVoices-Datensatzpapier (Interspeech 2025) liefert den klarsten öffentlichen Benchmark für Yoruba-ASR auf nicht feinabgestimmten Modellen:

Eine WER über 100 % bedeutet, dass das Modell mehr Wortfehler produziert als es Referenzwörter gibt, in der Regel durch halluzinierten Text oder wiederholte Phrasen. Whisper Large mit 106 % Basis-WER erzeugt auf sauberem Yoruba-Audio im Wesentlichen Rauschen.

Die Feinabstimmungsergebnisse sind der wirklich interessante Teil. Die Feinabstimmung von Whisper Small auf NaijaVoices senkt die Fehlerrate um rund 260 Prozentpunkte. Das ist eine dramatische Verbesserung, auch wenn 58 % WER noch weit von dem für produktionsreifes Englisch typischen Bereich unter 15 % entfernt sind. Die Kluft zwischen „dramatisch besser“ und „ohne menschliche Überprüfung nutzbar“ bleibt groß.

Kontext dazu, wie diese Fehlerraten im Vergleich zu anderen Sprachen und Diensten stehen, finden Sie unter Transkriptionsgenauigkeit erklärt.

Dialektfragmentierung verschlimmert die Lage

Standard-Yoruba-ASR, so schlecht sie auch ist, übertrifft Yoruba-Dialekte immer noch mit messbarem Abstand.

Forschung, die MMS und SeamlessM4T in Zero-Shot-Einstellungen testete, fand eine durchschnittliche WER-Lücke von 12 Punkten zwischen Standard-Yoruba und regionalen Dialekten. Konkrete Zahlen: Standard-Yoruba bei 72,50 WER, Ifẹ̀-Dialekt bei 85,38, Ìlàjẹ-Dialekt bei 83,79.

Yoruba hat mindestens fünf regionale Gruppierungen – Nordwest (Oyo, Ogun), Nordost (Kwara), Zentral, Südwest und Südost – jeweils mit phonologischen, lexikalischen und konsonantischen Unterschieden. Der Ijebu-Dialekt, gesprochen um Ogun State, weist dokumentierte Konsonantenalternationen und Vokalunterschiede auf, die in der Standard-Schriftform nicht vorkommen. Ein Modell, das auf Nachrichtensprache aus Lagos trainiert wurde, wird ein Interview aus Ekiti oder Ondo nicht ohne erheblichen Genauigkeitsverlust verarbeiten.

Als dialektadaptive Feinabstimmung mit nur 800 Trainingsinstanzen pro Dialekt angewendet wurde, erreichten die Forscher eine WER-Reduktion von etwa 20 Punkten. Kleine Datenmengen können etwas bewirken, aber nur, wenn zuerst jemand dialektspezifisches Audio sammelt und annotiert.

Code-Switching in der Sprache von Lagos

Das urbane Yoruba in Lagos bleibt nicht eine Sprache pro Satz. Sprecher wechseln mitten in der Phrase zwischen Yoruba, Englisch und nigerianischem Pidgin. Ein Satz kann auf Yoruba beginnen, einen englischen Fachbegriff einfügen und mit einem Pidgin-Ausdruck enden – für den Sprecher grammatikalisch völlig kohärent.

Ein ACL-Papier von 2025 zu Yoruba-Englisch-Code-Switching ergab, dass die Feinabstimmung monolingualer ASR-Modelle auf dem YECS-Korpus (120 Stunden natürlich produzierte Code-Switching-Sprache von 140 zweisprachigen Sprechern) eine WER-Reduktion von über 20 % auf Code-Switching-Audio erzielte, während die Leistung auf Standard-Yoruba wettbewerbsfähig blieb. Monolingual feinabgestimmte Modelle waren recheneffizienter als multilinguale Alternativen und schlossen dennoch den größten Teil der Lücke.

Die praktische Konsequenz: Ein generisches multilinguales Modell wird die englischen Segmente von Code-Switching-Sprache teilweise verarbeiten, aber bei den Yoruba-Anteilen und den Übergängen straucheln. Inhalte, die in formellem, einzelsprecherigem, diakritisiertem Yoruba aufgenommen wurden, transkribieren besser als konversationelle Sprache aus Lagos – nicht weil das Yoruba aus Lagos „falsch“ wäre, sondern weil ASR-Modelle auf Ersterem trainiert sind und nicht auf Letzterem.

Mehr dazu, wie Code-Switching die Genauigkeit über Sprachen hinweg beeinflusst, finden Sie unter Transkription für Nicht-Muttersprachler im Englischen.

Community-Datensatzbemühungen: Was existiert

Die Ressourcenlage für Yoruba ist besser als vor fünf Jahren. Mehrere konkrete Datensätze sind inzwischen öffentlich verfügbar:

ÌròyìnSpeech (LREC 2024): 42 Stunden vollständig diakritisiertes Yoruba von 80 Freiwilligen, entnommen aus Nachrichten und kreativem Schreiben. Freigegeben unter CC-BY-4.0, was bedeutet, dass es für kommerzielles Modelltraining verwendet werden kann. Dies ist bemerkenswert, weil der diakritisierte Referenztext es speziell für die Untersuchung von Tonmarkierungen nützlich macht.

NaijaVoices (Interspeech 2025): 606,94 Stunden Yoruba-Sprache von 1.768 Sprechern, Teil eines 1.800-Stunden-Datensatzes, der mehrere nigerianische Sprachen abdeckt. Dies ist derzeit der größte offene Yoruba-Sprachkorpus. Die Sprechervielfalt ist ein bedeutender Schritt in Richtung Dialektabdeckung.

YECS-Korpus: 120 Stunden hochwertige Yoruba-Englisch-Code-Switching-Sprache, 99.930 validierte Audio-Text-Paare, von 140 demografisch diversen zweisprachigen Sprechern. Speziell für das Code-Switching-Problem konzipiert.

Masakhane (die Basis-Afrika-NLP-Community mit über 1.000 Teilnehmern aus 30 afrikanischen Ländern) hat für 2025 das erklärte Ziel, 500 Stunden Sprache für fünf unterrepräsentierte Sprachen zu sammeln. Ob Yoruba in dieser Kohorte ist, ist zum Zeitpunkt dieses Schreibens nicht öffentlich bestätigt, aber die Organisation hat zuvor Yoruba-NLP-Arbeit durch ihre Benchmark- und Datensatzinitiativen unterstützt.

Das Gesamtbild: Über 700 Stunden offene Yoruba-Sprache existieren inzwischen über mehrere Sammlungen hinweg. Das ist eine tragfähige Grundlage für die Feinabstimmung. Die Einschränkung ist nicht mehr das Fehlen von Daten, sondern die Abstimmung zwischen Audio und vollständig diakritisierten Referenztranskripten sowie das Fehlen einer groß angelegten, dialektbalancierten Abdeckung.

Was produktionsreifes Yoruba tatsächlich erfordern wird

Um Yoruba in den für praktische, leicht überarbeitete Transkription erforderlichen Genauigkeitsbereich von 85–90 % zu bringen, müssen alle folgenden Punkte zusammenkommen:

1. Tonbewusste Tokenisierung. Aktuelle Modelle müssen mit Tokenisierern neu trainiert oder feinabgestimmt werden, die diakritisierte Yoruba-Zeichen als einzelne Einheiten behandeln, nicht als Basiszeichen plus kombinierendes Zeichen. Dies ist ein Vortrainingsproblem, nicht nur ein Feinabstimmungs-Patch.

2. Diakritisierte Referenzdaten im großen Maßstab. Nachrichtendomänendaten (was ÌròyìnSpeech liefert) sind ein Anfang. Konversations- und dialektvielfältige Daten im großen Maßstab sind das, was die Lücke zwischen Laborleistung und realem Audio schließt.

3. Eingebaute Code-Switching-Behandlung. Insbesondere für Inhalte aus Lagos wird ein Modell, das Yoruba-Englisch-Übergänge als zu minimierenden Fehler behandelt, bei dem tatsächlichen Material, das Forscher und Journalisten transkribiert benötigen, immer unterdurchschnittlich abschneiden.

4. Dialektabdeckung. Eine WER-Strafe von 12 Punkten für Dialekte bedeutet, dass ein Modell, das auf Standard-Yoruba mittelmäßig ist, bei regionaler Sprache tatsächlich schlecht ist. Breitere Sprechervielfalt in den Trainingsdaten ist notwendig, nicht optional.

Die Forschungslandschaft 2026 legt nahe, dass alle vier Bereiche gleichzeitig bearbeitet werden – eine bessere Situation als vor drei Jahren, als die Datensatzgrundlage selbst der Engpass war.

Vergleich dessen, was heute existiert

Verwandten Vergleichskontext finden Sie unter Beste Speech-to-Text-APIs 2026.

Praktische Empfehlungen für 2026

Wenn Sie jetzt Yoruba-Audio transkribieren müssen:

Für Forschung und Entwürfe: Reichen Sie mit dem Sprachcode „yo“ über eine API ein, die zu Whisper oder einem feinabgestimmten Checkpoint führt. Die Ausgabe wird teilweise korrekter Yoruba-Text sein, oft mit fehlenden Tonmarkierungen und einigen halluzinierten Segmenten. Planen Sie einen Überprüfungsdurchgang mit einer muttersprachlichen Yoruba-Person ein, insbesondere bei Eigennamen, Ortsnamen oder Begriffen, bei denen die Tonhöhe die Bedeutung verändert.

Für formelle, rechtliche oder Sendeanwendungen: Eine reine KI-Yoruba-Transkription ist noch nicht ausreichend. Menschliche Transkription durch einen zertifizierten Yoruba-Transkribierer bleibt der genaue Weg. Nutzen Sie die KI-Ausgabe als groben ersten Entwurf, um die Arbeitslast des Transkribierers zu reduzieren, nicht als Endprodukt.

Für westafrikanische Inhalte, bei denen Yoruba nicht zwingend erforderlich ist: Hausa-Transkription arbeitet heute mit Produktionsgenauigkeit. Viele nigerianische Content-Ersteller arbeiten in beiden Sprachen, und für Inhalte, bei denen die Sprache flexibel ist, ist Hausa die sauberere aktuelle Option.

Meine Einschätzung: Yoruba hat die Schwelle von „Das Modell weiß nicht, dass diese Sprache existiert“ zu „Das Modell erzeugt etwas Wiedererkennbares“ überschritten. Die Kluft zwischen dem und Produktionsreife ist immer noch erheblich. Die Forschungsdynamik und das Datensatzvolumen in 2025–2026 sind das beste Signal bisher, dass diese Kluft geschlossen wird, aber die ehrliche Antwort heute lautet: Jedes von einer KI-Engine erzeugte Yoruba-Transkript braucht einen sachkundigen Menschen im Kreislauf.

Wenn Sie einfach ein sauberes Transkript ohne Meeting-Bot oder komplexe Integrationen benötigen, unterstützt ConvertAudioToText Yoruba per API und liefert Ihnen die Rohausgabe zum Bearbeiten. Es ist ein Ausgangspunkt, keine fertige Lösung für diese Sprache.

FAQ

Unterstützt Whisper Yoruba?

Whisper enthält Yoruba als Sprachcode „yo“ und tut dies seit large-v3. Aber Unterstützung dem Namen nach ist keine Unterstützung in der Praxis. Die Basis-WER von Whisper Large für Yoruba liegt über 100 %, was bedeutet, dass vor jeder Feinabstimmung mehr Wörter falsch als richtig sind. Nach der Feinabstimmung auf den NaijaVoices-Datensatz sinkt Whisper Small auf etwa 58 % WER – besser, aber immer noch weit von Sende- oder Rechtsqualität entfernt.

Warum bringt Yoruba die Spracherkennung stärker durcheinander als andere afrikanische Sprachen?

Drei sich überlagernde Gründe. Erstens ist Yoruba eine Dreitonsprache, in der die Tonhöhe die Wortbedeutung verändert, und aktuelle ASR-Tokenisierer wurden nicht um Diakritika herum entworfen. Eine ACL-Studie von 2026 ergab, dass Modelle tatsächlich niedrigere Fehlerraten bei Text ohne Tonmarkierungen erzielen als bei vollständig diakritisiertem Text, weil die Diakritika selbst die Tokenisierung stören. Zweitens gibt es mindestens fünf regionale Dialektgruppen mit messbaren phonologischen Unterschieden; ein auf Standard-Yoruba trainiertes Modell zeigt auf Dialekten wie Ifẹ̀ und Ìlàjẹ eine WER-Lücke von etwa 12 Punkten. Drittens wechselt die urbane Sprache in Lagos mitten im Satz stark zwischen Yoruba und Englisch, und die meisten Modelle beherrschen entweder die eine oder die andere Sprache, nicht die Mischung.

Welche Community-Datensätze gibt es für Yoruba-Sprache?

Mitte 2026 existieren mehrere verifizierte Datensätze. ÌròyìnSpeech (veröffentlicht auf der LREC 2024) enthält 42 Stunden vollständig diakritisiertes Yoruba von 80 Freiwilligen, freigegeben unter CC-BY-4.0. NaijaVoices (Interspeech 2025) ergänzt 606 Stunden Yoruba-Sprache mit 1.768 Sprechern – der bisher größte offene Datensatz. Das YECS-Korpus liefert 120 Stunden natürlich produzierte Yoruba-Englisch-Code-Switching-Sprache von 140 zweisprachigen Sprechern. Masakhane, die Community-NLP-Organisation, hat das Ziel für 2025, 500 Stunden für fünf unterrepräsentierte afrikanische Sprachen zu sammeln, wobei Yoruba ein Ziel ist.

Sollte ich jetzt Yoruba-Transkriptionstools verwenden oder warten?

Für Gelegenheitsrecherchen oder Inhalte, bei denen ein Rohentwurf plus manuelle Bearbeitung akzeptabel ist, ist die Verwendung von Whisper mit dem Sprachcode „yo“ heute ein gangbarer Ausgangspunkt. Planen Sie eine vollständige Überarbeitung durch eine muttersprachliche Person ein, insbesondere bei Tonmarkierungen und Eigennamen. Für Sende-, Rechts- oder formelle Publikationsabläufe ist die Genauigkeit noch nicht ausreichend. Wenn Ihr Inhalt es zulässt, ist die Hausa-Transkription derzeit produktionsreif mit höherer Genauigkeit und deckt einen erheblichen Teil westafrikanischer Inhaltsabläufe ab.

Quellen

• Ton in Yoruba-ASR: Bewertung der Auswirkungen der Tonerkennung auf Transformer-basierte ASR-Modelle (ACL 2026)
• ÒWE-Voice: Bewertung monolingualer und multilingualer ASR anhand von Yoruba-Sprichwort-Sprache (AfricaNLP 2026)
• Unerhörte Stimmen: NLP-Ressourcen und Modelle für regionale Yorùbá-Dialekte (EMNLP 2024)
• Der NaijaVoices-Datensatz (Interspeech 2025)
• ÌròyìnSpeech: Ein vielseitiger Yorùbá-Sprachkorpus (LREC 2024)
• Feinabstimmung monolingualer ASR für Yoruba-Englisch-Code-Switching (CALCS 2025)
• Automatische Spracherkennung für afrikanische ressourcenarme Sprachen: Eine systematische Übersicht (2025)
• Masakhane-Community
• Yoruba-Sprache, Wikipedia
• OpenAI-Whisper-Tokenizer, GitHub