Sprache erkennen: welche Sprache ist das?

So funktioniert die Spracherkennung

Mit diesem Werkzeug können Sie die Sprache eines Textes erkennen, etwa wenn eine E-Mail, ein Ticket oder ein Absatz in einem Dokument eingeordnet werden soll. Die Spracherkennung für Text unterstützt über 30 Sprachen und zeigt neben der wahrscheinlichsten Sprache den ISO-639-1-Code (zum Beispiel „de“, „fr“, „pl“) und weitere Kandidaten mit ihrem Anteil. Die Frage „welche Sprache ist das?“ beantwortet sie in Sekundenbruchteilen und ohne Internetverbindung.

Die Language Detection läuft in zwei Stufen. Zuerst bestimmt das Werkzeug das Schriftsystem: Kyrillisch, Griechisch, Arabisch, Hebräisch, Devanagari, Thai, Chinesisch, Japanisch (an Hiragana und Katakana erkennbar), Koreanisch (Hangul), Georgisch oder Armenisch. Innerhalb einer Schrift helfen besondere Buchstaben, etwa і und ї für Ukrainisch oder پ und گ für Persisch. Bei lateinischer Schrift zählt es häufige Funktionswörter jeder Sprache, im Deutschen etwa „und“, „der“, „nicht“, im Niederländischen „het“, „een“, „niet“, und gewichtet typische Sonderzeichen wie ß, ñ, ã, ł, ř oder ő. Die Sprache mit den meisten Treffern gewinnt, die Sicherheit hängt vom Abstand zur zweitbesten ab. Mit der Absatzerkennung können Sie die Sprache bestimmen, wenn ein Dokument mehrere Sprachen mischt.

Grenzen: Sehr kurze Texte, Eigennamen, Fachbegriffe und Listen ohne Funktionswörter lassen sich in lateinischer Schrift schlecht zuordnen. Eng verwandte Sprachen wie Dänisch und Norwegisch (Bokmål), Tschechisch und Slowakisch oder Kroatisch, Serbisch und Bosnisch in lateinischer Schrift werden nur anhand weniger Merkmale unterschieden. Für die Kosten eines Textes in verschiedenen Sprachen hilft der Token-Zähler.