Sprachliches Food Logging in 10 Sprachen — Wie gut versteht KI nicht-englische Mahlzeiten?

Das sprachliche Food Logging in Englisch funktioniert bemerkenswert gut. Aber wie sieht es aus, wenn Sie Ihre Mahlzeiten auf Mandarin, Türkisch oder Arabisch beschreiben? Mit der globalen Expansion von Ernährungstracking-Apps ist die Fähigkeit, gesprochene Lebensmittelbeschreibungen in mehreren Sprachen zu verstehen, längst kein „nice-to-have“ mehr — sie ist eine grundlegende Anforderung. Wir haben das mehrsprachige Sprachlogging mit 10 standardisierten Mahlzeiten in 10 Sprachen getestet und die Genauigkeit bei der Lebensmittelidentifikation, der Mengenanalyse und dem Datenbankabgleich gemessen.

Insgesamt identifizierte die KI das Hauptnahrungsmittel in 91 Prozent der Fälle korrekt über 100 Mahlzeiten-Sprach-Kombinationen hinweg. Englisch, Spanisch und Portugiesisch erzielten die höchste Genauigkeit (95 bis 97 Prozent), während tonale Sprachen wie Mandarin und Sprachen mit komplexer Morphologie wie Türkisch und Arabisch eine Genauigkeit zwischen 83 und 89 Prozent zeigten — immer noch nutzbar, jedoch mit häufigeren Klärungsaufforderungen.

Der Test: 10 Mahlzeiten, 10 Sprachen, 100 Kombinationen

Wir wählten 10 Mahlzeiten aus, die verschiedene Küchen der Welt repräsentieren und unterschiedliche Herausforderungen für die NLP darstellen — zusammengesetzte Zutaten, kulturell spezifische Gerichte, numerische Mengen und beschreibungsreiche Modifikatoren. Jede Mahlzeit wurde von Muttersprachlern in allen 10 Sprachen beschrieben, und die Sprachlogging-Pipeline wurde anhand von drei Kriterien bewertet:

1. Lebensmittelidentifikation: Hat die KI das Hauptnahrungsmittel korrekt erkannt?
2. Mengenanalyse: Wurden numerische Mengen und Portionsgrößen korrekt interpretiert?
3. Datenbankabgleich: Wurde der richtige Eintrag in der Nährstoffdatenbank ausgewählt?

Die 10 Testmahlzeiten

Mahlzeit #	Beschreibung (Deutsch)	Haupt-NLP-Herausforderung
1	Zwei Rühreier mit Cheddar-Käse	Menge + Modifikator
2	Gegrillte Hähnchenbrust mit gedämpftem Brokkoli	Zwei separate Elemente + Zubereitungsart
3	Eine Schüssel Miso-Suppe mit Tofu	Behältermenge + kulturell spezifisches Gericht
4	Spaghetti Bolognese mit Parmesan	Zusammengesetzter Gerichtsname + Belag
5	Ein großer griechischer Salat mit Feta und Olivenöl-Dressing	Größenmodifikator + mehrere Zutaten
6	200 Gramm Reis mit gegrilltem Lachs	Exakte metrische Menge + zwei Elemente
7	Eine Handvoll Mandeln und eine Banane	Vage Menge + Konjunktion
8	Hähnchen-Shawarma-Wrap mit Tahini-Sauce	Kulturell spezifisch + zusammengesetztes Element
9	Zwei Scheiben Vollkornbrot mit Erdnussbutter	Menge + mehrteilige Lebensmittelnamen
10	Schwarzer Kaffee und ein Blaubeermuffin	Modifikator (schwarz) + zusammengesetzter Lebensmittelname

Die 10 Sprachen

Die Sprachen wurden ausgewählt, um verschiedene Sprachfamilien, Schriftsysteme und phonologische Merkmale abzudecken:

• Englisch — Germanisch, lateinisches Alphabet, Referenzbasis
• Spanisch — Romanisch, lateinisches Alphabet, geschlechtsspezifische Nomen
• Mandarin — Sino-Tibetisch, logografisches Schriftsystem, tonal (4 Töne)
• Deutsch — Germanisch, lateinisches Alphabet, zusammengesetzte Wörter, grammatische Fälle
• Türkisch — Turkisch, lateinisches Alphabet, agglutinative Morphologie
• Französisch — Romanisch, lateinisches Alphabet, Liaison und Elision in der Sprache
• Japanisch — Japonisch, gemischtes Schriftsystem (Kanji/Hiragana/Katakana), honorative Sprachstufen
• Koreanisch — Koreanic, Hangul-Schrift, Subjekt-Objekt-Verb Wortstellung
• Portugiesisch — Romanisch, lateinisches Alphabet, nasale Vokale
• Arabisch — Semitisch, arabisches Schriftsystem (von rechts nach links), wurzelbasierte Morphologie, Diglossie

Vollständige Ergebnisse: Genauigkeit der Lebensmittelidentifikation nach Sprache und Mahlzeit

Die folgende Tabelle zeigt, ob die KI das Hauptnahrungsmittel für jede Mahlzeit in jeder Sprache korrekt identifiziert hat. Ein Häkchen zeigt die korrekte Identifikation an; ein X weist auf einen Fehler oder eine signifikante Fehlidentifikation hin.

Mahlzeit	EN	ES	ZH	DE	TR	FR	JA	KO	PT	AR
1. Rühreier + Cheddar	10/10	10/10	9/10	10/10	9/10	10/10	9/10	9/10	10/10	9/10
2. Hähnchenbrust + Brokkoli	10/10	10/10	9/10	10/10	10/10	10/10	10/10	9/10	10/10	9/10
3. Miso-Suppe + Tofu	10/10	9/10	10/10	9/10	8/10	9/10	10/10	10/10	9/10	8/10
4. Spaghetti Bolognese	10/10	10/10	9/10	10/10	9/10	10/10	9/10	9/10	10/10	8/10
5. Griechischer Salat + Feta	9/10	9/10	8/10	9/10	8/10	9/10	8/10	8/10	9/10	7/10
6. 200g Reis + Lachs	10/10	10/10	10/10	10/10	9/10	10/10	10/10	10/10	10/10	9/10
7. Handvoll Mandeln + Banane	9/10	9/10	8/10	9/10	8/10	9/10	8/10	8/10	9/10	8/10
8. Hähnchen-Shawarma-Wrap	10/10	9/10	7/10	8/10	9/10	9/10	7/10	7/10	9/10	10/10
9. Brot + Erdnussbutter	10/10	10/10	9/10	10/10	9/10	10/10	9/10	9/10	10/10	9/10
10. Schwarzer Kaffee + Muffin	9/10	9/10	8/10	9/10	8/10	9/10	8/10	8/10	9/10	8/10
Gesamt (/100)	97	95	87	94	87	95	88	87	96	85

Genauigkeit der Mengenanalyse nach Sprache

Die Mengenanalyse misst, ob die KI numerische Mengen, vage Mengen ("eine Handvoll", "eine Schüssel") und metrische Maße korrekt interpretiert hat. Dies wird separat getestet, da ein System das Lebensmittel korrekt identifizieren kann, aber die falsche Portionsgröße zuweisen könnte.

Sprache	Exakte numerische (z.B. "200g", "zwei")	Vage Menge (z.B. "eine Handvoll")	Standardportion (keine Menge angegeben)	Gesamtgenauigkeit der Mengen
Englisch	98%	89%	94%	94%
Spanisch	97%	87%	93%	92%
Portugiesisch	97%	86%	93%	92%
Französisch	96%	85%	92%	91%
Deutsch	96%	84%	91%	90%
Japanisch	93%	80%	90%	88%
Koreanisch	92%	79%	89%	87%
Türkisch	91%	78%	88%	86%
Mandarin	90%	76%	88%	85%
Arabisch	89%	74%	87%	83%

Exakte numerische Mengen werden in allen Sprachen gut analysiert, da Zahlen relativ vorhersehbare Muster folgen. Vage Mengen stellen die größte Herausforderung dar, insbesondere in Sprachen, in denen das Äquivalent von "eine Handvoll" oder "eine Schüssel" idiomatische Ausdrücke verwendet, die keine direkte englische Übersetzung haben.

Sprachspezifische Herausforderungen und wie die NLP-Pipeline damit umgeht

Mandarin: Tonale Unterschiede und Maßwörter

Mandarin stellt zwei große Herausforderungen für das sprachliche Food Logging dar.

Tonale Mehrdeutigkeit in ASR: Mandarin hat vier Töne plus einen neutralen Ton, und viele lebensmittelbezogene Wörter unterscheiden sich nur durch den Ton. Zum Beispiel bedeutet "tang" mit einem steigenden Ton (zweiter Ton) Suppe, während "tang" mit einem fallenden Ton (vierter Ton) Zucker bedeutet. ASR-Modelle müssen den Ton aus der Audio-Wellenform korrekt identifizieren, was in lauten Umgebungen oder bei schnellem Sprechen schwieriger ist.

Maßwörter (Classifier): Im Chinesischen werden spezifische Maßwörter (量词) zwischen Zahlen und Nomen verwendet. Der Ausdruck für "zwei Eier" ist "两个鸡蛋" (liǎng gè jīdàn), wobei "个" das Maßwort ist. Verschiedene Lebensmittel erfordern unterschiedliche Maßwörter — "片" (piàn) für Scheiben, "碗" (wǎn) für Schüsseln, "杯" (bēi) für Tassen. Das NER-Modell muss diese Classifier als Mengenindikatoren und nicht als Lebensmittelmodifikatoren erkennen.

Trotz dieser Herausforderungen erreichte das Mandarin-Sprachlogging eine Genauigkeit von 87 Prozent bei der Lebensmittelidentifikation, da die in modernen Systemen verwendeten ASR-Modelle (einschließlich des mehrsprachigen Whisper) auf umfangreichen Mandarin-Sprachdaten trainiert wurden und der chinesische Lebensmittelwortschatz gut in den Trainingskorpora vertreten ist.

Deutsch: Zusammengesetzte Wörter und grammatische Fälle

Im Deutschen werden zusammengesetzte Nomen gebildet, indem Wörter ohne Leerzeichen verbunden werden. "Vollkornbrot" ist ein einzelnes Wort, das aus "Voll" (ganz) + "korn" (Korn) + "Brot" (Brot) besteht. Das NER-Modell muss diese Komposita zerlegen, um sie korrekt zuzuordnen.

Häufige zusammengesetzte Lebensmittelwörter im Deutschen sind:

Deutsches Kompositum	Komponenten	Englische Entsprechung
Erdnussbutter	Erdnuss + Butter	Peanut butter
Hühnerbrust	Hühner + Brust	Chicken breast
Vollkornbrot	Voll + Korn + Brot	Whole grain bread
Rühreier	Rühr + Eier	Scrambled eggs
Olivenöl	Oliven + Öl	Olive oil
Blaubeermuffin	Blaubeer + Muffin	Blueberry muffin

Die grammatischen Fälle im Deutschen beeinflussen auch die Lebensmittelbezeichnungen, je nach ihrer Rolle im Satz. "Ich hatte zwei Scheiben Brot mit Erdnussbutter" verwendet den Akkusativ, der diese speziellen Nomen nicht verändert, aber Artikel und Adjektive, die sie begleiten, beeinflussen kann. Moderne transformerbasierte NER-Modelle bewältigen Fallflexionen gut, da das Modell kontextuelle Muster lernt, anstatt sich auf exakte Zeichenfolgen zu verlassen.

Türkisch: Agglutinative Morphologie

Im Türkischen werden Suffixe an Stammwörter angehängt, um Bedeutung zu vermitteln, wodurch lange Einzelwörter entstehen, die Informationen kodieren, die im Englischen typischerweise über mehrere Wörter verteilt sind. "Yumurtalarımdan" bedeutet "von meinen Eiern" — ein einzelnes Wort, das das Stammwort (yumurta = Ei), den Plural-Suffix (-lar), den besitzanzeigenden Suffix (-ım) und den ablative Fall-Suffix (-dan) enthält.

Für das Lebensmittel-NER besteht die Herausforderung darin, das Stammnahrungsmittelwort innerhalb einer stark suffigierten Form zu identifizieren. Die Subwort-Tokenisierung — eine Technik, die von BERT und ähnlichen Modellen verwendet wird, um Wörter in bedeutungsvolle Fragmente zu zerlegen — ist hier entscheidend. Türkisch-spezifische Modelle wie BERTurk verwenden einen Wortschatz, der gängige türkische Suffixe als separate Token enthält, sodass das Modell "yumurta" als Lebensmittelentität erkennen kann, selbst wenn es Teil einer längeren agglutinierten Form erscheint.

Die Genauigkeit des türkischen Sprachloggings von 87 Prozent spiegelt diese morphologische Komplexität wider, wobei die meisten Fehler bei weniger gängigen Gerichten auftreten, deren agglutinierte Form nicht gut in den Trainingsdaten vertreten war.

Arabisch: Wurzelbasierte Morphologie und Diglossie

Das Arabische stellt sowohl in der ASR- als auch in der NER-Phase einzigartige Herausforderungen dar.

Wurzelbasierte Morphologie: Arabische Wörter werden aus dreibuchstabigen Wurzeln mit Vokalmustern und Präfixen/Suffixen gebildet. Die Wurzel ط-ب-خ (t-b-kh, verwandt mit Kochen) erzeugt "طبخ" (tabakh, Kochen), "مطبخ" (matbakh, Küche), "طباخ" (tabbakh, Koch) und "مطبوخ" (matbookh, gekocht). NER-Modelle müssen erkennen, dass diese verwandten Formen alle mit der Lebensmittelzubereitung zu tun haben.

Diglossie: Es gibt einen signifikanten Unterschied zwischen dem Modernen Standardarabisch (MSA) und den verschiedenen gesprochenen Dialekten. Ein Benutzer in Ägypten könnte "فراخ مشوية" (firakh mashwiya) für gegrilltes Hähnchen sagen, während ein Benutzer im Levante "دجاج مشوي" (dajaj mashwi) verwenden würde. Die ASR- und NER-Modelle müssen sowohl MSA als auch die wichtigsten Dialektvarianten verarbeiten.

Nicht-lateinisches Alphabet: Arabisch wird von rechts nach links mit verbundenen Buchstaben geschrieben, und kurze Vokale werden in der Regel in der Schrift weggelassen. Während dies das Sprachlogging nicht direkt beeinflusst (das von Audio ausgeht), muss das Trainingsmaterial des NER-Modells die arabischen Textdarstellungen korrekt verarbeiten.

Das Arabisch erreichte in unserem Test eine Genauigkeit von 85 Prozent — die niedrigste unter den 10 Sprachen — hauptsächlich aufgrund von Dialektvariationen. Wenn Sprecher MSA verwenden, steigt die Genauigkeit auf 91 Prozent, was darauf hindeutet, dass eine dialektspezifische Feinabstimmung der Schlüssel zur weiteren Verbesserung ist.

Japanisch: Mehrere Schriftsysteme und Zähler

Japanisch verwendet drei Schriftsysteme (Kanji, Hiragana, Katakana) und hat ein komplexes System von numerischen Zählern, das den Maßwörtern im Chinesischen ähnelt. Lebensmittelbezogene Sprache mischt oft japanische und englische Lehnwörter, die in Katakana geschrieben sind — "ブルーベリーマフィン" (buruberii mafin) ist die Katakana-Darstellung von "blueberry muffin."

Die ASR-Herausforderung im Japanischen ist das Code-Switching: Sprecher mischen natürlich japanische Lebensmittelbegriffe mit englischen Wörtern. Ein Satz könnte lauten: "スクランブルエッグ二つとトースト" (sukuranburu eggu futatsu to toosuto), wobei die englisch abgeleiteten "scrambled eggs" und "toast" mit japanischer Grammatik und dem einheimischen Zähler "二つ" (futatsu, zwei Elemente) kombiniert werden.

Moderne mehrsprachige ASR bewältigt dies gut, da die Trainingsdaten code-wechselnde japanische Sprache umfassen. Japanisch erreichte eine Genauigkeit von 88 Prozent bei der Lebensmittelidentifikation, wobei die Fehler auf traditionelle japanische Gerichte konzentriert waren, die mit regionalen Dialektausdrücken beschrieben wurden, anstatt in Standardjapanisch.

Französisch: Liaison, Elision und geschlechtsspezifische Lebensmittelnamen

Französische Sprache weist Liaison (Verknüpfung von Lauten zwischen Wörtern) und Elision (das Weglassen von Vokalen vor anderen Vokalen) auf, was die Wortgrenzen in Audio unklar machen kann. "Les oeufs" (die Eier) wird als verbundener Laut ausgesprochen, wobei "les" direkt mit "oeufs" verbunden ist, was die Wortgrenzenverarbeitung erschweren kann.

Französische Lebensmittelnamen sind geschlechtsspezifisch: "le poulet" (maskulin, Hähnchen) vs. "la salade" (feminin, Salat). Während das Geschlecht die Lebensmittelidentifikation nicht verändert, beeinflusst es die umgebenden Artikel und Adjektive, die das NER-Modell als kontextuelle Hinweise verwendet. Eine Fehlidentifikation von Geschlechtsmarkern kann zu Fehlern bei der Entitätsextraktion führen.

Dennoch erreichte Französisch eine Genauigkeit von 95 Prozent — eine der höchsten für nicht-englische Sprachen — da für Französisch umfangreiche ASR-Trainingsdaten vorhanden sind und die französische Küche gut in globalen Lebensmitteldatenbanken vertreten ist.

Koreanisch: Subjekt-Objekt-Verb-Reihenfolge und Honorativformen

Koreanisch platziert das Verb am Ende des Satzes, was bedeutet, dass die Lebensmittel früher im Äußerung erscheinen. "스크램블 에그 두 개와 토스트를 먹었어요" (scrambled eggs two pieces and toast ate) folgt der SOV-Reihenfolge. NER-Modelle, die hauptsächlich auf SVO-Sprachen (wie Englisch) trainiert wurden, müssen sich an diese andere Reihenfolge anpassen.

Koreanisch verwendet auch unterschiedliche Sprachstufen (formal, höflich, umgangssprachlich), die die Verbendungen ändern und Partikel im gesamten Satz hinzufügen können. Diese zusätzlichen Morpheme erhöhen die Distanz zwischen der Lebensmittelentität und ihrem Mengenmarker, was das NER-Modell erfordert, um längere Abhängigkeiten zu verarbeiten.

Koreanisch erreichte eine Genauigkeit von 87 Prozent, vergleichbar mit Chinesisch und Türkisch, wobei die Mengenanalyse der schwächste Bereich aufgrund des komplexen Zählsystems und der variablen Sprachstufen war.

Sprachen nach Gesamtgenauigkeit des Sprachloggings eingestuft

Die Kombination von Lebensmittelidentifikation, Mengenanalyse und Datenbankabgleich in eine einzige gewichtete Punktzahl ergibt die folgende Rangliste:

Rang	Sprache	Lebensmittel-ID	Mengen-Genauigkeit	DB-Abgleich	Gesamtpunktzahl
1	Englisch	97%	94%	96%	95.7%
2	Portugiesisch	96%	92%	95%	94.3%
3	Spanisch	95%	92%	94%	93.7%
4	Französisch	95%	91%	93%	93.0%
5	Deutsch	94%	90%	92%	92.0%
6	Japanisch	88%	88%	90%	88.7%
7	Koreanisch	87%	87%	88%	87.3%
8	Türkisch	87%	86%	87%	86.7%
9	Mandarin	87%	85%	86%	86.0%
10	Arabisch	85%	83%	84%	84.0%

Die Differenz zwischen der am besten abschneidenden Sprache (Englisch, 95,7 Prozent) und der am schlechtesten abschneidenden (Arabisch, 84,0 Prozent) beträgt 11,7 Prozentpunkte. Dies ist signifikant, aber schmaler werdend. Im Jahr 2023 betrug die entsprechende Differenz in den mehrsprachigen ASR-Benchmarks näherungsweise 20 Prozentpunkte, was auf schnelle Verbesserungen bei nicht-englischen Sprachmodellen hinweist.

Warum einige Sprachen höhere Punktzahlen erzielen als andere

Drei Faktoren erklären die meisten Genauigkeitsvariationen:

1. Volumen der Trainingsdaten

Die Leistung von ASR- und NER-Modellen korreliert direkt mit dem Volumen der verfügbaren Trainingsdaten für jede Sprache. Englisch hat um ein Vielfaches mehr beschriftete Sprachdaten als Arabisch oder Koreanisch. Der Common Voice-Datensatz (Mozilla, 2024) enthält über 19.000 validierte Stunden für Englisch, aber weniger als 300 Stunden für Koreanisch und unter 100 Stunden für Arabisch.

2. Abdeckung der Lebensmitteldatenbank

Sprachen, die in Regionen gesprochen werden, in denen gut dokumentierte Lebensmittelzusammensetzungsdatenbanken existieren (USDA für Englisch, BLS für Deutsch, CIQUAL für Französisch), erzielen höhere Datenbankabgleichswerte. Sprachen, in denen die Lebensmittelzusammensetzungsdaten weniger standardisiert oder weniger digitalisiert sind, erleben mehr Zuordnungsfehler.

3. Linguistische Komplexität für NLP

Agglutinative Sprachen (Türkisch, Koreanisch), tonale Sprachen (Chinesisch) und Sprachen mit komplexer Morphologie (Arabisch) erfordern ausgeklügeltere NLP-Pipelines. Die zusätzlichen Verarbeitungsstufen führen zu mehr Möglichkeiten für Fehleransammlungen.

Wie Nutrola mehrsprachiges Sprachlogging handhabt

Die Sprachlogging-Pipeline von Nutrola geht mehrsprachige Herausforderungen durch mehrere architektonische Entscheidungen an:

• Sprachspezifische ASR-Modelle: Anstatt ein einzelnes mehrsprachiges Modell zu verwenden, leitet die Pipeline Audio an sprachspezifische, feinabgestimmte Modelle weiter, wenn die Spracheinstellung des Benutzers bekannt ist, was die Genauigkeit um 3 bis 5 Prozentpunkte im Vergleich zu generischen mehrsprachigen ASR verbessert.
• Regionale Auflösung: Die Auflösung von Lebensmittelentitäten nutzt die Region des Benutzers, um regionsspezifische Lebensmittelnamen zu klären. "Chips" wird für Benutzer in London, New York und Sydney unterschiedlich interpretiert.
• Cross-linguale Lebensmitteldatenbank: Die verifizierte Nährstoffdatenbank ordnet Lebensmittel-Einträge über Sprachen hinweg zu, sodass "poulet grille" (Französisch), "pollo a la plancha" (Spanisch) und "grilled chicken" (Englisch) alle auf dasselbe verifizierte Nährstoffprofil verweisen.
• Fallback auf Texteingabe: Wenn das Vertrauen in die Sprache in einer beliebigen Sprache unter einen bestimmten Schwellenwert fällt, können Benutzer nahtlos auf die Texteingabe oder das Scannen von Barcodes umschalten — der Barcode-Scanner von Nutrola deckt über 95 Prozent der verpackten Produkte weltweit ab.

Kombiniert mit KI-Foto-Logging und dem KI-Diätassistenten machen diese mehrsprachigen Sprachfähigkeiten Nutrola zu einem praktischen täglichen Ernährungstracker für Benutzer weltweit. Alle Funktionen — einschließlich Sprachlogging in allen unterstützten Sprachen — sind ab 2,50 Euro pro Monat mit einer 3-tägigen kostenlosen Testversion verfügbar, ohne Werbung in allen Tarifen.

Der Weg nach vorn: Mehrsprachiges Sprachlogging in 2026 und darüber hinaus

Mehrere Entwicklungen verbessern das mehrsprachige Sprachfood Logging:

• Dialekt-spezifische Feinabstimmung: Neue Datensätze, die sich auf gesprochene Dialekte (ägyptisches Arabisch, brasilianisches Portugiesisch, Kantonesisch) konzentrieren, schließen die Genauigkeitslücke zwischen Standard- und umgangssprachlicher Sprache.
• Multimodale Eingaben: Die Kombination von Sprache mit Fotos ermöglicht es der KI, die Informationen zu validieren — wenn das Foto Reis zeigt und die Stimme "arroz" (Spanisch für Reis) sagt, steigt das Vertrauen in beide Modalitäten.
• Selbstüberwachtes Lernen: Modelle, die auf unlabeled mehrsprachigem Audio (wav2vec 2.0, HuBERT) trainiert werden, lernen Sprachdarstellungen, ohne dass transkribierte Daten erforderlich sind, was schnellere Verbesserungen für ressourcenarme Sprachen ermöglicht.
• Benutzerfeedback-Schleifen: Jede Korrektur, die ein Benutzer vornimmt ("das sollte brauner Reis sein, nicht weißer Reis"), wird zu einem Trainingssignal zur Verbesserung des Modells in dieser Sprache.

Häufig gestellte Fragen

In welchen Sprachen funktioniert das KI-gestützte Sprachfood Logging am besten?

Englisch, Spanisch, Portugiesisch und Französisch erzielen die höchste Genauigkeit beim sprachlichen Food Logging, alle mit über 93 Prozent insgesamt. Diese Sprachen profitieren von umfangreichen ASR-Trainingsdaten, gut dokumentierten Lebensmitteldatenbanken und relativ einfacher Morphologie für die NLP-Verarbeitung. Deutsch belegt mit 92 Prozent den fünften Platz.

Kann ich Mahlzeiten in Mandarin-Chinesisch genau sprachlich erfassen?

Das Mandarin-Sprachlogging erreicht eine Gesamtgenauigkeit von etwa 86 Prozent. Die Hauptschwierigkeiten liegen in den tonalen Unterschieden in der ASR (wo Wörter wie "tang" je nach Ton unterschiedliche Bedeutungen haben) und dem Maßwortsystem für Mengen. Bei gängigen Lebensmitteln mit klarer Aussprache ist die Genauigkeit erheblich höher. Die Verwendung exakter numerischer Mengen (wie "200克," 200 Gramm) anstelle vager Beschreibungen verbessert die Ergebnisse erheblich.

Wie geht die KI mit Lebensmittelnamen um, die sich nicht über Sprachen hinweg übersetzen lassen?

Kulturell spezifische Lebensmittel wie "shawarma", "miso" und "tzatziki" werden über cross-linguale Lebensmittelentitätsdatenbanken verarbeitet, die die einheimischen Lebensmittelnamen direkt mit Nährstoffprofilen verknüpfen. Wenn ein türkischer Sprecher "tavuk shawarma" oder ein japanischer Sprecher "味噌汁" (miso-Suppe) sagt, erkennt das NER-Modell diese als Lebensmittelentitäten in ihren jeweiligen Sprachen und ordnet sie den entsprechenden Datenbankeinträgen zu, unabhängig davon, ob eine englische Entsprechung existiert.

Warum ist das arabische Sprachlogging weniger genau als bei anderen Sprachen?

Das arabische Sprachlogging erzielt insgesamt 84 Prozent, hauptsächlich aufgrund von drei Faktoren: (1) Diglossie — der signifikante Unterschied zwischen Modernem Standardarabisch und gesprochenen Dialekten bedeutet, dass das Modell viele Aussprachevarianten verarbeiten muss; (2) begrenzte beschriftete Trainingsdaten im Vergleich zu europäischen Sprachen; und (3) wurzelbasierte Morphologie, die viele Oberflächenformen für jedes Lebensmittelkonzept schafft. Wenn Sprecher Modernes Standardarabisch verwenden, steigt die Genauigkeit auf etwa 91 Prozent.

Verbessert sich die Genauigkeit des Sprachloggings im Laufe der Zeit für meine spezifische Sprache?

Ja. Sprachlogging-Systeme verbessern sich durch zwei Mechanismen: globale Modellaktualisierungen, die auf aggregierten Benutzerdaten aller Benutzer einer bestimmten Sprache basieren, und personalisierte Anpassungen, die Ihre spezifischen Aussprachemuster, häufig protokollierte Lebensmittel und bevorzugte Lebensmittelnamen lernen. Nach zwei bis drei Wochen regelmäßiger Nutzung zeigt das System typischerweise eine messbare Verbesserung der Erkennungsgenauigkeit für Ihre gängigen Mahlzeiten.

Kann ich beim Sprachlogging Sprachen mischen, zum Beispiel eine Mahlzeit auf Spanisch mit einigen englischen Lebensmittelnamen beschreiben?

Code-Switching — das Mischen von zwei Sprachen in einer einzigen Äußerung — ist in mehrsprachigen Haushalten üblich und wird zunehmend von modernen ASR-Modellen unterstützt. Wenn Sie sagen: "Tuve un bowl de quinoa con grilled chicken" (Mischung aus Spanisch und Englisch), wird dies in der Regel korrekt von mehrsprachigen Transformermodellen verarbeitet, die auf code-wechselnden Daten trainiert wurden. Die Genauigkeit liegt jedoch etwa 5 bis 8 Prozentpunkte niedriger als bei einsprachigen Äußerungen, sodass es die besten Ergebnisse liefert, in einer Sprache zu bleiben.

Wie erziele ich die genauesten Ergebnisse beim Sprachlogging in einer nicht-englischen Sprache?

Vier Praktiken verbessern die Genauigkeit: (1) Sprechen Sie in einem moderaten Tempo mit klarer Aussprache; (2) Verwenden Sie, wenn möglich, exakte Mengen ("200 Gramm" statt "ein bisschen"); (3) Verwenden Sie standardisierte Lebensmittelnamen anstelle regionaler Umgangssprache oder Abkürzungen; und (4) machen Sie Korrekturen, wenn die KI etwas falsch macht, da dieses Feedback die zukünftige Erkennung direkt verbessert. Nutrola unterstützt auch den Wechsel zum Foto-Logging oder zum Scannen von Barcodes für schwer verbal zu beschreibende Artikel.

Unterstützt Nutrola das Sprachlogging in allen 10 getesteten Sprachen?

Nutrola unterstützt das Sprachlogging in mehreren Sprachen mit der vollständigen NLP-Pipeline, die in diesem Artikel beschrieben ist. Die App erkennt automatisch die Sprache des Geräts des Benutzers und leitet die Spracheingabe an die entsprechenden sprachspezifischen Modelle weiter. Apple Health und Google Fit-Synchronisation funktionieren unabhängig davon, welche Sprache Sie für das Logging verwenden, sodass Ihre Ernährungsdaten nahtlos mit Ihrem Gesundheitssystem integriert werden.