Een organisatie-woordenboek voor spraakherkenning: eigennamen altijd goed

Een organisatie-woordenboek — in het Engels custom vocabulary — is een lijst met woorden die jouw spraakherkenning van tevoren "kent": de namen van je cliënten, collega's, teams, locaties, medicijnen, methodieken en afkortingen. Je geeft de herkenner die lijst mee, zodat hij een lastig woord niet meer fonetisch hoeft te gokken maar mag kiezen uit termen die in jouw wereld écht voorkomen. Dat lost een hardnekkig probleem op: standaardmodellen zijn getraind op algemene taal en hebben "Sjoerd Wielinga" of "clozapine" nooit gezien, dus schrijven ze er iets plausibels van. Een woordenboek stuurt het model naar de juiste spelling. Leveranciers en onderzoek laten flinke verbeteringen zien in de herkenning van eigennamen [3][4]. Maar "altijd goed" is een richting, geen garantie: een woordenboek maakt namen dramatisch betrouwbaarder, en de menselijke controle vangt op wat overblijft. In dit artikel lees je waarom namen zo foutgevoelig zijn, hoe zo'n woordenboek technisch werkt, wat het oplevert en waar de grenzen liggen.

Waarom spraakherkenning juist over namen struikelt

Een spraakherkenningsmodel voorspelt, woord voor woord, wat er waarschijnlijk gezegd is, op basis van de miljoenen uren spraak waarop het getraind is. Voor gewone taal werkt dat prima: "ik heb morgen een afspraak" is een uitgesleten pad. Maar een eigennaam is per definitie zeldzaam. De achternaam van een cliënt, je zorgmethodiek of een merknaam kwam in de trainingsdata nauwelijks voor, dus het model heeft geen sterk pad om op terug te vallen. Het kiest dan het dichtstbijzijnde klankalternatief dat het wél kent — en dat is bijna nooit de goede spelling.

OpenAI zegt dit met zoveel woorden over Whisper, het meest gebruikte open model: het kan ongebruikelijke eigennamen zoals namen van producten, bedrijven of personen verkeerd transcriberen, en die spelfouten zijn precies waar je bijsturing voor nodig hebt [1]. Er is bovendien een gevaarlijker variant dan een simpele tikfout. Onderzoekers vonden dat ruwweg 1% van de transcripties een volledig verzonnen fragment bevatte dat niet in de audio zat, en dat een deel van die hallucinaties uit verzonnen namen en plaatsen bestond [2]. Juist bij stiltes of onverstaanbare stukjes verzint een model soms vloeiende, geloofwaardige onzin. Een fout in een naam is dus niet zomaar cosmetisch — in een cliëntdossier kan een verwisselde naam de betekenis van een verslag veranderen.

Wat een organisatie-woordenboek precies is

Een organisatie-woordenboek is geen tweede AI en geen apart taalmodel dat je moet trainen. Het is in de kern een lijst: de termen die in jouw organisatie vaak vallen en die een algemeen model waarschijnlijk niet goed schrijft. Denk aan:

• namen van cliënten, bewoners, leerlingen en hun contactpersonen;
• namen van collega's, teams, afdelingen en locaties;
• medicijnen, diagnoses, meetinstrumenten en afkortingen (MDO, ZvW, IB'er);
• methodieken, protocollen en interne projectnamen;
• woorden die het model stelselmatig verkeerd hoort in jouw regio of dialect.

De gedachte komt terug in Nederlandstalige richtlijnen voor spraak-naar-tekst: een ingebouwde woordenboekfunctie helpt bij het toevoegen van eigennamen of dialecten, naast de basisverwachting dat een app minimaal 90% van de gesproken woorden goed transcribeert [6]. Grote leveranciers bieden hetzelfde onder namen als "phrase list" of "custom speech": je geeft een lijst met deelnemersnamen, producten en ongebruikelijk jargon mee om de herkenning ervan te versterken [5]. Het mooie is dat zo'n lijst van jóu is — geen generieke woordenlijst, maar de namen die vandaag in jouw gang klinken.

Hoe het technisch werkt: van glossarium tot contextsturing

Onder de motorkap zijn er grofweg twee manieren om een woordenboek te laten werken, en goede systemen combineren ze.

1. Het model een glossarium meegeven. Je kunt bij Whisper een stukje tekst als "prompt" meesturen dat als woordenlijst dient: de namen en de gewenste spelling. Het model neigt er dan naar die spelling te volgen [1]. Twee kanttekeningen: bij Whisper telt alleen de laatste 224 tokens van zo'n prompt mee, dus je kunt niet je hele adresboek meesturen, en OpenAI noemt de techniek zelf "niet bijzonder betrouwbaar" — ze helpt, maar dwingt niets af [1]. Een glossarium is een duwtje in de goede richting, geen schakelaar.

2. Contextsturing (contextual biasing). Geavanceerdere methoden geven het model tijdens het transcriberen een lijst met "verwachte" termen en verhogen actief de kans dat het die herkent wanneer ze klinken. Onderzoek naar contextsturing bovenop Whisper laat zien hoeveel dat uitmaakt voor namen: op interne testsets steeg de entity recall — het aandeel eigennamen dat correct wordt opgepikt — van 87,3% en 79,9% naar 97,7% en 96,9% [3]. Dat is precies het verschil tussen "de meeste namen goed" en "bijna alle namen goed". Dit soort sturing is aantrekkelijk omdat je het model níet opnieuw hoeft te trainen: je verandert alleen wat je meegeeft bij het transcriberen, en dat kan volledig lokaal op je eigen machine.

Wat het oplevert — en waar de grenzen liggen

De winst zit vooral bij de woorden die er het meest toe doen. Een leveranciersgids voor grootschalige spraakherkenning meldt dat aanvullende afstemming de nauwkeurigheid met 5% tot 15% kan verbeteren, en dat de zekerheid waarmee een sleutelwoord wordt herkend flink stijgt — in hun voorbeeld van 0,79 naar 0,98 [4]. Combineer dat met de sprong in eigennaam-herkenning uit het onderzoek hierboven [3], en het beeld is consistent: een woordenboek raakt zelden je algemene foutscore dramatisch, maar het redt de woorden waar een fout het duurst is.

Er zijn twee eerlijke grenzen. De eerste is dat sturing kan doorschieten: dezelfde gids waarschuwt dat een Whisper-model dat 2,7% woordfouten haalde, na een te zware maatwerkslag opliep tot boven de 20% op ander materiaal [4]. Meer is dus niet altijd beter — een woordenboek moet je context aanscherpen, niet overstemmen. De tweede grens is fundamenteel: een woordenboek verkleint de kans op een verkeerde naam, maar sluit hallucinaties of verwarring tussen gelijkklinkende namen niet uit [1][2]. "Bram" en "Bran" kunnen allebei in je lijst staan; welke van de twee sprak, weet alleen wie erbij was. Daarom is de belofte controleerbaarheid, geen foutloosheid.

Een goed woordenboek opbouwen en onderhouden

Een woordenboek is geen eenmalig invulveld maar een levend bestand. Een paar praktische principes:

• Begin klein en gericht. Voeg de namen toe die dagelijks vallen: je team, je cliënten, je meestgebruikte medicijnen en methodieken. De zeldzame termen die er echt toe doen leveren de meeste winst per regel.
• Geef de gewenste spelling, niet de klank. Een woordenboek stuurt op schrijfwijze. Zet erin hoe een naam eruit moet zien, inclusief hoofdletters en tussenvoegsels.
• Onderhoud het bij verloop. Nieuwe collega's, nieuwe cliënten, een nieuwe methodiek — een woordenboek dat niet meegroeit, veroudert. Plan een vast moment om het bij te werken.
• Voed het met je eigen correcties. Elke keer dat iemand een naam handmatig verbetert in een concept, is dat een signaal dat die term in het woordenboek hoort. Zo wordt het systeem beter van het gewone werk. Die logica werken we verder uit in Data-flywheel: eigen correcties als trainingsmateriaal (dat nooit weggaat).

In de opzet van Verbinn zit dat organisatie-woordenboek standaard in de Kern — de ene Mac in je eigen pand die transcribeert en verslagen maakt — zodat namen en jargon lokaal worden aangescherpt zonder dat er een woord naar buiten gaat. Het woordenboek blijft, ook als de onderliggende modellen worden bijgewerkt; hoe die updates veilig binnen een gesloten netwerk gebeuren, lees je in Updates zonder cloud: hoe software veilig bijblijft in een gesloten netwerk.

Waarom de mens de laatste correctielaag blijft

Een woordenboek verschuift de grens van wat automatisch goed gaat, maar het schuift die grens niet naar de perfectie. Nederlandstalige richtlijnen voor transcriberen in de zorg zijn er helder over: laat de tool het werk doen, maar lees de transcriptie na en corrigeer spelfouten, namen en vaktermen — menselijke controle blijft essentieel, zeker bij cliëntgegevens [7]. Dat is geen zwakte van de techniek, het is de juiste rolverdeling. De AI levert een concept, de mens keurt goed.

Een goed woordenboek maakt die controle vooral sneller. Als de namen al kloppen, hoeft de reviewer alleen nog de inhoud te wegen in plaats van elke eigennaam te herstellen. En omdat elk verslag een concept blijft tot een mens het heeft gereviewd — met elke zin klikbaar terug naar de letterlijke bronregel — is een resterende fout altijd terug te vinden bij de bron. "Eigennamen altijd goed" is zo geen belofte van een foutloze machine, maar het resultaat van een systeem dat de namen kent én een mens die het laatste woord houdt.