AI-Stimmen

Eine AI-Stimme ist eine Sprechstimme, die kein Mensch gesprochen hat. Ein Computerprogramm bekommt einen geschriebenen Text und berechnet daraus eine Tonaufnahme. Das Ergebnis klingt heute oft nicht mehr nach Roboter, sondern nach einer Person mit Atempausen, Betonung und Stimmung. Möglich wurde das durch Programme, die vorher tausende Stunden echter Sprachaufnahmen ausgewertet haben. Aus diesen Beispielen haben sie gelernt, wie Sprache klingt. Manche Systeme können sogar die Stimme einer konkreten Person nachbilden, wenn sie nur wenige Minuten Aufnahmematerial von ihr bekommen.

Warum Stimmen plötzlich beliebig kopierbar sind

Eine Stimme galt lange als etwas Persönliches und schwer Fälschbares. Am Telefon erkennt man Freunde und Familie sofort. Genau diese Sicherheit ist inzwischen brüchig. Wer eine kurze Sprachnachricht oder ein Video von jemandem hat, kann daraus eine passable Kopie erzeugen.

Kriminelle nutzen das für den sogenannten Enkeltrick in moderner Form. Sie rufen an, klingen wie ein Angehöriger und bitten dringend um Geld. Auch Firmen wurden schon geschädigt, weil eine gefälschte Chefstimme eine Überweisung angeordnet hat. Banken, die Kunden an der Stimme erkennen wollten, mussten ihre Verfahren überdenken.

Gleichzeitig steht viel Geld auf dem Spiel. Sprecherinnen und Sprecher leben davon, Werbespots, Hörbücher und Synchronfassungen einzusprechen. Wenn eine Software das in Minuten erledigt, verändert das einen ganzen Berufszweig. Deshalb wird derzeit intensiv darüber gestritten, wem eine Stimme rechtlich gehört und wofür sie ohne Erlaubnis benutzt werden darf.

Vom Buchstaben zur Schallwelle

Die Erzeugung läuft in mehreren Schritten ab. Zuerst zerlegt das Programm den Text in Laute, also in die kleinsten hörbaren Einheiten von Sprache. Dabei muss es entscheiden, wie Abkürzungen und Zahlen gesprochen werden. Aus „12 €“ wird „zwölf Euro“, nicht „eins zwei“.

Danach berechnet das Modell den Klang. Es legt für jeden Laut fest, wie lang er dauert, wie hoch die Tonlage liegt und wie laut gesprochen wird. Das ist der Teil, der über Natürlichkeit entscheidet. Eine Frage muss am Ende ansteigen, ein Satzende abfallen. Zum Schluss wandelt ein weiterer Baustein diese Vorgaben in eine echte Tonspur um, die man abspielen kann.

Beim Nachbilden einer bestimmten Person kommt ein Zusatzschritt hinzu. Das System zieht aus einer kurzen Beispielaufnahme eine Art Steckbrief der Stimme: Klangfarbe, Tonhöhe, Sprechtempo. Diesen Steckbrief hängt es an jeden neuen Text an. Das Modell wird dafür meist gar nicht neu trainiert, es bekommt die Stimme nur als zusätzliche Information mitgeliefert. Deshalb dauert ein Stimmklon heute Minuten statt Wochen.

Wo AI-Stimmen schon sprechen

Am häufigsten begegnen sie einem unbemerkt. Navigationsansagen, Bahnhofsdurchsagen und die Vorlesefunktion des Handys stammen fast immer von einer Software. Sprachassistenten wie Siri oder Alexa antworten ebenfalls mit einer berechneten Stimme. Viele Hörbücher bei großen Anbietern werden inzwischen ohne Sprecher produziert.

In den Nachrichten tauchen AI-Stimmen meist im Zusammenhang mit Deepfakes auf. So nennt man gefälschte Medieninhalte, die echt wirken sollen. Bekannt wurden gefälschte Anrufe von Politikern kurz vor Wahlen und Songs, in denen bekannte Musiker etwas singen, das sie nie aufgenommen haben.

Ein verbreiteter Irrtum ist, dass man Fälschungen am Klang erkennt. Bei guten Systemen gelingt das kaum noch zuverlässig. Sinnvoller ist Misstrauen gegenüber der Situation: Wer am Telefon dringend Geld verlangt, sollte über eine bekannte Nummer zurückgerufen werden. Manche Anbieter setzen zusätzlich unhörbare Wasserzeichen in die Tonspur, damit sich künstliche Aufnahmen später technisch nachweisen lassen.