Intonation

Wenn Menschen sprechen, geht die Stimme rauf und runter. Manche Silben werden lauter, andere gedehnt, dazwischen liegen Pausen. Dieses Auf und Ab nennt man Intonation. Der Satz „Du kommst mit“ kann dadurch eine Feststellung, eine Frage oder ein Befehl sein – die Wörter bleiben gleich, nur die Melodie ändert sich. Intonation trägt also einen Teil der Bedeutung, den man in der geschriebenen Form gar nicht sieht. Genau deshalb ist sie für Computer, die sprechen oder zuhören sollen, ein zentrales Problem.

Warum künstliche Stimmen ohne Melodie unangenehm klingen

Frühe Vorlesecomputer klangen blechern und monoton. Der Grund war selten die Aussprache einzelner Laute, sondern die fehlende Melodie. Ein Satz ohne Betonungsverlauf wirkt auf Zuhörer teilnahmslos, manchmal sogar unfreundlich. Menschen erkennen solche Stimmen sofort als künstlich.

Umgekehrt gilt: Sobald die Intonation stimmt, verzeiht das Ohr erstaunlich viele kleine Fehler. Deshalb messen Entwickler die Qualität von Sprachsystemen nicht nur daran, ob jedes Wort korrekt ist. Sie lassen Testpersonen bewerten, wie natürlich eine Stimme wirkt. Diese Bewertung heißt Mean Opinion Score, kurz MOS, und reicht meist von 1 bis 5. Moderne Systeme kommen dabei nahe an echte menschliche Aufnahmen heran.

Intonation ist außerdem eine Frage der Verständlichkeit. Wo ein Sprecher eine Pause setzt, gliedert er den Satz. „Wir essen, Opa“ und „Wir essen Opa“ unterscheiden sich im Hörbaren nur durch diese Pause. Ein Vorlesesystem, das die Struktur eines Satzes falsch einschätzt, produziert Sätze, die schlicht schwer zu folgen sind.

Woraus sich die Sprachmelodie zusammensetzt

Technisch beschreibt man Intonation über drei messbare Größen. Die erste ist die Grundfrequenz, also wie schnell die Stimmbänder schwingen. Sie bestimmt, ob die Stimme hoch oder tief klingt, und wird in Hertz gemessen. Die zweite Größe ist die Lautstärke, die dritte die Dauer einzelner Laute und Pausen. Fachleute fassen diese drei unter dem Begriff Prosodie zusammen.

Ältere Sprachsynthese arbeitete mit festen Regeln: Am Ende eines Fragesatzes geht die Tonhöhe nach oben, vor einem Komma kommt eine kurze Pause. Solche Regeln funktionieren, klingen aber schematisch, weil echte Sprache viel mehr Varianten kennt. Heutige Systeme lernen die Melodie stattdessen aus großen Mengen aufgezeichneter Sprache. Das Modell sieht Text und die dazugehörige echte Aufnahme und leitet selbst ab, welche Melodie zu welchem Satz passt.

Ein Problem bleibt: Zu einem Satz gibt es nicht die eine richtige Melodie. Derselbe Text lässt sich freundlich, genervt oder gelangweilt sprechen, und alle Varianten sind korrekt. Modelle, die einfach den Durchschnitt aller Trainingsbeispiele lernen, landen deshalb wieder bei einer flachen, faden Melodie. Bessere Systeme bekommen zusätzliche Steuerinformationen mit, etwa eine gewünschte Stimmung oder eine Beispielaufnahme, deren Sprechstil sie nachahmen sollen.

Intonation in Assistenten, Hörbüchern und Betrugsfällen

Am häufigsten begegnet einem das Thema bei Sprachassistenten und Navigationsgeräten. Auch Vorlesefunktionen in Browsern und Handys nutzen Sprachsynthese. Ein wachsender Markt sind automatisch erzeugte Hörbücher und Podcast-Stimmen. Ob so ein Produkt taugt, entscheidet fast immer die Intonation, nicht die Aussprache.

Die Gegenrichtung ist ebenso wichtig. Systeme, die gesprochene Sprache verstehen sollen, werten die Melodie mit aus. Callcenter-Software schätzt so ein, ob ein Anrufer verärgert ist. Auch die Unterscheidung zwischen Frage und Aussage gelingt oft nur über die Tonhöhe am Satzende.

In den Nachrichten taucht Intonation außerdem im Zusammenhang mit Stimmklonen auf. Wenige Sekunden Aufnahme reichen heute, um eine Stimme samt ihrer typischen Sprechmelodie nachzubilden. Betrüger nutzen das für gefälschte Anrufe, etwa im Namen eines Familienmitglieds. Ein verbreiteter Irrtum ist, dass man solche Fälschungen am roboterhaften Klang erkennt. Genau das stimmt seit einigen Jahren nicht mehr.