Speech-Native
Speech-Native bezeichnet KI-Systeme, die gesprochene Sprache direkt verarbeiten und direkt wieder als Sprache ausgeben, ohne den Umweg über geschriebenen Text. Dadurch reagieren sie schneller und hören auch Tonfall, Lautstärke und Pausen mit.
Wenn du mit einem Sprachassistenten redest, passiert bei älteren Systemen unsichtbar ein Umweg. Deine Stimme wird zuerst in geschriebenen Text umgewandelt. Dieser Text geht an das eigentliche Programm, das eine Antwort formuliert. Die Antwort wird danach von einer künstlichen Stimme vorgelesen. Ein Speech-Native-System überspringt diesen Umweg: Es nimmt die Tonaufnahme direkt entgegen und erzeugt direkt wieder Ton. Das Wort bedeutet sinngemäß „von Grund auf für Sprache gebaut“.
Was beim Umweg über Text verloren geht
Geschriebener Text ist eine sehr arme Form von Sprache. In der Zeile „Das ist ja toll“ steht nicht, ob jemand begeistert oder genervt ist. Auch ein Zögern, ein Seufzen oder ein Lachen verschwindet spurlos. Genauso wenig erkennt man, ob ein Kind oder ein Erwachsener spricht, ob jemand flüstert oder ruft. Alle diese Informationen stecken in der Tonaufnahme, aber nicht in der Textzeile.
Ein Speech-Native-System behält diese Informationen und kann darauf reagieren. Es kann selbst leiser werden, lachen, betonen oder eine Pause setzen. Für Anwendungen wie Sprachlern-Apps ist das entscheidend, denn dort geht es um Aussprache und Betonung. Auch bei Notrufannahme oder Telefon-Hotlines ist es wichtig, ob jemand ruhig oder panisch klingt.
Der zweite große Vorteil ist Geschwindigkeit. Jeder der drei Schritte im alten Aufbau kostet Zeit, und die Wartezeiten addieren sich. Typisch waren früher ein bis zwei Sekunden, bis eine Antwort begann. Gute Speech-Native-Systeme liegen bei etwa einer Drittelsekunde. Das ist ungefähr das Tempo, in dem sich Menschen im Gespräch abwechseln. Erst dadurch fühlt sich ein Gespräch nicht mehr wie ein Funkspruch an.
Vom Schallsignal zum Antwortton
Ein KI-Modell rechnet nicht mit Klängen, sondern mit Zahlen. Deshalb wird die Tonaufnahme zuerst in viele kleine Häppchen zerlegt, oft mehrere Dutzend pro Sekunde. Jedes Häppchen bekommt eine Kennnummer aus einem festen Vorrat, ähnlich wie Buchstaben aus einem Alphabet. Man nennt diese Bausteine Audio-Token. Aus einer Sekunde Sprache werden so vielleicht fünfzig solcher Bausteine.
Das Modell arbeitet dann genau wie ein Chatbot mit Text: Es sagt immer den nächsten Baustein voraus. Nur sind die Bausteine hier keine Wortteile, sondern Klangschnipsel. Am Ende wandelt ein weiteres Bauteil diese Schnipsel wieder in hörbaren Schall um. Weil dieselbe Kette vom Zuhören bis zum Antworten reicht, bleibt der Tonfall über den ganzen Weg erhalten.
Trainiert werden solche Modelle mit sehr vielen Stunden echter Gespräche. Ein häufiger Irrtum ist, ein Speech-Native-System sei einfach ein Chatbot mit besserer Vorlesestimme. Der Unterschied liegt tiefer: Der Klang ist nicht nur Verpackung der Antwort, sondern Teil dessen, was das Modell versteht und erzeugt. Ein Nachteil bleibt allerdings. Weil kein sauberer Text mehr entsteht, ist schwerer nachzuvollziehen, was das System wirklich verstanden hat. Viele Anbieter erzeugen deshalb zusätzlich ein Textprotokoll nebenher.
Sprachmodus im Handy, Hotline am Telefon
Am bekanntesten sind die Sprachmodi großer Chatbots, etwa bei ChatGPT oder Gemini. Dort kann man das System mitten im Satz unterbrechen, und es hört sofort auf zu reden. Genau das war mit dem alten Dreischritt kaum möglich. Auch Übersetzungs-Apps nutzen die Technik, um Betonung und Stimmfärbung über Sprachgrenzen hinweg zu erhalten.
In der Wirtschaft ist der größte Markt der Telefonkontakt mit Kunden. Firmen ersetzen damit Menüs, in denen man Ziffern drücken muss. In Autos steuern solche Systeme Navigation und Musik, ohne dass der Fahrer hinsehen muss. In Nachrichten und Quartalsberichten taucht der Begriff meist auf, wenn ein Anbieter ein neues Modell für Echtzeitgespräche vorstellt.
Gleichzeitig sorgt die Technik für Debatten. Weil Stimmen sehr überzeugend nachgebildet werden können, wächst die Gefahr von Betrugsanrufen mit geklonten Stimmen. Auch Datenschutz spielt eine Rolle, denn eine Stimme ist ein biometrisches Merkmal wie ein Fingerabdruck. Viele Anbieter markieren deshalb erzeugte Stimmen technisch oder beschränken das Nachbauen fremder Stimmen.