Full-Duplex-Architektur

Wenn zwei Menschen miteinander reden, warten sie nicht brav aufeinander. Man sagt „mhm“ oder „genau“, während der andere noch spricht. Man fällt ins Wort, wenn man das Ende der Frage schon erraten hat. Ältere Sprachassistenten können das nicht: Sie hören zu, dann rechnen sie, dann antworten sie, und erst danach hören sie wieder zu. Diese strikte Abwechslung nennt man Halbduplex, so wie bei einem Funkgerät, bei dem immer nur einer die Sprechtaste drücken darf. Eine Full-Duplex-Architektur bricht mit diesem Muster: Das System nimmt durchgehend Ton auf und kann im selben Moment selbst sprechen.

Warum Gespräche mit Assistenten bisher hölzern klingen

Der Unterschied klingt nach einer Feinheit, entscheidet aber darüber, ob sich ein Gespräch echt anfühlt. In menschlichen Dialogen liegen zwischen zwei Sprecherwechseln oft nur rund 200 Millisekunden. Klassische Sprachassistenten brauchen für denselben Wechsel schnell eine ganze Sekunde oder mehr. Diese Lücke nehmen wir sofort als unnatürlich wahr, auch wenn wir nicht benennen können, woran es liegt.

Dazu kommt ein zweites Problem. Wer einen Assistenten unterbrechen will, weil die Antwort in die falsche Richtung läuft, muss bei Halbduplex-Systemen warten, bis sie zu Ende geredet haben. Das ist nicht nur lästig, sondern kostet Zeit. In einem echten Gespräch korrigiert man den anderen nach zwei Sekunden, nicht nach dreißig.

Deshalb ist Full-Duplex zu einem der wichtigsten Verkaufsargumente bei Sprach-KI geworden. Firmen, die Telefon-Hotlines automatisieren wollen, achten genau darauf. Ein Kunde, der ständig ins Leere redet, legt auf. Ein Kunde, den das System unterbrechen lässt, bleibt in der Leitung.

Zwei Kanäle statt abwechselnder Sprechtaste

Technisch bedeutet Full-Duplex, dass zwei Datenströme parallel laufen. Der eine Strom ist das Mikrofon, das ununterbrochen aufnimmt. Der andere ist die Ausgabe, also die Stimme, die das Modell gerade erzeugt. Das Modell verarbeitet beide gleichzeitig und entscheidet fortlaufend, was es tun soll: weiterreden, verstummen, kurz zustimmen oder eine neue Antwort beginnen.

Diese Entscheidung fällt nicht einmal pro Satz, sondern viele Male pro Sekunde. Man kann sich das wie ein Raster vorstellen, in dem jeder kurze Zeitabschnitt eine eigene Ja-oder-Nein-Frage bekommt: Bin ich jetzt dran? Moderne Systeme lernen dieses Timing aus echten Gesprächsaufnahmen mit Überlappungen, statt es aus festen Regeln abzuleiten.

Eine besondere Schwierigkeit ist, dass das Mikrofon auch die eigene Stimme des Systems hört. Ohne Gegenmaßnahme würde sich das Modell selbst für den Gesprächspartner halten. Dagegen hilft Echounterdrückung, also das rechnerische Herausfiltern des eigenen Ausgabesignals aus der Aufnahme. Ein häufiger Irrtum ist übrigens, Full-Duplex mit bloßer Geschwindigkeit gleichzusetzen. Ein sehr schnelles System, das trotzdem streng abwechselt, bleibt Halbduplex.

Sprachmodi in Chatbots und automatisierte Hotlines

Am häufigsten trifft man auf Full-Duplex in den Sprachmodi großer Chatbots. Wenn du eine gesprochene Antwort mitten im Satz stoppen kannst, indem du einfach weiterredest, steckt so eine Architektur dahinter. Auch Übersetzungsanwendungen nutzen sie, damit die Übersetzung schon läuft, während der Sprecher noch spricht.

In Wirtschaftsnachrichten taucht der Begriff meist im Zusammenhang mit Callcentern auf. Dort ersetzen Sprachsysteme zunehmend die alten Menüs, bei denen man Ziffern drückt. Anbieter werben mit Verzögerungszeiten im Bereich weniger hundert Millisekunden, weil das die Schwelle zur Natürlichkeit markiert. Wer hier deutlich langsamer ist, verliert Aufträge.

Der Preis dafür ist Rechenaufwand. Ein System, das dauerhaft zuhört und gleichzeitig antwortet, arbeitet auch dann, wenn niemand spricht. Das ist teurer als ein Modell, das nur nach einem Weckwort aktiv wird. Bei Geräten mit Akku ist das ein echtes Argument, weshalb viele Assistenten auf dem Smartphone weiterhin abwechselnd arbeiten.