Sprach-zu-Sprach-Modell

Ein Sprach-zu-Sprach-Modell ist ein Computerprogramm, das gesprochene Sprache hört und selbst gesprochen antwortet. Wichtig ist dabei, was nicht passiert: Das Gesagte wird zwischendurch nicht in geschriebenen Text übersetzt. Ältere Sprachassistenten arbeiteten in drei getrennten Schritten. Zuerst schrieb ein Programm mit, was man gesagt hatte. Dann überlegte sich ein zweites Programm eine Antwort in Textform. Ein drittes las diesen Text schließlich vor. Ein Sprach-zu-Sprach-Modell erledigt alle drei Aufgaben in einem einzigen System, das direkt mit Tönen arbeitet.

Was beim Umweg über Text verloren geht

Geschriebener Text ist eine erstaunlich arme Fassung dessen, was jemand sagt. Der Satz „Das hast du ja toll gemacht“ kann ehrliches Lob sein oder blanker Spott. Auf Papier sieht beides gleich aus. Wer es hört, erkennt den Unterschied sofort am Tonfall. Ein System, das nur den Text weiterreicht, wirft diese Information ersatzlos weg.

Ein Sprach-zu-Sprach-Modell behält den Klang. Es kann also merken, dass jemand zögert, gereizt klingt oder flüstert. Und es kann selbst so antworten: leiser, schneller, mit einer Rückfrage im Tonfall statt nur mit einem Fragezeichen. Für Anwendungen wie Sprachlern-Apps oder Telefon-Hotlines ist das ein spürbarer Unterschied.

Der zweite Vorteil ist Tempo. Bei der alten Dreierkette wartet jeder Schritt darauf, dass der vorige fertig ist. Zusammen ergibt das oft eine Pause von ein bis zwei Sekunden. Das klingt wenig, zerstört aber jedes Gesprächsgefühl. Menschen antworten sich im Schnitt nach etwa zwei Zehntelsekunden. Moderne Sprach-zu-Sprach-Systeme kommen diesem Wert deutlich näher.

Vom Schallwellen-Schnipsel zum Ton-Baustein

Schall ist für einen Computer zunächst nur eine lange Zahlenreihe. Damit ein Modell damit arbeiten kann, wird die Aufnahme in winzige Abschnitte zerlegt, oft wenige Hundertstelsekunden lang. Jeder Abschnitt bekommt eine Art Nummer aus einem festen Katalog von Klangbausteinen. Man nennt diese Bausteine Audio-Token. Aus einer Sekunde Sprache werden so vielleicht fünfzig solcher Bausteine.

Danach passiert etwas, das man von Chatbots kennt: Das Modell sagt Baustein für Baustein voraus, was als Nächstes kommen müsste. Nur sind es hier eben Klangbausteine statt Wörter. Aus der vorhergesagten Kette baut ein weiteres Bauteil, der Vocoder, wieder hörbaren Schall. Trainiert wird das Ganze mit riesigen Mengen an Gesprächsaufnahmen.

Ein verbreiteter Irrtum ist, das Modell habe kein Textverständnis mehr. Das stimmt so nicht. Viele Systeme werden zusätzlich mit Text trainiert oder geben nebenher eine Textspur aus. Der Unterschied liegt darin, dass Text nicht mehr der einzige Engpass ist, durch den alles hindurch muss.

Wo diese Systeme heute sprechen

Am bekanntesten sind die Sprachmodi großer Chat-Apps. Dort kann man ein Gespräch führen, das Modell unterbrechen und es passt sich an. Auch Übersetzungsgeräte nutzen die Technik: Man spricht Deutsch hinein, heraus kommt Spanisch, teilweise sogar in einer Stimme, die der eigenen ähnelt.

In der Wirtschaft ist der größte Markt der Telefon-Kundenservice. Ein Gespräch mit einem Menschen kostet ein Unternehmen mehrere Euro, ein automatisiertes nur Bruchteile davon. Deshalb tauchen Sprach-zu-Sprach-Modelle in Quartalsberichten und Börsenmeldungen auf. Auch Autohersteller und Hersteller von Haushaltsgeräten bauen sie ein.

Mit der Verbreitung wachsen die Probleme. Wenn ein System jede Stimme nach wenigen Sekunden nachahmen kann, wird Betrug am Telefon einfacher. Der EU-Gesetzgeber verlangt deshalb, dass künstlich erzeugte Stimmen als solche erkennbar sind. In News-Meldungen begegnet dir der Begriff daher oft doppelt: als Produktankündigung und als Sicherheitsthema.