Automatic Speech Recognition

Automatic Speech Recognition ist der englische Fachausdruck für automatische Spracherkennung. Gemeint ist Software, die gesprochene Sprache aufnimmt und daraus geschriebenen Text macht. Der Computer bekommt also eine Tonaufnahme und gibt Buchstaben, Wörter und Sätze zurück. Häufig wird das auch Speech-to-Text genannt, wörtlich: Sprache zu Text. Wichtig ist die Abgrenzung: Das Programm versteht den Inhalt nicht, es schreibt nur auf, was gesagt wurde. Was danach mit dem Text passiert, etwa das Beantworten einer Frage, übernimmt ein anderes Programm.

Warum Sprache der bequemste Weg in den Computer ist

Sprechen ist deutlich schneller als Tippen. Ein Mensch spricht ungefähr 120 bis 150 Wörter pro Minute, tippt aber selten mehr als 40. Überall dort, wo die Hände beschäftigt sind, ist das entscheidend. Ein Arzt kann während einer Untersuchung diktieren, ein Handwerker auf der Baustelle eine Notiz sprechen. Ohne Spracherkennung müsste jemand das später abtippen.

Dazu kommt der Aspekt der Zugänglichkeit. Gehörlose und schwerhörige Menschen können Videos nur mit Untertiteln folgen. Automatische Untertitel entstehen heute in Sekunden statt in Stunden Handarbeit. Auch Menschen, die eine Tastatur schlecht bedienen können, steuern Geräte über die Stimme.

Wirtschaftlich ist ASR die Eingangstür zu vielen KI-Produkten. Jeder Sprachassistent und jedes Meeting-Protokollprogramm beginnt mit diesem Schritt. Ist die Erkennung schlecht, hilft auch das klügste Modell dahinter nichts. Fehler pflanzen sich fort: Aus einem falsch verstandenen Namen wird eine falsche Antwort.

Vom Schallwellen-Bild zum fertigen Satz

Zuerst wird der Ton in Zahlen umgewandelt. Das Mikrofon misst den Luftdruck tausende Male pro Sekunde. Daraus berechnet das Programm eine Art Bild der Aufnahme, ein sogenanntes Spektrogramm. Darauf ist zu sehen, welche Tonhöhen zu welchem Zeitpunkt wie laut waren. Für den Computer ist die Aufgabe damit ähnlich zu einer Bilderkennung.

Dieses Bild wandert dann durch ein neuronales Netz, also ein Programm, das aus sehr vielen Beispielen gelernt hat. Trainiert wird es mit tausenden Stunden Aufnahmen, zu denen der richtige Text bereits vorliegt. Das Netz lernt dabei selbst, welche Klangmuster zu welchen Lauten gehören. Früher legten Entwickler solche Regeln von Hand fest, heute passiert das automatisch.

Am Ende steht die Entscheidung, welche Wortfolge am wahrscheinlichsten ist. Denn viele Wörter klingen gleich, etwa « Lärche » und « Lerche ». Das Modell nutzt den Zusammenhang des Satzes, um zu wählen. Genau hier liegt auch die typische Schwäche: Bei starkem Dialekt, Hintergrundlärm oder Fachvokabular sinkt die Trefferquote spürbar. Gemessen wird das mit der Wortfehlerrate, dem Anteil falscher Wörter im Ergebnis.

ASR im Handy, im Fernseher und in Meetings

Am bekanntesten ist die Diktierfunktion auf dem Smartphone, das kleine Mikrofonsymbol neben der Tastatur. Auch Sprachassistenten wie Siri oder Alexa beginnen jede Anfrage mit Spracherkennung. Videoplattformen erzeugen Untertitel automatisch, oft in mehreren Sprachen. Streamingdienste und Fernsehsender nutzen dieselbe Technik für Live-Untertitel.

Im Berufsleben tauchen ASR-Werkzeuge vor allem bei Videokonferenzen auf. Programme schreiben das Gespräch mit und fassen es anschließend zusammen. Callcenter werten Kundengespräche automatisch aus. In Kliniken ersetzt Diktiersoftware einen Teil der Schreibarbeit.

In den Nachrichten taucht der Begriff meist rund um Modelle wie Whisper von OpenAI auf, das frei verfügbar ist. Diskutiert wird dann oft der Datenschutz: Läuft die Erkennung auf dem eigenen Gerät oder auf fremden Servern? Ebenfalls ein Thema ist die Fairness, denn viele Systeme erkennen Standardsprache besser als Akzente. Wer solche Meldungen liest, sollte auf die genannte Wortfehlerrate achten, denn nur sie macht Angaben vergleichbar.