Speech Engine

Eine Speech Engine ist ein Programm, das zwischen gesprochener Sprache und geschriebenem Text vermittelt. Es gibt sie in zwei Richtungen. Die eine Richtung hört zu: Sie nimmt eine Tonaufnahme entgegen und schreibt auf, was gesagt wurde. Die andere Richtung spricht: Sie bekommt einen Satz als Text und erzeugt daraus eine hörbare Stimme. Manche Systeme beherrschen beides und werden dann gemeinsam als Speech Engine bezeichnet. Der englische Begriff « Engine » bedeutet hier nicht Motor im wörtlichen Sinn, sondern das technische Herzstück, das die eigentliche Arbeit erledigt.

Warum Sprache die bequemste Schnittstelle ist

Tippen ist langsam. Ein geübter Mensch schreibt rund 40 Wörter pro Minute, sprechen kann er etwa 150. Überall dort, wo Hände oder Augen beschäftigt sind, ist Sprache deshalb die praktischste Art der Bedienung. Beim Autofahren, beim Kochen oder in einer Werkstatt ist ein Bildschirm oft nutzlos.

Dazu kommt der Aspekt der Zugänglichkeit. Für blinde Menschen ist eine vorlesende Speech Engine der Zugang zum Computer überhaupt. Für gehörlose Menschen leisten automatische Untertitel das Gegenstück. Auch Menschen, die nicht flüssig lesen oder schreiben können, profitieren direkt von guter Sprachtechnik.

Wirtschaftlich ist das Feld deshalb hart umkämpft. Callcenter lassen Gespräche automatisch mitschreiben und auswerten. Ärztinnen diktieren Befunde, statt sie zu tippen. Große Technologiekonzerne bieten Speech Engines als Dienst an, der pro Minute Audio abgerechnet wird. Wer die genauere Engine hat, gewinnt Kunden.

Vom Schallwellen-Bild zum Satz und zurück

Beim Zuhören wird der Ton zuerst in Zahlen zerlegt. Ein Mikrofon misst tausende Male pro Sekunde den Luftdruck. Daraus berechnet das Programm eine Art Bild des Klangs, das zeigt, welche Tonhöhen wann laut sind. Dieses Bild bekommt ein neuronales Netz zu sehen, also ein Rechenmodell, das aus vielen Beispielen gelernt hat. Es ordnet den Klangmustern Buchstaben und Wörter zu.

Entscheidend ist dabei der Zusammenhang. « Meer » und « mehr » klingen identisch, aber nur eines passt in den Satz. Deshalb arbeiten moderne Systeme nicht Laut für Laut, sondern schauen auf ganze Wortfolgen. Genau das hat die Fehlerquote in den letzten zehn Jahren stark gesenkt. Bei sauberer Aufnahme liegen gute Engines heute unter fünf Prozent Wortfehlern.

In der Sprechrichtung läuft es umgekehrt. Das Modell sagt zuerst voraus, wie die Tonhöhen einer passenden Aufnahme aussehen müssten. Ein zweiter Baustein, der Vocoder, verwandelt diese Vorhersage in echte Schallwellen. Früher klebte man dafür aufgenommene Sprachschnipsel aneinander, was blechern klang. Heutige Systeme erzeugen die Stimme komplett neu und treffen dabei auch Betonung und Sprechpausen.

Wo Speech Engines im Alltag stecken

Am sichtbarsten sind Sprachassistenten wie Siri oder Alexa. Sie kombinieren beide Richtungen: Sie verstehen die Frage und antworten hörbar. Auch das Mikrofonsymbol auf der Handytastatur ist eine Speech Engine, ebenso die automatischen Untertitel bei YouTube oder in Videokonferenzen.

In den Nachrichten taucht der Begriff meist im Zusammenhang mit synthetischen Stimmen auf. Hörbücher werden von Programmen eingelesen, Videos automatisch in andere Sprachen synchronisiert. Damit wächst auch das Problem der Stimmfälschung: Aus wenigen Minuten Aufnahme lässt sich eine täuschend ähnliche Stimme bauen. Betrüger nutzen das bereits für gefälschte Anrufe.

Ein häufiger Irrtum ist, eine Speech Engine sei bereits eine künstliche Intelligenz, die versteht, worum es geht. Sie wandelt nur um. Was der Satz bedeutet und welche Antwort passt, entscheidet ein anderes Modell dahinter. Erst beide Teile zusammen ergeben einen Assistenten, mit dem man reden kann.