Speech-to-Text

Speech-to-Text bedeutet wörtlich « Sprache zu Text ». Gemeint ist Software, die eine Tonaufnahme von gesprochener Sprache aufnimmt und daraus geschriebene Wörter macht. Man spricht ins Mikrofon eines Handys, und auf dem Bildschirm erscheint der Satz als Schrift. Auf Deutsch nennt man das auch Spracherkennung. Wichtig ist: Das Programm versteht den Inhalt nicht wie ein Mensch, es schreibt nur auf, was es gehört hat. Ob der Satz sinnvoll ist oder was er bedeutet, ist eine andere Frage.

Warum Sprechen schneller ist als Tippen

Ein geübter Mensch tippt etwa 40 Wörter pro Minute. Sprechen geht mit rund 150 Wörtern pro Minute deutlich schneller. Deshalb sparen Ärzte, Juristen und Journalisten viel Zeit, wenn sie ihre Berichte diktieren statt schreiben. Früher gab es dafür Schreibkräfte, die Tonbänder abgetippt haben. Diese Arbeit übernimmt heute überwiegend Software.

Ein zweiter Grund ist Zugänglichkeit. Menschen, die schlecht hören, sind auf Untertitel angewiesen. Von Hand erstellte Untertitel sind teuer, automatische sind fast kostenlos. Dadurch bekommen Millionen Videos überhaupt erst Untertitel. Auch für Menschen, die ihre Hände nicht gut benutzen können, ist Diktieren oft der einzige bequeme Weg, einen Text zu verfassen.

Schließlich ist Speech-to-Text die Eintrittstür für viele andere KI-Anwendungen. Ein Sprachassistent muss dein Gesagtes erst als Text vorliegen haben, bevor er darauf antworten kann. Auch Übersetzungs-Apps, die gesprochene Sätze in eine andere Sprache übertragen, beginnen mit diesem Schritt. Ist dieser erste Schritt fehlerhaft, ist alles danach ebenfalls falsch.

Vom Schallwellen-Bild zum Satz

Ein Mikrofon nimmt Luftdruckschwankungen auf und macht daraus eine lange Zahlenreihe. Diese Reihe wird in sehr kurze Abschnitte zerlegt, meist etwa 20 Millisekunden lang. Für jeden Abschnitt berechnet das Programm, welche Tonhöhen darin wie stark vorkommen. Das Ergebnis kann man sich als Bild vorstellen: eine Art Landkarte des Klangs über die Zeit. Aus diesem Bild soll dann Text werden.

Diese Umwandlung erledigt ein neuronales Netz. Das ist ein Programm, das aus sehr vielen Beispielen selbst Muster gelernt hat, statt festen Regeln zu folgen. Zum Training bekommt es tausende Stunden Tonaufnahmen zusammen mit dem passenden geschriebenen Text. Es lernt dabei, welche Klangmuster zu welchen Lauten und Wörtern gehören. Moderne Systeme wie Whisper von OpenAI wurden mit hunderttausenden Stunden Material aus dem Internet trainiert.

Entscheidend ist außerdem, dass das System Sprache im Zusammenhang bewertet. « Meer » und « mehr » klingen identisch, passen aber in völlig verschiedene Sätze. Das Programm wählt deshalb die Schreibweise, die im Satzzusammenhang wahrscheinlicher ist. Genau daran erkennt man auch die Grenzen: Bei Dialekt, Hintergrundlärm, Fachwörtern oder mehreren gleichzeitig sprechenden Personen steigt die Fehlerquote deutlich. Gemessen wird das als Wortfehlerrate, also der Anteil falscher oder fehlender Wörter.

Untertitel, Diktate und Callcenter

Am häufigsten begegnet man Speech-to-Text bei automatischen Untertiteln auf YouTube und in Videokonferenzen. Auch die Diktiertaste auf der Handy-Tastatur und Assistenten wie Siri oder Alexa arbeiten damit. In Messenger-Apps gibt es die Funktion, eine Sprachnachricht als Text anzuzeigen, wenn man sie gerade nicht anhören kann.

In Unternehmen wertet Software damit Telefonate im Kundenservice aus. Aus dem Text lassen sich häufige Beschwerden oder Stichwörter herausfiltern. Krankenhäuser nutzen Diktiersysteme für Arztbriefe, Gerichte für Protokolle. Solche Anwendungen werfen Datenschutzfragen auf, weil Aufnahmen oft auf Servern fremder Anbieter verarbeitet werden.

In Wirtschaftsnachrichten taucht der Begriff meist neben seinem Gegenstück auf: Text-to-Speech erzeugt umgekehrt aus Text eine künstliche Stimme. Beide zusammen ermöglichen Gespräche mit Maschinen, etwa in automatischen Telefon-Hotlines. Wer eine solche Hotline schon einmal genervt unterbrochen hat, kennt auch die Schwächen der Technik.