Tau3 Voice Intelligence

Tau3 Voice Intelligence ist ein Produktname aus dem Bereich der sprachverarbeitenden Computerprogramme. Gemeint sind Systeme, die gesprochene Sätze aufnehmen, in Text umwandeln und darauf sinnvoll reagieren. Ein solches System kann antworten, eine Aufgabe ausführen oder das Gesagte auswerten. Der Zusatz « Voice Intelligence » hat keine festgelegte technische Bedeutung. Er wird von Anbietern benutzt, um zu sagen: Hier geht es nicht nur ums Erkennen von Wörtern, sondern auch um das Verstehen der Absicht dahinter. Wichtig zu wissen: Ob ein bestimmtes Produkt mit diesem Namen wirklich alle beworbenen Fähigkeiten hat, lässt sich nur an unabhängigen Tests ablesen, nicht am Namen.

Warum Sprache als Schnittstelle gerade zurückkommt

Sprechen ist die schnellste Art, einem Gerät etwas mitzuteilen. Ein Mensch spricht rund 150 Wörter pro Minute. Beim Tippen auf einem Handy schafft er vielleicht 40. Wenn ein System zuverlässig zuhört, spart das also viel Zeit.

Lange Zeit war die Erkennung aber zu schlecht für ernsthafte Anwendungen. Ältere Sprachassistenten verstanden nur feste Befehle und scheiterten an Dialekten oder Nebengeräuschen. Erst seit einigen Jahren arbeiten die Systeme robust genug, dass Unternehmen ihnen echte Kundengespräche anvertrauen.

Für Firmen steckt darin ein klarer Geldwert. Ein Telefongespräch mit einem Menschen im Callcenter kostet je nach Land mehrere Euro. Eine automatisierte Auskunft kostet Bruchteile davon. Deshalb ist der Markt für Sprachsysteme ein häufiges Thema in Wirtschaftsnachrichten, oft verbunden mit der Frage, welche Arbeitsplätze dadurch wegfallen.

Der Weg vom Schall zur Antwort

Im Kern laufen drei Schritte ab. Zuerst wandelt ein Erkennungsmodul die Tonaufnahme in Text um, dieser Schritt heißt Spracherkennung. Dann deutet ein Sprachmodell diesen Text, also ein Programm, das aus riesigen Textmengen gelernt hat, wie Sprache funktioniert. Zuletzt erzeugt eine Sprachausgabe aus der Antwort wieder hörbaren Ton.

Neuere Systeme fassen diese Schritte zunehmend zusammen. Sie verarbeiten den Ton direkt, ohne den Umweg über sauberen Text. Das hat einen Vorteil: Tonfall, Pausen und Betonung gehen nicht verloren. Ein genervtes « Na super » bedeutet etwas anderes als ein fröhliches, und im reinen Text sieht beides gleich aus.

Entscheidend für die Nutzung ist die Verzögerung, fachlich Latenz genannt. Wenn eine Antwort erst nach zwei Sekunden kommt, wirkt das Gespräch tot. Gute Systeme bleiben unter einer halben Sekunde. Deshalb arbeiten Anbieter oft mit kleineren, schnelleren Modellen, statt einfach das größte verfügbare zu nehmen.

Von der Hotline bis zur Gesprächsauswertung

Am häufigsten trifft man solche Technik am Telefon. Wer bei einer Versicherung oder einem Versandhändler anruft, spricht heute oft zuerst mit einem Automaten. Er nimmt Standardfälle an und reicht schwierige Gespräche an Menschen weiter.

Ein zweiter großer Bereich ist die Auswertung im Hintergrund. Firmen lassen aufgezeichnete Gespräche automatisch zusammenfassen und durchsuchen. So sehen sie, welche Beschwerden sich häufen. Genau hier entstehen aber auch rechtliche Probleme, denn Stimmen sind personenbezogene Daten und in der EU streng geschützt.

Ein verbreiteter Irrtum ist, dass solche Systeme Gefühle sicher erkennen könnten. Anbieter werben gern mit « Stimmungsanalyse ». Fachleute halten diese Versprechen für wackelig, weil Menschen Gefühle sehr unterschiedlich ausdrücken. Wenn ein Produktname wie Tau3 Voice Intelligence in einer Meldung auftaucht, lohnt sich deshalb die Frage, welche Fähigkeiten belegt sind und welche nur behauptet werden.