Voice Mode

Voice Mode bezeichnet die Sprachfunktion eines KI-Assistenten wie ChatGPT. Statt eine Frage zu tippen, spricht man sie einfach aus. Das Programm hört zu, überlegt und antwortet mit einer künstlich erzeugten Stimme. Das Gespräch läuft dabei ähnlich ab wie ein Telefonat: Man redet abwechselnd, ohne auf einen Sendeknopf zu drücken. Der Begriff stammt von OpenAI, wird aber inzwischen allgemein für solche Sprachmodi verwendet. Gemeint ist immer dieselbe Idee: dieselbe KI, nur mit Ohren und Mund statt mit Tastatur.

Warum Sprechen die Hürde senkt

Tippen ist langsam. Die meisten Menschen sprechen etwa dreimal so schnell, wie sie auf einem Handy schreiben. Wer unterwegs ist, kocht oder Auto fährt, hat ohnehin keine Hand frei. Der Sprachmodus macht die KI genau in diesen Situationen benutzbar.

Dazu kommt eine Gruppe von Nutzern, für die Text eine echte Barriere ist. Kinder, ältere Menschen, Personen mit Sehbehinderung oder mit Leseschwäche kommen mit Sprache oft deutlich besser zurecht. Auch beim Lernen einer Fremdsprache hilft es, wenn man wirklich reden kann und eine Antwort hört.

Wirtschaftlich ist der Sprachmodus für die Anbieter interessant, weil er ihre Assistenten in direkte Konkurrenz zu Siri, Alexa und Google Assistant bringt. Diese älteren Sprachassistenten verstehen nur eine begrenzte Zahl von Befehlen. Ein Sprachmodus auf Basis eines großen Sprachmodells kann dagegen über fast jedes Thema frei reden. Genau deshalb gilt Sprache derzeit als eines der wichtigsten Schlachtfelder zwischen den großen Tech-Konzernen.

Vom Umweg über Text zum direkten Hören

Die ältere Bauweise besteht aus drei getrennten Programmen in einer Kette. Zuerst wandelt ein Spracherkenner das Gesagte in Text um. Diesen Text bekommt dann das eigentliche Sprachmodell, also die KI, die die Antwort formuliert. Zuletzt liest ein drittes Programm die Antwort mit einer synthetischen Stimme vor.

Diese Kette funktioniert, hat aber zwei Schwächen. Sie kostet Zeit, weil jede Station wartet, bis die vorherige fertig ist. Und sie wirft Information weg: Im Text steht nur noch, was gesagt wurde, nicht wie. Ob jemand flüstert, lacht oder genervt klingt, geht verloren.

Neuere Sprachmodi arbeiten deshalb Ende-zu-Ende. Das Modell nimmt den Ton direkt entgegen und erzeugt direkt Ton als Antwort, ohne den Umweg über geschriebenen Text. Dadurch sinkt die Verzögerung auf einen Bruchteil einer Sekunde, ähnlich wie in einem echten Gespräch. Außerdem kann das Modell Tonfall wahrnehmen und selbst welchen erzeugen, etwa schneller sprechen oder flüsternd antworten. Man kann es zudem mitten im Satz unterbrechen, weil es beim Sprechen weiter zuhört.

Sprachmodi im Handy, im Auto und in der Debatte

Am häufigsten begegnet man Voice Mode in den Apps von ChatGPT, Google Gemini und Microsoft Copilot. Dort ist er meist als Mikrofon- oder Wellensymbol zu finden. Apple hat seine Siri auf ähnliche Technik umgebaut, und Autohersteller bauen solche Assistenten in ihre Bordcomputer ein. Auch Kundenhotlines nutzen die Technik zunehmend, um Anrufe ohne Menschen zu beantworten.

In den Nachrichten taucht der Begriff oft im Zusammenhang mit Streit auf. Ein bekannter Fall war 2024 die Stimme « Sky » von OpenAI, die viele an die Schauspielerin Scarlett Johansson erinnerte und wieder entfernt wurde. Ein zweites Dauerthema ist der Datenschutz, denn Sprachaufnahmen sind persönlicher als Text und werden teils auf fremden Servern verarbeitet.

Ein verbreiteter Irrtum ist, ein Sprachmodus mache die KI klüger. Das stimmt nicht: Dahinter steckt dasselbe Modell wie im Textchat, es kann also genauso Dinge erfinden. Weil eine flüssige, freundliche Stimme aber überzeugender wirkt als ein Textblock, fällt es schwerer, skeptisch zu bleiben. Wichtige Angaben sollte man deshalb auch dann prüfen, wenn sie sehr sicher klingen.