Voice OS

Ein Betriebssystem ist die Grundsoftware eines Geräts. Sie startet Programme, verwaltet Dateien und nimmt die Eingaben des Nutzers entgegen. Bei einem Handy geschieht das bisher vor allem über den Bildschirm: antippen, wischen, tippen. Ein Voice OS verschiebt diesen Zugang auf die Stimme. Der Nutzer sagt einen Satz wie « Schick Mia die Fotos von gestern Abend », und das System erledigt die einzelnen Schritte selbst. Der Bildschirm verschwindet dabei nicht, er wird aber zur Nebensache.

Warum die Stimme plötzlich als Bedienung taugt

Sprachbedienung gibt es seit über zehn Jahren. Siri, Alexa und der Google Assistant konnten aber lange nur feste Befehle. Wer den Satz leicht anders formulierte, bekam eine Fehlermeldung. Diese Systeme funktionierten wie ein Automat mit festen Knöpfen: Wecker stellen ja, alles Ungewöhnliche nein. Deshalb blieb Sprache eine Randfunktion für Küche und Auto.

Mit modernen Sprachmodellen hat sich das geändert. Das sind Programme, die aus riesigen Textmengen gelernt haben, wie Sprache aufgebaut ist. Sie verstehen auch krumm formulierte Sätze und können mehrere Anweisungen in einem Satz auseinandersortieren. Damit wird Sprache zum ersten Mal robust genug, um ein ganzes Gerät zu steuern und nicht nur eine einzelne Funktion.

Für Technikfirmen steht dabei viel Geld auf dem Spiel. Wer das Betriebssystem kontrolliert, kontrolliert den Zugang zu allen Apps. Bisher teilen sich Apple und Google diesen Markt bei Handys fast vollständig auf. Ein Voice OS ist der Versuch, diese Position anzugreifen, weil bei Sprachbedienung der App-Bildschirm als Ordnungsprinzip wegfällt.

Vom gesprochenen Satz zur ausgeführten Aktion

Der Ablauf besteht aus mehreren Stufen. Zuerst wandelt eine Spracherkennung die Tonaufnahme in Text um. Dann prüft ein Sprachmodell, was der Nutzer eigentlich will. Anschließend wählt das System die passende Funktion aus, etwa das Kalendermodul oder die Kamera. Am Ende wird eine Antwort erzeugt und vorgelesen.

Der entscheidende Teil ist die dritte Stufe. Das Modell darf nicht nur reden, es muss handeln dürfen. Dafür bekommt es Zugriff auf sogenannte Schnittstellen, also festgelegte Anschlüsse, über die Programme sich gegenseitig Befehle geben. Über solch eine Schnittstelle kann das System eine Nachricht abschicken oder einen Termin anlegen. Man kann sich das wie einen Assistenten vorstellen, der nicht nur zuhört, sondern auch die Schlüssel zu allen Schränken hat.

Genau daraus entsteht das größte Problem. Sprachmodelle erfinden gelegentlich Dinge, die nicht stimmen. Bei einem Chat ist das ärgerlich, bei einer Überweisung wäre es teuer. Deshalb bauen Entwickler Rückfragen ein, bevor heikle Aktionen ausgeführt werden. Ein zweiter Punkt ist die Verzögerung: Wenn zwischen Frage und Antwort mehr als etwa eine Sekunde liegt, wirkt das Gespräch unnatürlich. Viele Systeme rechnen einfache Anfragen deshalb direkt auf dem Gerät und schicken nur komplizierte in ein Rechenzentrum.

Wo Voice OS heute schon steckt

Am sichtbarsten sind neue Geräte ohne klassischen Bildschirm. Der Rabbit R1 und der Humane AI Pin waren die bekanntesten Versuche, beide fielen bei Testern allerdings durch. Sie waren zu langsam und konnten weniger als ein normales Handy. OpenAI arbeitet mit dem früheren Apple-Designer Jony Ive an einem eigenen Gerät dieser Art. Solche Meldungen tauchen regelmäßig im Wirtschaftsteil auf, weil sie Milliardenbeträge betreffen.

Häufiger begegnet dir die Technik unauffällig im Bestehenden. Apple und Google haben ihre Assistenten mit Sprachmodellen aufgerüstet, sodass sie App-übergreifend arbeiten können. Auch in Autos ersetzt Sprachbedienung zunehmend verschachtelte Touch-Menüs. Der Begriff Voice OS beschreibt dabei eher ein Ziel als ein fertiges Produkt: ein Gerät, das man ausschließlich über Sprache vollständig bedienen kann. Wie weit dieses Ziel trägt, ist offen — im Bus oder im Klassenzimmer bleibt Tippen schlicht praktischer.