Prosodie

Wenn jemand spricht, hört man mehr als nur Wörter. Man hört, ob die Stimme steigt oder fällt, ob sie laut oder leise ist, schnell oder langsam. Man hört auch, wo Pausen sitzen und welche Silben betont werden. All diese Eigenschaften zusammen nennt man Prosodie. Sie ist gewissermaßen die Melodie, die über dem Text liegt. Derselbe Satz kann durch sie eine Frage, ein Vorwurf oder ein Witz sein.

Warum derselbe Satz drei Dinge heißen kann

Prosodie trägt Bedeutung, die im geschriebenen Text gar nicht steht. „Das hast du ja toll gemacht“ kann echtes Lob sein. Mit gedehnter, fallender Stimme wird daraus Spott. Kein einziges Wort hat sich verändert, nur die Melodie. Wer Prosodie ignoriert, verliert also einen Teil der Nachricht.

Auch die Satzstruktur hängt an ihr. Im Deutschen macht oft nur die steigende Tonhöhe am Ende aus einer Aussage eine Frage. Pausen wiederum gliedern lange Sätze und zeigen, welche Wörter zusammengehören. Ohne sie klingt Sprache wie eine ununterbrochene Kette.

Für Technikfirmen ist das ein handfestes Problem. Frühe Computerstimmen waren gut verständlich, aber unangenehm monoton. Der Grund war fast nie eine falsche Aussprache einzelner Laute. Es war die fehlende oder falsche Prosodie.

Wie Modelle Melodie lernen

Ältere Sprachsysteme setzten Sätze aus aufgenommenen Wortbausteinen zusammen. Die Tonhöhe wurde danach mit festen Regeln aufgesetzt: Frage hoch, Punkt tief. Solche Regeln sind grob und klingen schnell mechanisch. Menschen variieren ihre Melodie ständig, abhängig vom Zusammenhang.

Heutige Systeme lernen Prosodie stattdessen aus Daten. Man füttert ein neuronales Netz — ein lernendes Rechenmodell — mit vielen Stunden echter Aufnahmen samt zugehörigem Text. Das Modell erkennt Muster: Vor einem Komma wird das Tempo langsamer, ein neues Thema startet höher. Es speichert diese Muster nicht als Regeln, sondern als Erfahrung aus Beispielen.

Schwierig bleibt, dass Prosodie vom Sinn abhängt. Welches Wort betont wird, hängt davon ab, was vorher gesagt wurde. „Ich habe das Buch gelesen“ betont je nach Kontext ein anderes Wort. Ein Modell muss also den Text verstehen, nicht nur seine Buchstaben sehen. Genau deshalb sind moderne Sprachmodelle hier deutlich besser als ältere Verfahren.

Prosodie in Assistenten, Hörbüchern und Deepfakes

Am häufigsten trifft man Prosodie in Sprachassistenten und Navigationsstimmen. Wenn eine solche Stimme heute Zwischenfragen mit hörbarem Zögern beantwortet, ist das bewusst eingebaut. Auch die neuen Sprachmodi von Chatbots werben genau damit: Sie können lachen, flüstern oder aufgeregt klingen. Technisch ist das Prosodiesteuerung, nicht besseres Wissen.

Ein großer Markt sind automatisch vertonte Hörbücher und Podcasts. Hier entscheidet die Prosodie, ob Zuhörer nach zehn Minuten abschalten. Auch bei Synchronisationen von Videos wird versucht, die Melodie des Originalsprechers zu übertragen. Der Inhalt wird übersetzt, die Betonung soll erhalten bleiben.

Ein häufiger Irrtum ist, Prosodie sei bloß Kosmetik. Tatsächlich ist sie auch ein Sicherheitsthema. Stimmfälschungen wirken erst dann überzeugend, wenn nicht nur der Klang, sondern auch die Sprechmelodie einer Person nachgeahmt wird. Umgekehrt nutzen Erkennungssysteme prosodische Auffälligkeiten als Hinweis auf Fälschungen. In der Medizin wiederum untersucht man Veränderungen der Prosodie als mögliches Frühzeichen bestimmter Erkrankungen.