> Start > Dialog & Sprache > Wie Sprach-KI arbeitet

Von der Schallwelle zur Antwort: wie Sprach-KI arbeitet

Ein Sprachassistent wirkt wie ein einziges Gerät, das zuhört und antwortet. Tatsächlich arbeiten darin mehrere Verfahren nacheinander, die jeweils eigene Fehler machen können. Wer diese Kette kennt, versteht besser, warum ein System mal erstaunlich gut und mal überraschend schlecht reagiert.

Schritt 1: Spracherkennung

Am Anfang steht ein Mikrofon, das Luftdruckschwankungen in Zahlen übersetzt, typischerweise 16.000 Messwerte pro Sekunde. Die automatische Spracherkennung, im Englischen Automatic Speech Recognition (ASR), zerlegt dieses Signal in kurze Abschnitte von wenigen Millisekunden und berechnet für jeden Abschnitt, welche Laute wahrscheinlich gesprochen wurden. Früher arbeiteten Erkenner mit getrennten Modellen für Laute, Aussprache und Wortfolgen. Heute übernehmen meist neuronale Netze die ganze Strecke vom Audio bis zum Text in einem Zug.

Gemessen wird die Qualität mit der Wortfehlerrate: Man zählt, wie viele Wörter ersetzt, ausgelassen oder hinzugefügt wurden, und teilt durch die Zahl der gesprochenen Wörter. Unter guten Bedingungen erreichen moderne Systeme für Standarddeutsch niedrige einstellige Prozentwerte. Hintergrundlärm, Dialekt, Fachwörter und überlappendes Sprechen treiben die Rate deutlich nach oben. Auf dem Hof, wo Gebläse, Motoren und Tiere zu hören sind, ist das kein Randproblem.

Schritt 2: Sprachverstehen

Ein erkannter Satz ist noch kein verstandener Satz. Das Sprachverstehen, englisch Natural Language Understanding (NLU), soll herausfinden, was der Mensch will und welche Angaben er dazu gemacht hat. Aus „Wie wird das Wetter morgen in Ansbach?" werden eine Absicht (Wetterabfrage) und zwei Angaben (Zeitpunkt morgen, Ort Ansbach). Diese Angaben heißen Slots, weil sie Lücken in einer vorbereiteten Anfrage füllen.

Klassische NLU-Module werden mit Beispielsätzen trainiert, die von Hand einer Absicht zugeordnet sind. Das funktioniert zuverlässig für einen begrenzten Themenbereich, versagt aber bei allem, was nicht vorgesehen war. Große Sprachmodelle können dagegen auch unvorhergesehene Formulierungen deuten, dafür ist ihr Verhalten schwerer vorherzusagen.

Schritt 3: Dialogsteuerung

Die Dialogsteuerung ist das Gedächtnis und die Entscheidungsinstanz des Systems. Sie hält fest, was bisher besprochen wurde, und legt fest, was als Nächstes passiert: nachfragen, eine Datenbank abfragen, eine Aktion auslösen oder das Gespräch beenden. Fehlt eine wichtige Angabe, stellt das System eine Rückfrage. Ist die Erkennung unsicher, kann es eine Bestätigung einholen („Habe ich richtig verstanden: Ansbach?").

Viele Probleme, die Nutzende als „die KI versteht mich nicht" erleben, entstehen tatsächlich hier. Das System hat die Wörter richtig erkannt, aber den Zusammenhang verloren, etwa weil es einen Rückbezug nicht auflösen kann. Mehr dazu im Beitrag über Missverständnisse im Mensch-Maschine-Dialog.

Schritt 4: Antworterzeugung

Ältere Systeme setzten ihre Antworten aus Textbausteinen zusammen: „Morgen in [Ort] werden [Temperatur] Grad erwartet." Das klingt hölzern, ist aber überprüfbar. Große Sprachmodelle erzeugen Antworten Wort für Wort, indem sie jeweils berechnen, welches Textstück am wahrscheinlichsten folgt. Grundlage ist die sogenannte Transformer-Architektur, die 2017 in einem einflussreichen Fachaufsatz vorgestellt wurde und heute fast allen großen Sprachmodellen zugrunde liegt.

Diese Art der Erzeugung macht die Antworten flüssig und anpassungsfähig. Sie hat aber eine bekannte Schwäche: Das Modell kann Aussagen erzeugen, die plausibel klingen und trotzdem falsch sind. Fachleute sprechen von Halluzinationen oder Konfabulationen. Seriöse Anwendungen koppeln das Modell deshalb an geprüfte Wissensquellen. Bei diesem Verfahren, Retrieval-Augmented Generation genannt, sucht das System zuerst passende Dokumente und lässt das Modell nur auf deren Grundlage antworten.

Schritt 5: Sprachausgabe

Zum Schluss verwandelt die Sprachsynthese, englisch Text-to-Speech (TTS), den Antworttext in hörbare Sprache. Moderne Synthesestimmen sind von menschlichen kaum noch zu unterscheiden. Für die Verständlichkeit zählen aber nicht nur Klang und Natürlichkeit, sondern auch Sprechtempo, Pausen und die richtige Betonung von Zahlen, Abkürzungen und Eigennamen. Ein Assistent, der „Pflanzenschutzmittel-Anwendungsverordnung" ohne Pause vorliest, hilft im Stall wenig.

Was dabei mit den Daten passiert

Bei vielen Geräten findet nur das Erkennen des Aktivierungsworts auf dem Gerät selbst statt. Die eigentliche Verarbeitung geschieht in Rechenzentren des Anbieters. Gesprochene Sprache ist dabei besonders aufschlussreich: Sie verrät Alter, Herkunft, Stimmung und manchmal den Gesundheitszustand. Nach der Datenschutz-Grundverordnung sind Sprachaufnahmen personenbezogene Daten, sobald sich eine Person daraus bestimmen lässt. Für Betriebe, Gemeinden und Behörden, die Sprachassistenten einsetzen, folgen daraus Informations- und Dokumentationspflichten.

Zunehmend laufen kleinere Sprachmodelle und Erkenner auch direkt auf dem Gerät. Das senkt die Abhängigkeit von einer stabilen Internetverbindung, was gerade in Regionen mit lückenhaftem Mobilfunk ein echter Vorteil ist.

Zusammengefasst

• Sprachassistenten sind Ketten aus mehreren Verfahren; jedes Glied kann Fehler einbringen.
• Lärm, Dialekt und Fachwortschatz sind die häufigsten Ursachen für Erkennungsfehler.
• Große Sprachmodelle verstehen freie Formulierungen besser, erfinden aber gelegentlich Fakten.
• Die Anbindung an geprüfte Quellen ist für fachliche Auskünfte unverzichtbar.

Die wichtigsten Fachbegriffe stehen gesammelt im Glossar.