Spracherkennung, auch automatische Spracherkennung oder englisch Automatic Speech Recognition genannt, ist seit Jahrzehnten ein Forschungsthema. Frühere Diktatprogramme mussten oft erst auf eine Stimme trainiert werden und reagierten empfindlich auf Nebengeräusche. Moderne Systeme auf Basis neuronaler Netze erkennen viele Sprecherinnen und Sprecher sowie zahlreiche Sprachen ohne individuelles Training. Damit ist Spracherkennung im Arbeitsalltag angekommen, vom Besprechungsprotokoll bis zur Sprachnotiz im Außendienst. Sie ist zudem ein Baustein multimodaler KI, die Sprache, Text und Bild gemeinsam verarbeitet.
Wie funktioniert Spracherkennung?
Das Audiosignal wird digitalisiert, in kurze Abschnitte zerlegt und in eine Darstellung der enthaltenen Frequenzen umgewandelt. Klassische Systeme kombinieren daraus ein akustisches Modell für Laute, ein Aussprachewörterbuch und ein Sprachmodell, das wahrscheinliche Wortfolgen bewertet. Heutige Systeme bilden diese Schritte meist in einem einzigen neuronalen Netz ab, das mit großen Mengen an Sprachaufnahmen trainiert wurde und Audio direkt in Text überträgt.
Häufige Zusatzfunktionen sind automatische Zeichensetzung, Zeitstempel, Sprechertrennung und Übersetzung. Die Verarbeitung erfolgt entweder fortlaufend in Echtzeit, etwa für Live-Untertitel, oder nachträglich für eine fertige Aufnahme.
Fehler entstehen vor allem bei Störgeräuschen, durcheinander sprechenden Personen, starkem Dialekt, Eigennamen und Fachbegriffen. Manche Systeme lassen sich mit eigenen Begriffslisten verbessern.
Typische Beispiele
- Besprechungen werden transkribiert und anschließend mit NLP zusammengefasst.
- Berichte, Gutachten oder Aktennotizen werden diktiert statt getippt.
- Mitarbeitende im Außendienst sprechen nach einem Einsatz Notizen ein, der Text landet direkt im Ticket.
- Live-Untertitel in Videokonferenzen, etwa in Microsoft Teams, verbessern die Barrierefreiheit.
Worauf Unternehmen achten sollten
- Mit realistischen Aufnahmen testen, einschließlich Dialekt, Fachjargon und typischer Umgebungsgeräusche.
- Aufnahmen und Transkripte als personenbezogene Daten behandeln, Beteiligte vorab informieren und die Rechtsgrundlage klären.
- Klären, wo die Verarbeitung stattfindet, wo Daten gespeichert und wie lange sie aufbewahrt werden.
- Transkripte vor einer verbindlichen Verwendung prüfen, besonders Namen, Zahlen und Beschlüsse.
- Beachten, dass die Nutzung der Stimme zur Identifizierung von Personen als Verarbeitung biometrischer Daten besonderen Regeln unterliegt.
Abgrenzung
Spracherkennung wandelt Sprache in Text um. Sprachsynthese (Text-to-Speech) geht den umgekehrten Weg. Sprechererkennung wiederum stellt fest, wer spricht, nicht was gesagt wird.
KI-Assistenz ansehen