Stimm- und Sprachtechnologien

Welche Aufgaben übernehmen Stimm- und Sprachtechnologien?

Stimm- und Sprachtechnologien ist der gemeinsame Name für KI-Werkzeuge, die Text in Sprache, Sprache in Text und eine Sprache in eine andere umwandeln oder Texte lesen und deuten. Für ein Unternehmen kann das bedeuten, einem Präsentationsvideo ein Voiceover hinzuzufügen, ohne ins Studio zu gehen, Besprechungsaufnahmen in durchsuchbaren Text zu verwandeln oder einen Katalog in mehrere Sprachen zu übertragen. Wir probieren diese Werkzeuge nicht einzeln aus, sondern richten sie an einer konkreten Aufgabe in Ihrer Kommunikation aus.

• KI-Voiceover (Text-to-Speech): verwandelt geschriebenen Text in eine natürliche menschliche Stimme.
• Spracherkennung (Speech-to-Text): überträgt Aufnahmen, Besprechungen und Videos in Text.
• Maschinelle Übersetzung: überträgt Texte und Untertitel in andere Sprachen.
• Sprachverarbeitung (NLP): klassifiziert und fasst Texte zusammen und filtert Informationen heraus.
• Sprachassistent: verbindet diese Bausteine zu einer Oberfläche, die im Gespräch bedient wird.

Jedes dieser Werkzeuge ist für sich nützlich, den größten Effekt erzielen sie aber im Zusammenspiel. Ein Schulungsvideo wird zum Beispiel zuerst in Text umgewandelt, der Text korrigiert und in andere Sprachen übertragen. Anschließend entstehen für jede Sprache per KI-Voiceover eine neue Tonaufnahme und Untertitel. So lässt sich eine einzige Aufnahme in mehreren Sprachen nutzen, gesprochen und geschrieben.

Wo anfangen?

Am besten beginnen Sie mit Sprachtechnologien, indem Sie eine einzige Aufgabe wählen, die regelmäßig wiederkehrt: Produktvideos, die jeden Monat entstehen, wöchentliche Besprechungen oder ein Katalog, der ständig aktualisiert wird. Wir sehen uns gemeinsam an, wie diese Aufgabe heute erledigt wird, wie viel Zeit sie braucht und wo es hakt, und testen den neuen Ablauf zuerst daran. Bringt das Ergebnis Ihnen etwas, übertragen wir denselben Ansatz auf weitere Inhalte.

KI-Voiceover: vom Text zur natürlichen Stimme

KI-Voiceover ist die Technologie, die Ihren Text mit einer von Ihnen gewählten Stimme vorlesen lässt. Aktuelle Modelle liefern bei Betonung, Pausen und Intonation deutlich natürlichere Ergebnisse als die früheren Roboterstimmen. Damit wird Voiceover dort zugänglich, wo es unpraktisch wäre, für jeden kleinen Inhalt ein Studio und einen Sprecher zu organisieren.

Wo ist das nützlich?

• Produktvorstellungen und Social-Media-Videos
• Schulungs-, Onboarding- und Anleitungsvideos
• Begrüßungs- und Warteschleifenansagen für die Telefonzentrale
• Hörversionen von Artikeln auf der Website
• Durchsagen im Laden und Endlosvideos auf Messebildschirmen
• Versionen desselben Videos in verschiedenen Sprachen

Wann ist eine menschliche Stimme die bessere Wahl?

Für Werbefilme mit hoher emotionaler Intensität, für eine Stimme, die zum Teil der Markenidentität geworden ist, oder für Aufgaben, die feines schauspielerisches Können verlangen, ist ein professioneller Sprecher weiterhin die bessere Wahl. KI-Voiceover bringt dagegen bei vielen, häufig aktualisierten und informationslastigen Inhalten Vorteile. Auch ein gemischter Weg ist möglich: den Hauptfilm mit der Stimme eines Sprechers produzieren, die kurzen Informationsvideos mit einer künstlichen Stimme.

Wie bereitet man den Sprechtext vor?

Ein Text, der fürs Auge geschrieben wurde, ist nicht immer ein guter Text fürs Ohr. Erklärungen in Klammern, lange Nebensätze und Listen mit Aufzählungszeichen sind vorgelesen schwer zu verfolgen. Vor dem KI-Voiceover den Text in kurze Sätze zu teilen, in jedem Satz nur eine Information zu geben und den Text einmal laut zu lesen, verbessert das Ergebnis spürbar.

Wird das Voiceover für ein Video vorbereitet, sollte der Text nach der Dauer des Bildes und den Szenenwechseln geschrieben werden. Eine einfache Skripttabelle, die zeigt, welcher Satz zu welcher Szene gehört, verhindert, dass Ton und Bild aufeinander warten. Wenn Sie auch die visuelle Seite mit KI erstellen möchten, können wir das zusammen mit unserer Leistung KI-Bild- und Videoinhalte planen.

Einfache Aktualisierung

Ändern sich in einem Video mit KI-Voiceover ein Preis, ein Datum oder ein Produktname, genügt es, nur den betroffenen Satz neu einzusprechen. Weil dieselbe Stimme und dieselben Einstellungen verwendet werden, ist der neue Satz von den alten nicht zu unterscheiden. Bei häufig aktualisierten Schulungs- und Informationsinhalten ist das viel praktischer, als bei jeder Änderung die Aufnahme von vorn zu machen.

Worauf wir bei der türkischen Aussprache achten

Bei türkischen Texten beeinflussen diese Details das Ergebnis des KI-Voiceovers am stärksten:

• Zahlen und Daten: Wie Ausdrücke wie „1/2“, „15.000 TL“ oder „3-5 Tage“ gelesen werden, muss ausdrücklich angegeben werden.
• Abkürzungen: Ob Abkürzungen wie „KDV“ (die türkische Mehrwertsteuer), „vb.“ (usw.) oder „Dr.“ buchstabiert oder ausgeschrieben gelesen werden, wird vorab entschieden.
• Fremde Marken- und Produktnamen: Wie ein englischer Produktname in einem türkischen Satz ausgesprochen wird, probieren wir einzeln aus.
• Buchstaben mit Zirkumflex: Bei Wörtern wie „kâr“ und „kar“ oder „hâlâ“ und „hala“ beeinflusst die richtige Schreibweise unmittelbar auch die Aussprache.
• Zeichensetzung: Die Position von Komma und Punkt bestimmt, wo die Stimme pausiert. Ein Sprechtext wird nicht zum Lesen geschrieben, sondern zum Hören.

Ein Teil dieser Einstellungen wird mit der Auszeichnungssprache SSML (Speech Synthesis Markup Language) vorgenommen. Mit SSML lassen sich Pausen, Betonungen und die Lesart eines Ausdrucks als Datum, Zahl oder Buchstabenfolge festlegen. Beispiele für diese Möglichkeiten finden Sie auf den Seiten und in der Dokumentation von Diensten wie Google Cloud Text-to-Speech.

Stimmauswahl und Stimmklonen

Aus den fertigen Stimmen, die die Dienste anbieten, hören wir gemeinsam diejenigen an, die zum Ton Ihrer Marke passen, und wählen aus. Ob die Stimme warm, formell, jung oder reif klingen soll, hängt vom Zweck des Inhalts ab. Manche Dienste können aus kurzen Aufnahmen eine künstliche Stimme erzeugen, die der Stimme einer bestimmten Person ähnelt. Die Stimme eines Menschen ist ein personenbezogenes Datum. Deshalb darf Stimmklonen nur mit der ausdrücklichen Einwilligung der Person erfolgen, deren Stimme genutzt wird, und mit schriftlicher Festlegung, wo und wie lange die Stimme verwendet wird.

Die gewählte Stimme in allen Videos, Ansagen und Sprachversionen einheitlich zu verwenden, hilft dabei, dass die Stimme mit der Zeit mit Ihrer Marke verbunden wird. Fasst man in einem kurzen Stimmleitfaden zusammen, welche Stimme mit welcher Geschwindigkeit und welchem Ton eingesetzt wird, bleibt das Ergebnis einheitlich, auch wenn die Inhalte von verschiedenen Personen vorbereitet werden.

Sprache in Text umwandeln: Transkription und Untertitel

Die Spracherkennung wandelt Tonaufnahmen in lesbaren, durchsuchbaren Text um. Unter den Stimm- und Sprachtechnologien gehört sie zu den Bereichen, die am schnellsten zum Arbeitsalltag beitragen, denn Unternehmen haben bereits viele Aufnahmen: Besprechungen, Kundengespräche, Interviews, Webinare und Videos.

Anwendungsbeispiele

• Besprechungsnotizen: aus der Aufnahme einen nach Sprechern getrennten Text sowie Zusammenfassungen von Beschlüssen und Aufgaben erstellen
• Videountertitel: Untertitel für Social-Media-Videos, die ohne Ton angesehen werden, und für hörgeschädigte Zuschauer erstellen
• Kundengespräche: in aufgezeichneten Gesprächen häufige Themen, Fragen und Beschwerden sichtbar machen
• Content-Erstellung: die Aufnahme eines Interviews oder Webinars in einen Blogbeitrag, einen Newsletter oder einen Social-Media-Text verwandeln
• Archiv: alte Ton- und Videoaufnahmen über den Text durchsuchbar machen

Sprechertrennung und Zeitangaben

Bei Aufnahmen, in denen mehrere Personen sprechen, ist es viel nützlicher als ein einfaches Transkript zu wissen, von wem welcher Text stammt. Viele Spracherkennungsdienste können die Sprecher voneinander unterscheiden und für jeden Satz den Zeitpunkt in der Aufnahme markieren. So lässt sich in einem Besprechungsprotokoll leicht finden, wer einen bestimmten Beschluss in welcher Minute der Aufnahme gesagt hat.

Was beeinflusst die Genauigkeit?

Die Qualität der Transkription hängt stark von der Qualität der Aufnahme ab. Ein Mikrofon nah am Sprecher, eine ruhige Umgebung und Sprecher, die einander nicht ins Wort fallen, erhöhen die Genauigkeit deutlich. Branchenspezifische Begriffe sowie Personen- und Produktnamen sind die Wörter, bei denen am häufigsten Fehler passieren. Dafür sollte man eine Begriffsliste vorbereiten und wichtige Texte vor der Veröffentlichung von einem Menschen durchsehen lassen.

Bei Untertiteln spielen auch Lesedauer und Zeilenlänge eine Rolle. Eine wörtliche Verschriftlichung der Rede ergibt nicht immer gute Untertitel. Lange Sätze werden in auf dem Bildschirm lesbare Teile zerlegt, Wiederholungen und Füllwörter werden vereinfacht. Für Ihre Videos können wir Untertitel und den Schritt des KI-Voiceovers zusammen mit unserer Leistung Social-Media-Videos im selben Ablauf planen.

Übersetzung und mehrsprachige Inhalte

Die maschinelle Übersetzung liefert heute für die meisten Texte einen schnellen, brauchbaren ersten Entwurf. Die eigentliche Schwierigkeit liegt darin, dass die Übersetzung zu Ihrer Marke und Ihrer Branche passt: dass derselbe Fachbegriff überall mit derselben Entsprechung übersetzt wird, dass die Anrede zur Zielkultur passt und dass Produktnamen unübersetzt bleiben. Bei Übersetzungen mit Sprachtechnologien bereiten wir deshalb zuerst ein Glossar und eine Stilnotiz vor.

Schritte der Lokalisierung

1. Glossar: Produktnamen, Fachbegriffe und Ausdrücke, die nicht übersetzt werden, werden aufgelistet.
2. Stilnotiz: Für jede Sprache werden Anredeform, Grad der Förmlichkeit und zu vermeidende Ausdrücke festgehalten.
3. Maschinelle Übersetzung: Der Text wird zusammen mit Glossar und Notiz übersetzt.
4. Menschliche Kontrolle: Wir empfehlen, zu veröffentlichende Texte von jemandem lesen zu lassen, der die Sprache wie seine Muttersprache beherrscht.
5. Ton und Untertitel: Bei Bedarf wird der übersetzte Text in jeder Sprache vertont und als Untertitel hinzugefügt.

Für eine mehrsprachige Website, einen Exportkatalog oder ein Präsentationsvideo für ausländische Besucher liefert dieser Ablauf ein einheitlicheres Ergebnis, als den Text jedes Mal von vorn übersetzen zu lassen. Bei Inhalten ohne Fehlertoleranz, etwa Rechtstexten, Verträgen und Gesundheitsinformationen, empfehlen wir, die maschinelle Übersetzung nur als Entwurf zu betrachten und den endgültigen Text von einem professionellen Übersetzer bestätigen zu lassen.

Mehrsprachiges Voiceover

Ein übersetzter Text hat nicht dieselbe Länge wie der Ausgangstext. In manchen Sprachen wird derselbe Satz deutlich länger oder kürzer. Bei Videos mit Erzählerstimme löst man diesen Unterschied, indem man Sätze vereinfacht oder die Szenendauer anpasst. Die Stimme einer Person, die vor der Kamera spricht, in eine andere Sprache zu übertragen, ist schwieriger. Bei solchen Inhalten sind Untertitel oft die sicherere Wahl.

Kulturelle Anpassung

Selbst ein richtig übersetzter Text kann im Zielmarkt befremden. Maße und Währungen, Datumsformate, Orts- und Personennamen in Beispielen oder Witze müssen in jeder Sprache neu bedacht werden. Beim Voiceover gilt dasselbe: Ein Tonfall, der in einem Markt als persönlich empfunden wird, kann in einem anderen Markt zu förmlich oder zu locker wirken.

Texte verstehen und Sprachassistenten

Die Sprachverarbeitung versteht, was ein Text sagt, und macht daraus etwas Nützliches. Eingehende E-Mails nach Thema sortieren, Zufriedenheit und Beschwerden in Kundenbewertungen gruppieren, lange Berichte zusammenfassen oder Daten, Beträge und Firmennamen aus einem Dokument herausziehen gehört in diesen Bereich. Sprachtechnologien arbeiten hier nicht mit Ton, sondern mit dem geschriebenen Text, der sich in Ihrem Unternehmen ansammelt.

Beispiele für Sprachverarbeitung

• Bewertungsanalyse: Bewertungen bei Google und auf Marktplätzen nach Thema und Stimmung gruppieren und sehen, wofür Sie Lob und wofür Sie Beschwerden bekommen
• Nachrichtenklassifizierung: Support-E-Mails in Rubriken wie Rückgabe, technisches Problem oder Rechnung einteilen und an die richtige Person weiterleiten
• Zusammenfassung: Lange Berichte, Ausschreibungsunterlagen oder Gesprächsprotokolle in kurze Notizen verwandeln
• Informationsextraktion: Bestimmte Felder aus Bestellformularen, Angeboten oder Vertragstexten ziehen und in eine Tabelle schreiben

Auch die Ergebnisse der Sprachverarbeitung sind nicht fehlerfrei. Ein ironischer Kommentar kann als positiv gewertet werden, eine E-Mail, die zwei Themen anspricht, wird womöglich nur einer Rubrik zugeordnet. Deshalb empfehlen wir, Klassifizierungs- und Extraktionsaufgaben meist im Vorschlagsmodus zu beginnen, das Ergebnis also einem Mitarbeitenden zur Bestätigung vorzulegen. Ist die Fehlerquote auf ein akzeptables Niveau gesunken, kann der Prozess stärker automatisiert werden.

Sprachassistent jenseits des Telefons

Beim Stichwort Sprachassistent denkt man meist ans Telefon. Für einen Assistenten, der Ihre Telefonleitung entgegennimmt, schauen Sie sich unsere Seite zum KI-Telefonassistenten an. Dieselbe Technologie lässt sich aber auch in anderen Umgebungen einsetzen: auf einem Infobildschirm in einem Laden oder einer Hotellobby, in einer mobilen App oder auf einer Website mit einer Oberfläche, in der man per Sprache Fragen stellen kann. Ein solcher Sprachassistent entsteht aus dem Zusammenspiel der Ebenen Spracherkennung, Sprachmodell und KI-Voiceover.

In Umgebungen, in denen Bildschirm und Stimme zusammen genutzt werden, ist das Design anders. Der Assistent spricht eine kurze Zusammenfassung der Antwort und zeigt die Details auf dem Bildschirm. In einer lauten Lobby muss der Nutzer statt zu sprechen auch tippen oder berühren können. Deshalb entwerfen wir den Sprachassistenten im Blick auf die Umgebung, in der er genutzt wird, und die Situation, in der sich der Nutzer gerade befindet.

Interne Prozesse mit Sprache

Ein Sprachassistent wird nicht nur für Gespräche mit Kunden genutzt. Mit derselben Technologie kann ein technisches Team im Außendienst seinen Besuchsbericht dem Smartphone erzählen und aus dem Vortrag ein geordnetes Formular erhalten. Auch ein Mitarbeitender im Lager, der die Hände voll hat, kann per Sprache nach dem Bestand fragen. Bei solchen internen Prozessen geht es darum, Informationen in Momenten, in denen eine Tastatur unpraktisch ist, ohne Verlust zu erfassen.

Qualität, Rechte und personenbezogene Daten bei Sprachtechnologien

Stimm- und Sprachtechnologien liefern schnelle Ergebnisse, doch diese Geschwindigkeit darf nicht zu unkontrollierten Veröffentlichungen führen. Ein von einer künstlichen Stimme vorgelesener falscher Preis, ein fehlerhaft übersetztes Produktmerkmal oder ein falsch transkribierter Name wird in Ihrem Namen veröffentlicht. Deshalb legen wir für jeden Inhaltstyp vorab fest, in welcher Phase ein Mensch kontrolliert.

• Lizenz: Die kommerziellen Nutzungsbedingungen fertiger künstlicher Stimmen unterscheiden sich von Dienst zu Dienst. Die Lizenz einer Stimme, die für Werbung oder Veröffentlichung genutzt werden soll, muss vorab geprüft werden.
• Tonaufnahmen: Besprechungs- und Gesprächsaufnahmen enthalten personenbezogene Daten. Es muss geklärt werden, an welchen Dienst sie gesendet werden und wie lange sie gespeichert werden.
• Transparenz: Bei einer Ansage mit künstlicher Stimme oder einem Gespräch mit einem Sprachassistenten schützt es das Vertrauen, wenn die Hörer wissen, dass es sich um KI handelt.
• Irreführende Nutzung: Die Stimme einer realen Person nachzuahmen und ihr Worte in den Mund zu legen, die sie nie gesagt hat, ist selbst mit Erlaubnis ein Thema, das sorgfältig behandelt werden muss.

Die Verarbeitung personenbezogener Daten fällt unter das türkische Datenschutzgesetz Nr. 6698 (KVKK). Zur Speicherung von Aufnahmen und zur Übermittlung an Dienste im Ausland empfehlen wir, die Leitfäden der türkischen Datenschutzbehörde (Kişisel Verileri Koruma Kurumu) anzusehen und den Rat Ihres Rechtsberaters einzuholen.

Häufig gestellte Fragen

Klingt KI-Voiceover auf Türkisch natürlich?

Aktuelle Dienste für KI-Voiceover können auf Türkisch flüssige Ergebnisse mit natürlicher Intonation liefern. Für Zahlen, Abkürzungen und fremde Produktnamen sollte man die Aussprache einstellen und das Ergebnis vor der Veröffentlichung durch Anhören prüfen.

Können wir die Stimme für das Voiceover auswählen?

Ja. Aus den Stimmen, die die Dienste anbieten, können wir gemeinsam die anhören und auswählen, die zum Ton Ihrer Marke passen. Die Stimme einer bestimmten Person darf dagegen nur mit deren ausdrücklicher Erlaubnis geklont werden.

Ist es sicher, Besprechungsaufnahmen mit KI in Text umzuwandeln?

Weil Aufnahmen personenbezogene Daten und Geschäftsinformationen enthalten können, sollten die Datenbedingungen des verwendeten Dienstes vorab geprüft werden. Wir empfehlen, den Dienst erst zu nutzen, wenn geklärt ist, wo die Aufnahmen verarbeitet werden, wie lange sie gespeichert werden und wer darauf zugreifen kann.

Ersetzt die maschinelle Übersetzung den professionellen Übersetzer?

Die maschinelle Übersetzung liefert für die meisten Inhalte einen schnellen, brauchbaren Entwurf, doch ein zu veröffentlichender Text sollte von jemandem geprüft werden, der die Sprache gut beherrscht. Bei Rechts-, Medizin- und Vertragstexten ist die Bestätigung durch einen professionellen Übersetzer nötig.

Wird ein Sprachassistent nur am Telefon genutzt?

Nein. Ein Sprachassistent kann auch in einer mobilen App, auf einer Website oder auf einem Infobildschirm in einem Laden oder einer Hotellobby laufen. Ein Assistent, der die Telefonleitung entgegennimmt, ist eines der verbreiteten Einsatzgebiete dieser Technologie.

Welche Sprachen unterstützen Sprachtechnologien?

Je nach verwendetem Dienst unterschiedlich, doch verbreitete Dienste für Sprachtechnologien unterstützen viele Sprachen, darunter Türkisch, Englisch, Deutsch, Russisch und Arabisch. Weil Ton- und Verständnisqualität von Sprache zu Sprache verschieden sind, testen wir jede Sprache, die verwendet werden soll, gesondert.

Planen wir Ihr Projekt für Stimme und Sprache gemeinsam

Erzählen Sie uns, welche Inhalte Sie vertonen, welche Aufnahmen Sie in Text umwandeln oder in welche Sprachen Sie übertragen möchten. Gemeinsam klären wir, womit der Einstieg in die Sprachtechnologien sinnvoll ist und wie der Arbeitsablauf aufgebaut werden sollte. Wenn Sie ein Beispielvideo, eine Aufnahme oder einen Text haben, bringen Sie ihn gern zum Gespräch mit, damit wir den Bedarf konkret einschätzen können. Sie erreichen uns über unsere Kontaktseite.