Text-zu-Sprache

Text-zu-Sprache, auch Sprachsynthese genannt, bezeichnet die automatische Umwandlung von geschriebenem Text in hörbare Sprache. Aktuelle Systeme erzeugen Stimmen mit natürlicher Betonung, Pausen und Sprechtempo, sodass der Unterschied zu einer Aufnahme im Studio häufig gering ausfällt. Die Gegenrichtung, also die Umwandlung von Gesprochenem in Text, heißt Sprache-zu-Text.

Im Handwerksbetrieb ist die häufigste Anwendung die Telefonie. Ein KI-Telefonassistent braucht eine Stimme, um Anrufer zu begrüßen, Rückfragen zu stellen und Termine zu bestätigen. Auch Bandansagen zu Betriebsferien, Notdienstzeiten oder geänderten Erreichbarkeiten lassen sich ohne Neuaufnahme ändern, indem einfach der Text angepasst wird. Weitere Einsatzfelder sind vorgelesene Arbeitsanweisungen für Monteure im Fahrzeug, akustische Sicherheitshinweise vor Arbeitsbeginn und mehrsprachige Ansagen für Kolonnen mit unterschiedlichen Muttersprachen.

Technisch relevant sind Verständlichkeit unter schlechten Bedingungen und der Umgang mit Fachbegriffen. Zahlen, Abkürzungen, Straßennamen und Bauteilbezeichnungen werden nicht immer richtig ausgesprochen. Viele Systeme erlauben Aussprachekorrekturen über eine eigene Wortliste, die bei technischen Begriffen und Ortsnamen der Region eingerichtet werden sollte.

Wirtschaftlich interessant ist vor allem die Änderbarkeit. Eine gesprochene Ansage musste bisher neu aufgenommen werden, wenn sich Notdienstzeiten, Zuständigkeiten oder Betriebsferien ändern. In der Praxis unterbleibt das häufig, und Anrufer hören monatelang veraltete Hinweise. Mit synthetischer Sprache genügt eine Textänderung, was die Pflege realistisch macht. Für Betriebe mit wechselnden Bereitschaften über das Jahr ist das der greifbarste Vorteil, unabhängig davon, ob später ein vollständiger Assistent dazukommt.

Wo KI ansetzt

In Kombination mit einem Sprachmodell entsteht aus Text-zu-Sprache ein Voicebot, der frei formulierte Antworten spricht statt fester Ansagen. Der Gewinn liegt darin, dass Auskünfte zu Terminen, Öffnungszeiten oder dem Stand eines Auftrags aus den eigenen Systemen kommen können, ohne dass jemand mithört und tippt.

Zwei Punkte sind zu beachten. Erstens muss erkennbar sein, dass mit einem KI-System gesprochen wird; das ergibt sich aus der Transparenzpflicht nach Artikel 50 der KI-Verordnung. Zweitens dürfen Stimmen realer Personen nicht ohne deren Einwilligung nachgebildet werden. Die Nachbildung der Stimme des Chefs für die Bandansage ist ohne dessen ausdrückliche Zustimmung keine gute Idee, und für Werbezwecke wird sie schnell zum Fall für irreführende Werbung.

Im Betrieb ist der häufigste Einsatz die Ansage am Telefon. Wird die Begrüßung eines Telefonassistenten synthetisch erzeugt, gehört der Hinweis auf das KI-System in dieselbe Ansage, denn der Anrufer muss erkennen können, mit wem oder womit er spricht. Ein zweiter Einsatz ist das Vorlesen von Arbeitsanweisungen oder Sicherheitshinweisen für Beschäftigte, die schriftliche Unterlagen nur mit Mühe lesen. In Verbindung mit einer Übersetzung lässt sich derselbe Inhalt in mehreren Sprachen ausgeben, ohne dass jemand sie einsprechen muss.

Praktischer Hinweis: Ansagen sollten kurz und in einfachen Sätzen geschrieben werden. Sprachsynthese liest, was dasteht, und lange Schachtelsätze wirken am Telefon schnell unverständlich.