Sprechende Computer Reines Geplapper
Redende Rechner und plappernde Roboter als einfühlsame Zeitgenossen: Kaum eine Science-Fiction-Phantasie kommt ohne sie aus. Der Traum von der sprechenden Maschine ist jahrhundertealt und wird seit dem Beginn des Computerzeitalters intensiver geträumt als je zuvor. Doch mit der Einsicht, dass Künstliche Intelligenz noch lange auf sich warten lassen wird, ist der Traum zugleich in immer weitere Ferne gerückt.
Zwar hat sich manches getan, seit sich der Rechner nach dem Einschalten schlicht als "Ready" bezeichnete, blinkende Cursors auf Befehle wartete und doch nur für eine Sprache bereit war - Maschinensprache. Doch grafischen Benutzeroberflächen und bunten Symbolen zum Trotz bleibt die Verständigung von Mensch und Maschine eine Geschichte der Missverständnisse.
Synthetische Sprache wird flüssiger
Während "verstehende" Computer noch weit in der Zukunft liegen, sind die Forscher mit ihren Versuchen, dem Rechner das Reden beizubringen, zuletzt weitergekommen. Die synthetische Sprache wird immer flüssiger, klarer und verständlicher und ist längst nicht nur für Blinde interessant.
So stellt die Bochumer Firma G Data jetzt die vierte Generation ihres "Webspeech"-Programms vor. Dabei handelt es sich um ein für den Internet Explorer konzipiertes Plugin, das Inhalte von Internetseiten vorliest - wenn's sein muss, auch mit französischem oder hessischem Akzent. Der User kann sich so die Inhalte einer Seite vorlesen lassen, während er auf anderen weitersurft. Geld verdienen will G Data nach dem Prinzip, das die Firma Adobe bereits erfolgreich mit dem Acrobat Reader vorexerzierte: Das Plugin gibt's gratis, das Werkzeug zum Erstellen der Inhalte - in diesem Fall "sprechender" Websites - ist kostenpflichtig.
"User kann Ohren nicht zuklappen"
Ist Webspeech einmal installiert, verursacht die Sprachausgabe keine zusätzlichen Ladezeiten. Anstatt digitalisierte Sprachdateien mit enormem Speicherbedarf zu empfangen, "liest" das Text-to-Speech-Plugin den Text und vertont ihn mit Hilfe seiner eigenen Laut-Bibliothek. Webdesignern eröffnen sich auf diesem Weg ungeahnte Möglichkeiten: Textzeilen können übersehen, Popup-Fenster geschlossen und gefiltert werden, doch die Sprachnachricht kommt immer an. "Der User kann seine Ohren nicht zuklappen", sagt G Data-Mitarbeiter Michael Zimmer.
Zudem aktiviert Webspeech den Spieltrieb der Internetsurfer: Bill, Johanna, Martin und Silke erzählen, was auf dem Monitor Sache ist, auf Wunsch mit ebenso bunten wie unpraktischen Effekten. Auf der G Data-Homepage gibt's gar eine "Phrasendreschmaschine" und einen "Schimpfwortgenerator". Letzterer ist eine scharfe Waffe in den Händen wenig schlagfertiger Mobbing-Opfer. Die PC-Lautsprecher voll aufgedreht, den Namen des fiesen Kollegen eingetippt, und schon dröhnt ein "Müller, du blöder Dummfurz eines schizophrenen Kotzakrobaten" durchs Büro. Dem Rest der Belegschaft dürfte das mittelschwere Lachkrämpfe und dem Gemobbten ein paar ruhige Tage einbringen.
Laute in Kleinteile zerschnippelt
Es dauerte eine Weile, den Computer solche Sätze in überraschend akzentuierter Sprache zu entlocken. G Data hat mit Hilfe der Saarland-Universität das Verfahren der Mikrosegment-Synthese entwickelt. Dabei wird die menschliche Sprache in kleinste Teile zerschnippelt und zu neuen Wörtern zusammengesetzt. Je kleiner die Segmente ausfallen, desto stärker lassen sie sich verallgemeinern und universell in verschiedenen Worten verwenden. "Das reduziert die Zahl der Segmente enorm", sagt William Barry, Professor für Computerlinguistik an der Saarland-Uni und Miterfinder der Mikrosegment-Synthese.
Das Verfahren der Saarländischen Forscher basiert auf der so genannten Diphon-Synthese, benötigt aber statt 3500 nur rund 380 Sprachsegmente. Der Speicherbedarf der Segment-Bibliothek schrumpfte entsprechend auf 1,5 Megabyte, während die Qualität der Sprachausgabe in etwa gleich blieb. Das gesamte Webspeech-Plugin ist 5,7 MB groß, was selbst Modem-Benutzern erträgliche Download-Zeiten verspricht.
Eine bessere Sprachqualität bietet die Unit-Selection-Synthese, die etwa beim Realspeak-Verfahren von L&H angewandt wird. Statt mit Mini-Segmenten arbeitet sie mit größeren Versatzstücken, die ganze Wörter oder gar komplette Phrasen umfassen können. "Wenn lange Bausteine eingesetzt werden, ist das Ergebnis sehr nahe an der natürlichen Sprache", sagt Barry. Das Problem: Allzu oft müssen kleinere Schnipsel zwischen die großen Bausteine geschoben werden, was den Sprachfluss wieder zerhackt. Für mobile Anwendungen ist die Unit-Selektion-Methode ohnehin indiskutabel: Sie benötigt Datenbanken von gewaltiger Größe, deren Durchsuchen jede Menge Rechenpower verschlingt.
Doch wie groß die Datenbanken auch werden, wie stark die Sprachsynthese auch verfeinert wird: Das Resultat klingt hart, kantig, maschinell - weil die Maschine nicht versteht, was sie sagt und ihre Sätze nicht entsprechend betont. Betonung und Melodie aber sind elementare Merkmale menschlicher Sprache. Wenn etwa ein Werner Hansch sprachliche Purzelbäume schlägt, weil Schalke den FC Bayern mit einem Torgewitter vom Platz pustet, bleibt Kollege Computer cool. Woher soll er auch wissen, dass den Bayern so etwas nicht jede Woche passiert?
Die Lösung heißt künstliche Intelligenz
Um zu verstehen, was er von sich gibt, müsste der Computer über das verfügen, was Forscher "Weltwissen" nennen. Ihm ein solches einzuimpfen, stellt Informatiker wie Linguisten vor eine derzeit unlösbare Aufgabe: die Verwirklichung der Künstlichen Intelligenz. "Die Lösung aller Probleme wäre, dem Rechner semantische Informationen zu geben", erklärt Manfred Stede, Sprachwissenschaftler an der Uni Potsdam. "Aber das ist in absehbarer Zeit nicht zu schaffen."
Die aktuellen Verfahren basieren derweil auf statistischen Verfahren: Computer werden mit ungeheuren Mengen gespeicherter Texte gefüttert und leiten daraus Regeln ab. "Wenn 'rosarot' 40-mal vor 'Wolke' auftaucht, kann der Computer daraus schließen, dass er es mit einem Adjektiv zu tun hat", sagt Stede. "Was 'rosarote Wolke' bedeutet, weiß er dann aber noch lange nicht."
