Spracherkennungssysteme k\u00f6nnen dazu beitragen, ein ansprechendes, nahtloses Benutzererlebnis zu schaffen, bei dem die Anwender auf nat\u00fcrliche Weise kommunizieren k\u00f6nnen. Denn es ist einfacher, die eigene Stimme einzusetzen als W\u00f6rter einzutippen. So wird die H\u00fcrde zwischen uns und unseren Ger\u00e4ten abgebaut.<\/p>\n
Richard Strauss sagte einst: \u201eDie menschliche Stimme ist das sch\u00f6nste Instrument, aber es ist am schwierigsten zu spielen.\u201c Damals bezog Strauss sich wohl auf einen seiner Operns\u00e4nger. Heute besch\u00e4ftigen sich auch Technologiefirmen mit den H\u00f6hen und Tiefen der menschlichen Stimme, um die Interaktionen mit den Nutzern personalisierter zu gestalten.<\/p>\n
Die meisten Menschen kennen sprachgesteuerte digitale Assistenten wie Siri von Apple, Amazons Alexa, Microsoft Cortana und Google Voice. Sie nutzen diese Technologien, um Informationen zu finden, Lebensmittel zu bestellen, Termine zu vereinbaren, Musik zu h\u00f6ren oder Fernsehen zu schauen. In nur einem Jahrzehnt haben sich Sprachtechnologien von einer unterhaltsamen Neuheit zu einem h\u00e4ufig verwendeten Tool entwickelt, das inzwischen in vielen Verbraucheranwendungen und einigen Unternehmensl\u00f6sungen zu finden ist.<\/p>\n
Trotz dieser Entwicklung sind die Fortschritte bei der Voice-Technologie nicht so gro\u00df, wie viele sich erhofft hatten. Die meisten Projekte auf dem Gebiet der Spracherkennung werden von einer Handvoll f\u00fchrender Unternehmen durchgef\u00fchrt. Sie haben fr\u00fch damit begonnen und viel Geld in die Entwicklungsarbeit gesteckt. Deshalb sind diese Sprachdaten meist teuer und urheberrechtlich gesch\u00fctzt. Und f\u00fcr die Entwicklung von Spracherkennungsanwendungen werden enorme Datenmengen ben\u00f6tigt.<\/p>\n
Um m\u00f6glichst viele Nutzer zu gewinnen und hohe Umsatzchancen zu schaffen, konzentrierten sich die gro\u00dfen Unternehmen auf weit verbreitete Sprachen wie Englisch und Spanisch. Sie haben Stimmdatens\u00e4tze erstellt, um ihre Spracherkennungs-Engines zu trainieren. Doch die meisten dieser Stimmproben wurden von geschulten Sprechern erstellt \u2013 von M\u00e4nnern, die in ihrer Muttersprache kommunizieren.<\/p>\n
Infolgedessen ist die Sprachtechnologie in Bezug auf die Vielfalt der Redner und Sprachen nicht gerade inklusiv. Das zeigt folgendes Beispiel: Eine Freundin von mir ist \u00d6sterreicherin und spricht sowohl Englisch als auch Deutsch. Doch sie hat Probleme mit ihrem intelligenten Assistenten. Aufgrund ihres starken \u00f6sterreichischen Akzents versteht der virtuelle Assistent sie nicht \u2013 weder in der einen noch in der anderen Sprache und auch dann nicht, wenn sie jedes Wort besonders klar ausspricht. So verl\u00e4sst sie sich nun auf ihre Kinder, die Englisch-Muttersprachler sind, und bittet sie, dem Computer die m\u00fcndlichen Anweisungen zu geben.<\/p>\n
Die Wahrscheinlichkeit, dass die gro\u00dfen Unternehmen Engines f\u00fcr kleinere, unterrepr\u00e4sentierte Sprachen erstellen werden, ist eher gering. Das ist bedauerlich, denn Sprache ist wichtig f\u00fcr die kulturelle und politische Identit\u00e4t der Menschen. Englisch ist zwar die Verkehrssprache des Internets geworden, aber eine Software in der eigenen Sprache zur Verf\u00fcgung zu haben ist etwas anderes.<\/p>\n
Wenn wir uns bei Sprachtechnologien auf eine Handvoll dominanter Sprachen beschr\u00e4nken, riskieren wir, viel vom kulturellen Reichtum zu verlieren, den wir durch unsere weltweiten sozialen Interaktionen gewinnen. Spracherkennungssoftware auf weniger verbreitete Sprachen auszudehnen, k\u00f6nnte neue T\u00fcren f\u00fcr Innovationen \u00f6ffnen. Man denke an Regionen mit niedrigen Alphabetisierungsraten. Dort sind schriftliche Interaktionen ein bedeutender Hemmschuh f\u00fcr die Nutzung neuer Technologien. Unsere Hypothese ist, dass sich mit Sprachtechnologie ein enormes digitales Potenzial erschlie\u00dfen l\u00e4sst \u2013 und zwar f\u00fcr Gruppen, die bisher noch nicht in die digitale Zukunft einbezogen wurden. Das Wachstumspotential f\u00fcr die digitale Wirtschaft k\u00f6nnte beachtlich sein.<\/p>\n
Um dieser Herausforderung zu begegnen, bitten wir die Open-Source-Community, zur Demokratisierung der Sprachtechnologien beizutragen, indem sie die Spracherkennung und die Algorithmen der nat\u00fcrlichen Sprachverarbeitung verbessern. Aber es gibt zweifellos Hindernisse f\u00fcr Open-Source-Innovationen.<\/p>\n
Entwickler ben\u00f6tigen einen Sprachtechnologie-Stack, einschlie\u00dflich einer Trainingsdatenbank, die dem Computer beibringt, Sprache zu verstehen. In dieser Datenbank m\u00fcssen Trainingsdaten enthalten sein \u2013 je mehr, desto besser. Die gro\u00dfen Unternehmen verf\u00fcgen \u00fcber diese Daten und k\u00f6nnen deren Nutzung durch Lizenzen einschr\u00e4nken. In der Regel stehen solche Datenbanken auch nur f\u00fcr eine begrenzte Anzahl von Sprachen zur Verf\u00fcgung. Und sich wenn eine Anwendung als erfolgreich erweist, werden die Lizenzkosten f\u00fcr die Daten nahezu unerschwinglich.<\/p>\n
Um diesen Herausforderungen zu begegnen, hat Mozilla eine IT-Infrastruktur geschaffen, die dazu beitr\u00e4gt, dass die Spracherkennung von der \u00d6ffentlichkeit genutzt werden kann. Mit unserer Common-Voice-Datenbank stellen wir eine Online-Plattform zur Verf\u00fcgung, die es Freiwilligen erm\u00f6glicht, zuf\u00e4llig ausgew\u00e4hlte S\u00e4tze in ihrer Sprache einzusprechen.<\/p>\n
Die Sprachaufzeichnungen werden auf der Plattform in einem Datensatz gesammelt. Die Freiwilligen k\u00f6nnen auch bewerten, ob andere S\u00e4tze korrekt ausgesprochen wurden und tragen so dazu bei, die Qualit\u00e4t der Datensammlung zu verbessern. Common Voice h\u00e4lt derzeit Hunderttausende validierte Sprachaufnahmen bereit \u2013 eingesprochen von mehr als 51.000 Personen. Und dieser Datensatz steht Open-Source-Entwicklern zur Verf\u00fcgung. Jede Entwickler-Community, die damit beginnen m\u00f6chte, einen Sprachkorpus in ihrer Muttersprache aufzubauen, kann diesen Datensatz verwenden und sogar erg\u00e4nzen.<\/p>\n
Wir bei Mozilla setzen uns daf\u00fcr ein, die digitale Sprachkluft zu \u00fcberbr\u00fccken. Deshalb haben wir eine Spracherkennungs-Engine namens DeepSpeech entwickelt. Damit stellen wir unabh\u00e4ngigen Entwicklern eine Spracherkennungssoftware und trainierte Modelle zur Verf\u00fcgung. Indem wir Sprachdaten \u00f6ffentlich und frei verf\u00fcgbar machen und sicherstellen, dass die Daten die Vielf\u00e4ltigkeit der Menschen widerspiegeln, hoffen wir, die Spracherkennungstechnologie f\u00fcr alle zu verbessern.<\/p>\n
Die Ergebnisse unserer Projekte sind ermutigend und manchmal \u00fcberraschend. Zu Beginn des Projekts haben wir mit Englisch gearbeitet. Als wir die Plattform dann f\u00fcr weitere Sprachen \u00f6ffneten, rechneten wir mit den gr\u00f6\u00dften Zuw\u00e4chsen in den am meisten gesprochenen Sprachen wie Deutsch, Spanisch und Franz\u00f6sisch.<\/p>\n
Aber wir hatten nicht bedacht, dass Sprache politisch sein kann. Vor etwa zwei Jahren war unser am schnellsten wachsender Datensatz Katalanisch, die Sprache der Konfliktregion Katalonien im Nordosten Spaniens. Die Menschen in dieser Region vertreten seit jeher mit gro\u00dfem Stolz ihre Kultur, indem sie Katalanisch statt Spanisch sprechen. Dort hatte sich eine gro\u00dfe Community gebildet, die Voice-Samples auf Katalanisch f\u00fcr das Common-Voice-Projekt zusammentrug. Damit hatten wir nicht gerechnet.<\/p>\n
Aber es war eigentlich nicht verwunderlich. In Software ist immer auch ein kulturelles Element verankert, unabh\u00e4ngig davon, ob es wahrgenommen wird oder nicht. Software soll neutral sein, aber wir sollten uns bewusst sein, dass darin auch implizite kulturelle Wertaussagen und Urteile zum Ausdruck kommen.<\/p>\n
Unabh\u00e4ngig davon, ob wir Business-to-Business- oder Business-to-Consumer-Software entwickeln, werden Spracherkennungstechnologien in absehbarer Zukunft ein wesentlicher Bestandteil von Software sein. Doch wenn nur wenige Unternehmen \u00fcber die erforderlichen Ressourcen verf\u00fcgen, um die Spracherkennung in Anwendungen einzusetzen, kann dies zum Problem werden. Hinzu kommt, dass der gro\u00dfe Kundenstamm dieser Unternehmen stets mit ihren Ger\u00e4ten interagiert. Das bedeutet, dass die gro\u00dfen Konzerne im Hinblick auf das Sammeln vielf\u00e4ltigerer Voice-Samples dem Wettbewerb Lichtjahre voraus sind.<\/p>\n
Firmen ohne eigene Sprachtechnologie sind zunehmend von den vier oder f\u00fcnf f\u00fchrenden Unternehmen abh\u00e4ngig. Diese Unternehmen k\u00f6nnen den Preis f\u00fcr ihre Technologie festlegen und bestimmen, ob die Nutzer einen Anspruch auf den Schutz ihrer pers\u00f6nlichen Daten<\/a> haben sollten oder nicht. Das ist ein Problem \u2013 f\u00fcr Mozilla und f\u00fcr mich pers\u00f6nlich.<\/p>\n Wir wissen, dass Spracherkennungssysteme uns jederzeit zuh\u00f6ren k\u00f6nnen, auch wenn sie eigentlich nur auf bestimmte Weckw\u00f6rter reagieren sollten. Die anonymisierten Aufzeichnungen in der Cloud sind nicht immer anonym. Wir wissen, dass Sprachaufnahmen auch dann gesammelt und gespeichert werden, wenn die Benutzer das Weckwort nicht gesprochen haben. In einigen F\u00e4llen wurde der Polizei Zugang zu Aufzeichnungen gew\u00e4hrt, um strafrechtliche Ermittlungen zu erleichtern. Jedes Unternehmen \u2013 und jede Privatperson \u2013 sollte sich Gedanken um diese Datenschutzthemen machen.<\/p>\n Eine Open-Source-Alternative zu haben, die nicht zur beherrschenden Stellung dieser Unternehmen beitr\u00e4gt, w\u00fcrde sich lohnen. Die Technologie wird innovativer, wenn sie nicht von wenigen Konzernen kontrolliert und der Weg von ihnen vorgegeben wird. Aus unserer Erfahrung mit der Entwicklung des Open-Source-Webbrowsers Firefox \u00fcber den letzten 20 Jahre wissen wir, dass einige der besten Produktinnovationen von Nutzern und Open-Source-Entwicklern stammen. Erfolgreiche Open-Source-Technologien stehen einer hohen Anzahl an Entwicklern und Unternehmern zur Verf\u00fcgung. Freie Software er\u00f6ffnet rasch ein dynamischeres Partnernetz und ebnet den Weg in eine bessere, digitale Zukunft.<\/p>\n