Seit meinem Umzug von Leipzig nach Passau bin ich dazu gezwungen, mich mehr zu Fuß als mit öffentlichen Verkehrsmitteln fortzubewegen. Das hat mich zu Beginn ziemlich gestört, da ich es seit meinem Studium in Berlin vor mehr als 20 Jahren schon immer genossen habe, in U-Bahnen, S-Bahnen und Straßenbahnen irgendetwas zu lesen. Vor Kurzem habe ich aber dann entdeckt, dass dank der neuen Sprachmodelle viele Inhalte auf Onlinemedien inzwischen auch direkt gehört werden können, anstatt sie zu lesen. Während ich es nämlich inzwischen zu einiger Meisterschaft gebracht habe, mit Buch oder Mobiltelefon in der Hand durch die Gegend zu laufen, ohne mich oder andere zu gefährden, so habe ich doch gemerkt, dass diese Art der Fortbewegung nicht von allen Menschen, denen man tagsüber so begegnet, wirklich gern gesehen wird.
Da bietet sich das diskrete Hören von Zeitungsartikeln und Ähnlichem mit Kopfhörer natürlich gut an, zumal das Ohrhören dank der kleinen Ohrknöpfe, die endlich nicht mehr nur den FBI-Agenten aus den Hollywoodfirmen zur Verfügung stehen, inzwischen ja auch unheimlich gut kaschiert werden kann. Ermöglicht wird das Hören von aktuellen Zeitungstexten, die man sonst lieber lesen würde, von computergenerierten Stimmen, die den Inhalt zwar immer noch ein wenig monoton, aber im Vergleich doch viel ansprechender als noch vor einigen Jahren, flüssig vorlesen. So kann man, wenn man sich zu Fuß oder zu Rade fortbewegt, gemütlich das anhören, was man ansonsten in der Leipziger Straßenbahn oder der Berliner U-Bahn gelesen hätte.
Was mich an Text-to-Speech, wie das computergenerierte Vorlesen von Texten in der Computerlinguistik genannt wird, inzwischen beeindruckt, ist die große Qualität, mit der die meisten Passagen komplett fehlerlos und zuweilen auch ansprechend vorgelesen werden können. Diese Qualität ist Meilen entfernt von den monotonen und manchmal daher auch schwer verständlichen Bahndurchsagen, an die ich mich nie richtig gewöhnen konnte. Sie zeigt eindrucksvoll, wie weit sich bestimmte Sprachtechniken in den letzten zehn Jahren verändert haben. Ein Gespräch mit einem Bot, der wie im Film Her von 2013 das persönliche Sekretariat leitet und einem freundlich Termine in den Kalender einträgt, kann ich mir inzwischen tatsächlich vorstellen, auch wenn es mich genauso wenig reizt wie die Vorstellung, eine Alexa aufzufordern, irgendwelche Musik zu spielen.
Trotz der weit verbesserten Qualität weist die KI-basierte Umwandlung von Lesetexten in Hörtexte zuweilen immer noch komische Probleme auf. Die Fehler treten vor allem bei Textstellen auf, bei denen Menschen eigentlich kaum Fehler machen, vor allem bei Zahlen oder Abkürzungen, und äußern sich in einem zuweilen fast lustig anmutenden Kauderwelsch, das sehr entfernt an Menschen erinnert, die über Wörter, deren Aussprache sie nicht richtig kennen, rasch hinweghuschen. Dass diese KI-generierten Hörtexte zwar wunderbar flüssig alle möglichen zuweilen auch komplizierteren Texte vorlesen können, aber dann über einfache Zahlen stolpern, wenn die mal ein bisschen ungewöhnlicher sind als 0815 oder 4911, kann bei zahlenlastigen Texten rasch dazu führen, dass der ganze Hörtext unbrauchbar ist. Ohne konkrete Texte zu zitieren, genügt es, in der Webpräsentation von traditionellen Tageszeitungen, die einen Vorlesetext, der KI-generiert ist, anbieten, einfach Texte aufzusuchen, die verschiedenste Prozentzahlen aufzuweisen (Statistiken zur Erwerbsarbeit, Statistiken zu Zöllen), um zu erleben, wie die KI sich einen zurechthalluziniert.
Was noch dazu kommen kann, sind sehr komische Lautstärkenunterschiede, die dazu führen, dass man sich erschreckt und den Ton runterdreht oder ihn genervt hochdreht, weil man plötzlich nichts mehr versteht, gepaart mit komischen Pausen, die vor allem beim Namen des meist miesgelaunten Vizepräsidenten zu einem komischen Stocken vor dem Vance und nach dem J. D. führen. Ein frei erfundener Satz wie “Das zeigte sich auch, als J. D. Vance die Bühne betrat…” hört dann nach dem J. D. erst mal auf, bevor es nach zweisekündiger Pause mit Vance weitergeht (…Dscheidi — einundzwanzig zweiundzwanzig — Vänz…).
Bei diesen ganzen Aussetzern kann man schon ins Grübeln geraten, was genau wir von KI in Zukunft eigentlich werden erwarten können. Tatsächlich treten die Aussetzer nicht so besonders häufig auf. Das ist jedoch doch häufig genug, um sich zu fragen, warum sie denn überhaupt auftreten müssen, wenn die Technik doch — glaubt man dem Hype der Techbros — schon so weit ist, dass wir erwarten müssen, in zwei Jahren von Skynet regiert zu werden. Man stelle sich den bösen Terminator — den, der sich in beliebige Menschen verwandeln und diese perfekt imitieren kann — vor, wie er sich in die Form eines Polizisten gießt, und Sarah Connor dann auf der Straße anhält und sagt “Bitte zeigen Sie mir Ihre Fahrzeugpapiere, Sie sind hunatzweinundrüßig gefahren, hier sind aber nur huntzwingzweizig erlaubt”.
Dass die KI Zahlen falsch ausspricht ist dabei recht einfach zu erklären. Wenn man ein Modell lediglich trainiert und dann auf Text loslässt, ohne es weiter regelbasiert zu korrigieren (was vielleicht auch gar nicht so einfach wäre), dann wird das Modell immer dann straucheln, wenn es Dinge vorfindet, die es noch nicht gesehen hat. Während die Zahl 3 aber häufig auftaucht, ist es sicher sehr unwahrscheinlich, dass man die exakte Zahlenfolge 255376 wirklich in den Trainingsdaten wird auffinden können. Wenn diese aber fehlt, wird es schwer, Zahlen richtig zu generieren.
Was ich jedoch nicht verstehe, ist, warum man nicht einfach Zahlen extra vorlesen lässt. Es sollte ja nicht so viel kosten, jemanden alle Zahlen von 0 bis 100000 einmal aufsagen zu lassen. Das genügt ja dann vielleicht sogar schon, wenn man die KI mit weiteren Beispielen füttert und mit den Zahlen ausgiebig trainiert. In der Schule wird ja traditionell viel über Zahlen gesprochen, viele Kinder zählen ja sogar freiwillig den ganzen Tag vor sich hin, und man könnte sie entschädigen, indem man ihnen verspricht, ihre Schulgebäude zu renovieren.
Warum die KI immer über Vance stolpert ist mir dabei erst vor Kurzem aufgefallen. Da der Name immer mit den Punkten abgekürzt wird, weil irgendwie kein Mensch ihn beim Vornamen nennen will, tauchen zwei Punkte nach den Initialen auf, die die KI wahrscheinlich als Satzzeichen interpretiert. Dazu passt, dass die Stimme immer gesenkt wird vor dem zweisekündigen Aussetzer. Wie man derartige Initialnamen in das KI-Sprechtraining einbauen will, ist mir weniger gut klar. Man kann ja schlecht allen Ausnahmen hinterherlaufen. Wenn Vance weiterhin in den Schlagzeilen bleibt, wäre es aber wünschenswert, irgendeinen Mechanismus einzubauen, mit dem man die KI dazu bringen kann, grobe Fehler erst mal zu korrigieren.
Aber was eigentlich noch viel besser wäre, wäre es doch, wenn man anfängt, maschinenfreundlicher zu schreiben. Wir haben uns ja schon längst angewöhnt, mit Maschinen zu sprechen. Wenn ich bei Telefonanrufen eine generierte Stimme höre, sage ich zum Beispiel immer direkt und laut und langsam im unfreundlichsten und genervtesten Ton, der mir von den Lippen rutscht, “MITARBEITER”. Das mache ich dann so lange, bis ich mit einem Menschen sprechen kann. Jetzt sollten wir uns eben einfach angewöhnen, für Maschinen zu schreiben, wenn wir wollen, dass sie laut vorlesen, was wir verrichten. So schwer dürfte das dabei eigentlich gar nicht sein. Von den Sozialen Medien kennt man ja schon Praktiken, wie den Hashtag, den man inflationär vor jedes Wort setzt, dem man das Potenzial zuspricht, richtig steil viral zu gehen. Wir müssen uns nur angewöhnen, durch die gezielte Nutzung von solchen Sonderzeichen, die Stolpersteine zu markieren, die die KI zum kollabieren bringen. Dass die KI dann lernt, mit diesen anders umzugehen, das können wir bewusst den Nerds und Techbros überlassen.
Zahlen können wir zum Beispiel problemlos als ganze Wörter ausschreiben, oder wir markieren sie von nun an mit einem Ausrufezeichen, damit die KI merkt, dass da was kommt, was sie sauber aussprechen soll, ohne darüber hinwegzunuscheln. Es würde sicherlich wenigen Leuten wirklich schwer fallen, statt Er wohnte in der Intelligenzgasse 1312...
einfach Er wohnte in der Intelligenzgasse !1312...
zu schreiben. Dann würde auch die dümmste KI — ein bisschen Training und algorithmische Anpassung vorausgesetzt — bald merken, dass sie nicht gleich laut “ACAB” schreien soll, wenn sie Tausenddreihundertzwölf liest. Da die Texte nur von der Maschine gelesen werden, kann man die Markierungen mittels Sonderzeichen direkt wieder ausblenden, wenn sie an die normalen Menschen gesendet werden. Programme zu schreiben, die das tun, wäre trivial.
Man kann das ganze weiterdenken und Punkte, die auf eine Abkürzung verweisen von Punkten, die auf ein Satzende hinweisen, unterscheiden. Das würde den Sprachmodellen sicher gut tun. Zusätzlich könnte man linguistische Traditionen ehren und zusätzlich eine Lautschrift einfügen, die schwere Wörter erklärt, wie dies ja auch bei der Tagesschau gemacht wird. Ein Satz wie “Am Abend wies J.[dʒɛi] D.[di] Vanze[væns] laut darauf hin, das es schön sei, wenn ein Präsident bis !88 regieren könnte” wäre dann sicher ohne Stolpersteine für jede KI zu lesen.
Bei allem Unernst, den ich hier mit den Beispielen zum Ausdruck bringen mag, denke ich wirklich, dass es relativ einfach sein sollte, die Qualität der Text-to-Speech-Produktion im Internet erheblich zu steigern. Man müsste eben anfangen, nicht einfach eine KI auf einen nicht weiter redigierten Text loszulassen, sondern stattdessen ernsthaft an Methoden arbeiten, die uns Menschen die Macht über die Ausgabe zurückgeben. Statt blind auf ein Sprachmodell zu vertrauen und seine Halluzinationen widerstandslos hinzunehmen, brauchen wir in den Bereichen, in denen Schrift automatisch gelesen werden soll, stattdessen klare Tools, die es uns beim Schreiben direkt erlauben, das Vorgelesene zu kontrollieren und zu überprüfen.
Wer das für einen übertriebenen Aufwand hält, vielleicht sogar eine Zumutung für alle die, die Texte produzieren und sie öffentlich teilen, der sei daran erinnert, dass die Idee von barrierefreien Texten ja genau auf dieser Idee beruht und als offizielle Richtlinie bereits die konkrete Arbeit von Behörden und Verwaltungen bestimmt. Während es dabei vorwiegend darum geht, Menschen, die nicht so gut sehen können, zu helfen, sich mit maschineller Hilfe durch Dokumente zu navigieren (List 2023), würde eine maschinengerechte Formatierung von Texten den nächsten Schritt von Barrierefreiheit darstellen, weil sie es ja ermöglicht, Texte, die im Medium Schrift verfasst wurden, im auditiven Medium zu rezipieren, indem man die Fortschritte in der KI mal ausnahmsweise für etwas Sinnvolles einsetzt, anstatt sie wie gewöhnlich für die Produktion von dämlichen Bildern zu missbrauchen, die man auf Social Media teilt, oder sie ohne Rücksicht auf zivile Opfer in Kampfeinsätzen wählen lässt, wo denn Bomben am besten abgeworfen werden können.
Tatsächlich muss ich zugeben, dass ich nicht sehr gut darüber informiert bin, wie genau die Zeitungen die KI einsetzen, um Schriftsprache in gesprochene Sprache umzuwandeln. Vielleicht sind solche Ideen, die es erlauben, die Aussprache direkt im Text zu fördern, anstatt weiter naiv zu hoffen, dass mit mehr Daten und noch teureren Modellen die Aussprache immer besser wird, ja bereits im Umlauf oder werden bereits umgesetzt. Ich muss allerdings sagen, dass ich mir wünschen würde, dass diese Diskussionen nicht nur in den Firmen oder Zeitungsredaktionen geführt werden, sondern allgemein in die Bereiche Einzug halten, wo Texte in schriftlicher Form von Menschen produziert werden. Wenn wir wollen, dass KI unser Leben positiv verändert, sollten wir alle uns darüber Gedanken machen, wie wir KI besser trainieren können, anstatt darauf zu vertrauen, dass es genügt, auf illegale Art den Umfang der Daten immer weiter zu vergrößern.
References
- List, Johann-Mattis (2023): Strukturprobleme [Structural problems]. Von Wörtern und Bäumen 7.08. https://doi.org/10.58079/vbro