So funktioniert Spracheingabe

Wie Spracherkennung lernt und warum Kontext bei Namen und Fachbegriffen hilft

Training und Alltagseinsatz, warum Modelle mit unbekannten Namen und Akzenten kämpfen, wie Kontexthinweise und Wörterbücher die Erkennung lenken und warum Diktieren nicht heißt, dass deine Stimme das Modell trainiert.

MacWindowsiPhoneAndroid

Kurz gesagt

Ein Sprachmodell lernt aus riesigen Mengen aufgenommener Sprache mit passendem Text und wendet das Gelernte dann auf deine Stimme an. Am besten ist es bei dem, was es oft gesehen hat, am schwächsten bei seltenen Namen und Fachjargon. Ein Kontexthinweis, etwa die Wörter in deinem Wörterbuch, lenkt die Erkennung zu deinen Begriffen, ohne das Modell selbst zu verändern, und ein Hinweis bedeutet nicht, dass deine Aufnahmen zu Trainingsdaten werden.

Slack

Du sagst

kannst du den hotfix vor der demo mit acme auf kubernetes ausrollen

SayVelio schrieb

Kannst du den Hotfix vor der Demo mit Acme auf Kubernetes ausrollen?

Training und Nutzung sind zwei verschiedene Momente

Maschinelles Lernen lässt ein Modell Muster aus Beispielen finden statt aus handgeschriebenen Regeln. Für Sprache sind das Aufnahmen zusammen mit dem, was gesagt wurde. Training passt die internen Parameter des Modells über sehr viele solcher Beispiele an. Inferenz ist das, was passiert, wenn du diktierst: Das fertige Modell wird auf deine neue Aufnahme angewendet.

Beides ist getrennt. Ein diktierter Satz bringt dem Modell für sich genommen nichts bei. Ob ein Anbieter Kundenaudio jemals fürs Training nutzt, ist eine Frage der Richtlinien, keine technische Notwendigkeit. SayVelio trainiert keine KI mit deinen Daten, siehe Datenschutz bei der Spracheingabe.

Wo ein Modell stark ist und wo es stolpert

Ein Modell spiegelt wider, womit es trainiert wurde. Ein häufiges Wort, klar gesprochen in einem ruhigen Raum, ist einfach. Schwieriger wird es, wenn dein Audio von den Trainingsdaten abweicht:

  • Seltene Wörter: Nachnamen, Produktnamen, interne Projektnamen, neuer Slang.
  • Akzente und Sprechweisen, die in den Trainingsdaten seltener vorkamen.
  • Bedingungen: Hall, entfernte Mikrofone, mehrere Sprecher.
  • Gemischte Sprachen in einem Satz; SayVelio erkennt dafür die Sprache bei jedem Diktat (siehe in zwei Sprachen diktieren).

Deshalb muss Qualität an Aufnahmen gemessen werden, die das Modell im Training nie gesehen hat. Ein Modell, das auf seinen Trainingsdaten perfekt wirkt, kann bei deiner Stimme trotzdem stolpern.

Mehr Daten sind nicht automatisch besser

Man nimmt leicht an, dass mehr Merkmale, Messungen oder Parameter immer bessere Ergebnisse bringen. In der Praxis können irrelevante oder doppelte Informationen dazu führen, dass ein Modell Rauschen lernt statt Muster, die sich übertragen lassen. Forschende testen Modelle deshalb an zurückgehaltenen Aufnahmen, um zu prüfen, ob eine Verbesserung auch bei neuer Sprache hält. Für dich zählt nur eine Zahl: wie gut es deinen nächsten Satz erkennt.

Zwei Wege, ein hartnäckiges Wort zu reparieren

KontexthinweisFeinabstimmung (Fine-Tuning)
Was sich ändertWelche Wortkandidaten für diese Anfrage bevorzugt werdenDie Parameter des Modells, durch zusätzliches Training
Wie schnellSofort, bei jedem DiktatBraucht Trainingsdaten und Zeit
Wer es machtDu, indem du Wörter hinzufügstDer Modellanbieter
GarantieKeine, aber bei Namen sehr wirksamAuch keine

Ein Kontexthinweis ist wie der Satz vor einem Meeting: „Du wirst die Namen Kubernetes und Acme hören.“ Das ändert nicht das Gehör, sondern die Erwartung.

Wie SayVelio dein Wörterbuch nutzt

Dein SayVelio-Wörterbuch wirkt an zwei Stellen als solcher Hinweis:

  1. Bei der Erkennung werden deine Wörter dem Sprachmodell als Kontext mitgegeben, damit es sie eher wählt, wenn der Klang passt.
  2. Bei der Bereinigung, falls aktiv, hilft das Wörterbuch, Schreibweisen zu korrigieren, die die Erkennung trotzdem falsch hatte, einschließlich der Varianten, die du für die Aussprache eingetragen hast.
Wörter aus dem Wörterbuch wirken als Hinweise bei der Erkennung und bei der Bereinigung
Dein Wörterbuch lenkt Erkennung und Bereinigung zu deinen Wörtern

Keiner der Schritte ist eine Garantie, und ein kurzes, fokussiertes Wörterbuch wirkt besser als ein langes, weil sich hunderte Hinweise gegenseitig verwässern. Nimm die Wörter auf, die wirklich falsch herauskommen, und lass ungenutzte von selbst verschwinden.

Bereinigung ist ein zweites Modell mit eigenen Risiken

Die Erkennung schreibt Wörter auf, eine optionale Bereinigung macht daraus lesbaren Text. Sie nutzt ein Sprachmodell, das hervorragend Satzzeichen setzt und „ähm“ entfernt, aber ein Modell, das zu frei umschreibt, kann auch den Sinn verändern. Die Bereinigung in SayVelio ist angewiesen, deine Wörter und deine Sprache zu behalten, nie zu übersetzen und nie auf das Gesagte zu antworten. Bei wichtigen Texten vergleich das Ergebnis trotzdem mit dem, was du gemeint hast.

Häufige Fragen

Lernt SayVelio meine Stimme mit der Zeit?

Nein. Das Erkennungsmodell passt sich nicht an deine Stimme an, und deine Aufnahmen werden nicht fürs Training genutzt. An dich passen sich dein Wörterbuch, dein Bereinigungs-Prompt und deine App-Stile an.

Warum hilft ein hinzugefügtes Wort nicht immer?

Ein Hinweis macht ein Wort wahrscheinlicher, erzwingt es aber nicht. Wenn es weiter falsch herauskommt, füge seine Aussprache als Variante hinzu oder prüf, ob es in einem sehr langen Wörterbuch untergeht.