Spracherkennung in reiner Form etabliert sich zunehmend auf Streamingplattformen wie YouTube oder Twitch. Videos lassen sich in Echtzeit untertiteln bzw. werden das zunehmend automatisiert. Sprachassistenten unterstützen Nutzer:innen im einfachsten Fall bei der Eingabe von Daten in IT-Systeme, etwa bei Navigationssystemen. Hier werden die gewonnenen Daten bereits durch IT-Systeme interpretiert und in Geodaten umgesetzt. Die Interpretation von Sprachdaten ist bei Sprachassistenten wie Alexa, Siri oder Cortana noch offensichtlicher. Die Grenzen der Spracherkennung wird momentan vor allem in Telefonanlagen mit Sprachmenus spürbar. Alexa fordert explizit zur Verwendung von Sprachprofilen auf, was einen Hinweis darauf gibt, dass bei der Spracherkennung auch die personalisierte Datenerhebung eine Rolle spielt.

Spracherkennung ermöglicht die vereinfachte Eingabe komplexer Texte in IT-Systeme. Dabei berücksichtigt das jeweilige IT-System Grundsätze der Grammatik und Rechtschreibung. Um die Qualität der Spracherkennung zu steigern, werden vermutlich viele Daten in Rechenzentren zusammengeführt und verarbeitet. Die zugrundeliegenden Algorithmen unterliegen i.d.R. keine gesellschaftlichen Kontrolle. Die Stimme eines Menschen ist einzigartig und ein personenbezogenes Merkmal. Der Anwendungszweck „Spracherkennung“ ist technisch ohne die Verarbeitung personenbezogener Datenanteile möglich und wird im Datenschutzrecht als Zweckbestimmung ausdrücklich gefordert.

Spracherkennung kann bei der Strafverfolgung dazu dienen, große Datenmengen - wie sie bei Audiodaten vorliegen - drastisch zu reduzieren und damit der automatisierten Verarbeitung überhaupt erst zugänglich zu machen. Dies kann aufgrund des erreichbaren hohen Automatisierungsgrades gesellschaftliche Fragen aufwerfen, wie sie im Kontext der Vorratsdatenspeicherung immer wieder diskutiert werden.

Die automatisierte Erkennung von Sprache ermöglicht neue Produkte im wirtschaftlichen Bereich, etwa die Entwicklung von Sprachassistenten. Damit werden unterschiedliche gesellschaftliche Bereiche adressiert.

Die Problematiken rund um den Prozess der Spracherkennung sind prototypisch für alle IT-Prozesse, die zu einer großen Akkumulation von Daten führen.

Spracherkennung basiert technisch auf einer Mustererkennung in komlexen Datenbeständen. IT-Systeme analysieren automatisiert digitalisierte Audioaufnahmen. Bei Vorliegen bestimmter typischer Merkmale kann mit einer gewissen Wahrscheinlichkeit auf eine phonetische Repräsentation durch Zeichen geschlossen werden. Dabei treten verschiedene Problemstellungen auf u.a.:

• Gleich klingende phonetische Laute lassen sich in Sprache durch unterschiedliche sprachliche Zeichen repräsentieren, z.B. bei Diphthongen (eu, äu / ai, ei)
• Das gleiche sprachliche Zeichen kann für mehrere phonetische Laute stehen (stimmloses und stimmhaftes „s“, „e“ im In- und Auslaut)
• die Stimmen von Sprecher:innen enthalten individuelle Merkmale (u.a. Oktavsprung bei Männern und Frauen)
• es gibt innerhalb einer Sprachgemeinschaft Varianten (Dialekte, Soziolekte etc.)
• bestimmte Lautgruppen lassen sich anhand von Audioaufnahmen nur sehr schwer unterscheiden (z.B. Nasale wie n und m)

Da diese Komplexität bewusst oder unbewusst von Menschen wahrgenommen wird, spricht man in der Alltagssprache im Kontext von Spracherkennung durch IT-Systeme gelegentlich von „künstlicher Intelligenz“. Die Definitionen von Intelligenz und künstlicher Intelligenz sind jedoch wissenschaft noch nicht abgesichert. Interessant ist z.B. die Liste der AGI Sentinel Initiative, die allein 17 Definitionen beider Begriffe gegenüberstellt¹⁾. Als Arbeitsdefinition für das vorliegende Unterrichtsprojekt wird folgende Hilfsdefinition verwendet:

Tatsächlich werden die skizzierten Probleme bei der Spracherkennung durch IT-Systeme durch Kombination mit anderen Daten gelöst - so kommen schwer identifizierbare Laute in einer Sprache oft in bestimmten Buchstabenkombinationen vor und die konkrete Schreibung von Lauten folgt orthografischen Regeln. Der Sprachkorpus heutiger Sprachen „passt“ zudem problemlos in ein IT-System, sodass dieses sogar in Zweifelsfällen problemlos auf das Lexikon „zurückfallen“ „kann“.

IT-Systeme zur Spracherkennung sind dabei vor allem in ihrer Verarbeitungsgeschwindigkeit und ihrem Zugriff auf umfassende Datenbestände auf Spezialgebieten dem Menschen überlegen³⁾. Das wirkt auf informatisch nicht vorgebildete Personen beeindruckend. Trotzdem darf nicht verschwiegend werden, dass die allermeisten KI-Systeme meist nur eng definierte Aufgabenbereiche abdecken und in alternativen, z.B. psychologischen Definitionen nicht oder nur mit sehr großen Einschränkungen als „intelligent“ gelten können.

Die Strukturen hinter der Spracherkennung können im Rahmen dieses Unterrichtsprojektes teilweise dekonstruiert werden.

Da das Thema künstliche Intelligenz Wissenschaft noch extrem unscharf definiert ist, ergeben sich für eine Behandlung im Rahmen des Informatikunterrichts große Schwierigkeiten für eine schultaugliche Definition. Die einzig sinnvolle Möglichkeit ist letztlich die Problematisierung des Begriffes, die ein hohes Abstraktionsvermögen bei den Schüler:innen voraussetzt. Eine derartige Auseinandersetzung gehört damit in den Bereich der Differenzierung nach oben.

Die Schüler:innen benötigen grundständiges Wissen zur Funktion des Internets und sollten den Begriff „Algorithmus“ in einem informatischen Sinne grob definieren können. Inhaltlich vertieft diese Einheit einen Teilaspekt von Sprachassistenten.

Daher bietet sich folgende Einbettung in ein didaktisches Umfeld an:

Konzipiert ist diese Sequenz nicht für eine gesamte Unterrichtsstunde, da das Seminar unter Coronabedingungen stattfand und drei Sequenzen im Rahmen eines Distanzunterrichtes in 90 Minuten durchgeführt wurden. Ebenfalls treten prnzipbedingt Redundanzen auf, da der Verlaufsplan lediglich die konkreten Durchführungshinweise (vgl. nächster Abschnitt) anders organisiert.

Schau dir dieses kurze Video an - am besten im Vollbildmodus (rechts unten in der Ecke des Videos aktvieren):

… vielleicht finden wir gemeinsam eine Lösung.

Erstmal muss man Sprache für den Computer „sichtbar“ machen. Das geht recht einfach mit dem Online-Audioeditor Audiomass. Du brauchst dafür keine App. Es reicht ein Browser wie Safari völlig aus.

Wie du deine erste Aufnahme machen kannst, erkläre ich dir hier.

Für B und P könnten die codierten Daten so aussehen (links: „B“, rechts: „P“):

Jetzt könnte man probieren, Muster zu finden, die typisch für einen Laut sind:

Anhand des Musters kann ein Computer entscheiden, um welchen Laut es sich handelt und dann ein „B“ oder ein „P“ ausschreiben. Beim „B“ gibt es hier offenbar eine größere „Lücke“ weiter hinten.

Tatsächlich ist rein technisch die Internetverbindung nicht mehr notwendig. Bei iPads funktioniert die Spracherkennung ganz ohne Internetverbindung. Bisher haben wir nur mit einzelnen Lauten herumexperimentiert - und das war schon gar nicht so einfach zu erkennen. Ganze Wörter bestehen aus vielen unterschiedlichen Lauten - da braucht es eine Menge Rechenleistung. Daher können zusätzlich die codierten Daten „über das Internet“ ein einen leistungsstarken Rechner gesendet werden, der dann aber nicht mehr die Umwandlung in Buchstaben vornimmt und an dein iPad zurückschickt, sondern diese Daten nutzt, um den Algorithmus zu optimieren, der auf dem iPad die Spracherkennung realisiert. Das geht aber so schnell, dass man fast keine Verzögerung merkt.