Warum Sprachassistenten bei Lärm schlecht verstehen.

Drei Dinge, die es schwer machen

• Lärm. Eine Kaffeemaschine, Verkehr oder Musik überdecken Teile des Klangs, an denen man ein Wort vom anderen unterscheidet, vor allem die leisen Konsonanten.
• Abstand. Ihre Stimme wird mit dem Abstand schnell leiser, der Raum behält seinen Hall und seine anderen Geräusche. Ein Mikrofon am anderen Ende des Raums hört mehr Raum und weniger von Ihnen.
• Andere Stimmen. Reden mehrere Menschen gleichzeitig, muss das System herausfinden, wer was gesagt hat, und der Satz eines Nachbarn kann in Ihrer Bitte landen.

Was die Forschung gemessen hat

Abstand, in Besprechungen. Die Studie von OpenAI zur robusten Spracherkennung testete ihre Modelle mit dem AMI-Korpus aufgezeichneter Besprechungen. Das größte Modell machte mit Mikrofonen, die die Sprechenden trugen, etwa 17 Fehler pro 100 Wörter und mit einem einzelnen entfernten Mikrofon etwa 36. Über alle zehn Modellgrößen hinweg verdoppelte das entfernte Mikrofon die Fehler ungefähr.

Lärm. Dieselbe Studie mischte weißes Rauschen und das Stimmengewirr einer vollen Kneipe in saubere, vorgelesene Sprache. Jedes Modell wurde schnell schlechter, je lauter es wurde. Modelle, die vor allem mit sauberen Hörbüchern trainiert waren, schnitten bei leisem Lärm besser ab als das Modell von OpenAI, aber schlechter, sobald der Kneipenlärm fast so laut wurde wie die Sprache. Das Modell von OpenAI war mit einer sehr breiten Mischung echter Aufnahmen trainiert worden, aus vielen Umgebungen, mit vielen Geräten, Sprechenden und Sprachen.

Abendessen. Die CHiME-6-Challenge zeichnete zwanzig Abendessen von je vier Freunden in zwanzig echten Wohnungen auf, mit Mikrofon-Arrays in den Räumen und den gewöhnlichen Geräuschen von Küchen und Klimaanlagen. Selbst als die Systeme wussten, wo jeder Redebeitrag begann und endete, lagen die Basissysteme von 2020 bei etwa der Hälfte der Wörter falsch; mussten sie zusätzlich erkennen, wer gerade sprach, bei drei Vierteln bis vier Fünfteln. Das waren Forschungs-Basissysteme, keine kommerziellen Assistenten, und es ging um lockere Gespräche statt Befehle, aber es zeigt, wie weit das Problem von einer Lösung entfernt ist.

Sprachen. In derselben Studie sank die Fehlerrate einer Sprache stetig mit der Menge der Trainingsaufnahmen in ihr, und die meisten Sprachen hatten weniger als tausend Stunden.

Was hilft

• Ein Mikrofon nah am Mund. Die günstigste Verbesserung überhaupt: Je näher das Mikrofon, desto mehr hört es von Ihnen und desto weniger vom Raum.
• Dem Gerät sagen, wann Sie sprechen. Eine Taste, die Sie beim Sprechen halten, markiert genau Anfang und Ende der Bitte, sodass das Gerät es nicht aus dem Lärm erraten muss: Taste halten oder Aktivierungswort (Englisch).
• Lieber nachfragen als raten. Weiß ein Assistent nicht genau, was er gehört hat, kostet ein kurzes „Wie bitte?“ weniger als die falsche Handlung; was etwas sendet, bezahlt oder löscht, sollte ohnehin vorher fragen.
• Modelle, die mit echten Aufnahmen trainiert sind, mit Lärm, Abstand, Akzenten und Nuscheln darin, nicht nur mit sauberen Aufnahmen.

An einem Ring

Ein Ring hat ein kleines Mikrofon, und er wird genau an den Orten benutzt, um die es hier geht: Straßen, Cafés, Küchen. Er hat aber auch einen Vorteil: Sie heben die Hand zum Mund und halten beim Sprechen eine Taste, das Mikrofon ist also nah und weiß, wann Sie sprechen. Sprache im Lärm zu verstehen, ist das Erste, woran wir für Lychnos Ring arbeiten, vor allem anderen, denn ein Assistent, der sich verhört, kostet Sie Zeit und seinen Akku: der KI-Ring.

Quellen, gelesen am 5. November 2026: Radford u. a., robust speech recognition via large-scale weak supervision, arXiv, 2022; Watanabe u. a., CHiME-6 challenge: tackling multispeaker speech recognition for unsegmented recordings, arXiv, 2020.