und malen. Sie folgen alle demselben Prinzip wie das Sprachmodell aus Kapitel 2, Brief hin, Brief zurück. Aber jedes von ihnen liefert etwas anderes, und jedes hat seine eigene Art, danebenzuliegen.
Speech-to-Text
Sprache wird zur Eingabe
Der Helfer am Ausgaberegal spricht ins Handy: „Ist das Mikro M2 am Samstag frei?“ Das Mikrofon erfasst Schall, keinen Text. Ein Speech-to-Text-Modell macht daraus erkannte Wörter.
Mikrofon → Audioaufnahme → Speech-to-Text → „Ist das Mikro M2 am Samstag frei?“
Im Jugendzentrum ist es laut; ein Wort ist undeutlich. Das Modell bildet aus dem Audiosignal eine Wortfolge und nutzt dafür akustische Muster und sprachlichen Kontext. Trotzdem kann es Namen oder Zahlen verwechseln, auch wenn der Satz danach fehlerfrei aussieht. Aus „M2“ wird schnell „M3“, und beide Geräte gibt es.
Die wichtigste Trennung: Das Modell erkennt, was gesagt wurde. Es beantwortet die Frage nicht. Ob M2 frei ist, weiß nur Leihregals Reservierungsbestand.
Warum die Spracherkennung oft vom übrigen Ablauf getrennt ist
Für viele Produkte ist Spracheingabe eine andere Tastatur. Die App transkribiert die Aufnahme und setzt den Text in dasselbe Eingabefeld wie eine getippte Nachricht: