eine Stimme, Sprache oder Sprechweise vorgeben; nicht jedes Angebot kann dieselben Eigenschaften steuern.
Zusammen ergibt das einen vollständigen Sprachweg: Audio → Transkript → Leihregal → geprüfter Text → Audio. Die Bausteine bleiben austauschbar. Manche Sprachsysteme verwenden stattdessen ein direktes Sprach-zu-Sprach-Modell; dort sind Übergaben und Kontrollmöglichkeiten anders. Bei Gesprächen zählt außerdem die Zeit bis zum ersten hörbaren Wort. Eine natürliche Stimme hilft wenig, wenn sie erst nach langer Stille einsetzt; Streaming kann den Anfang vorziehen.
Zahlen, Abkürzungen und Namen verdienen besondere Aufmerksamkeit. Die Zeichenfolge 03.04. könnte ein Datum sein, eine Abschnittsnummer oder etwas ganz anderes, und „M2“ spricht ein Modell vielleicht als „Quadratmeter“ aus. Bei Text-to-Speech bereitet die Anwendung im Zweifel eine eindeutige gesprochene Form vor.
Bildverstehen
Ein zweiter Blick bei der Rückgabe
Bei der Rückgabe fotografiert der Helfer jedes Gerät. Leihregal kann das Foto zusammen mit dem Foto von der Ausgabe an ein bildfähiges Modell geben, mit einer Aufgabe: „Beschreibe sichtbare Unterschiede am Gerät zwischen beiden Aufnahmen.“
Der Ablauf ist jeweils derselbe: Mediendaten bereitstellen → Modell mit Aufgabe aufrufen → Antwort auswerten und