Wie hört eine KI Wörter?

Im Küchenlärm wird aus Eis plötzlich Reis – und Funkes Diktat bestellt gleich mehrere Eimer davon. Kevin und Funke verfolgen den Weg vom Schallmuster zum erkannten Wort.

Neuer Begriff: Spracherkennung – Technik, die gesprochene Laute als Wörter oder Befehle zu erkennen versucht.
Mission ohne Bildschirm: Geräuschlose Mundbilder und Flüsterpost vergleichen und beobachten, wo Missverständnisse entstehen.

Zum Weiterfunken
- Welche Geräusche könnten ein Wort leicht verdecken?
- Welche ähnlich klingenden Wörter fallen euch ein?

Mini-Tipp für Erwachsene: Lest erkannten Text gemeinsam noch einmal, bevor ihr ihn sendet oder einen Befehl bestätigt.

Für Erwachsene: Aufnahmequalität, Hintergrundgeräusche, Sprache und Sprechweise können Spracherkennung beeinflussen. Ein erkannter Text bleibt ein prüfbares Ergebnis. Faktencheck: 23.08.2026.

Quellen: Google Cloud – Transkriptionsmodelle: https://cloud.google.com/speech-to-text/docs/transcription-model, Microsoft Learn – Speech-to-Text: https://learn.microsoft.com/en-us/azure/ai-services/speech-service/index-speech-to-text

Transparenz: Skript, Faktencheck, Auswahl und Freigabe liegen bei Kevin und Pia. Für einzelne Produktionsschritte werden freigegebene KI-Werkzeuge eingesetzt. Die Stimmen beruhen auf den mit Zustimmung erstellten Stimmenmodellen von Kevin und Pia. Funke ist eine gespielte Podcastfigur, kein Chatbot und kein privater Gesprächsdienst.

Wenn euch die Folge geholfen hat, gebt sie gern an andere vertraute Erwachsene weiter – in Familie, Kindertagespflege, Betreuung, Nachbarschaft, Verein, Bibliothek oder Schule. Eine Kinderfrage könnt ihr als erwachsene Begleitperson über die offizielle Kontaktmöglichkeit schicken – bitte anonym und ohne Fotos, Sprachaufnahmen, Schulnamen oder andere persönliche Daten von Kindern.

Mehr KI für Erwachsene

Wer aktuelle KI-Themen ausführlicher einordnen möchte, findet „KI für Dich – der Podcast“ hier:
Spotify: https://open.spotify.com/show/50JoOAsHTSj9LLpeXPvIGd
YouTube: https://www.youtube.com/playlist?list=PLCgFvxwtJ0Xn-NwSvI84Q0VKqzlWV3-bQ

Transcript

Copy Transcript Copied

SPEAKER_00 0:04

Mein Diktierprogramm hat meine Einkaufsliste aufgeschrieben. Darauf steht: sieben Eimer Reis, zwei Gurkenhelme und eine Tüte Knisterwolken.

SPEAKER_01 0:15

Was wolltest du wirklich?

SPEAKER_00 0:17

Siebenmal Eis, den Rest bestreite ich nicht.

SPEAKER_01 0:20

Dann hat die Spracherkennung aus Eis das Wort Reis gemacht. Spracherkennung ist Technik, die gesprochene Wörter in Text- oder Computerbefehle umwandelt.

SPEAKER_00 0:31

Aber ich habe doch deutlich gesprochen. Meine Stimme kam aus meinem Mund und direkt ins Mikrofon.

SPEAKER_01 0:38

Im Mikrofon landet nicht das Wort als fertiger Buchstabe. Es nimmt Schwingungen der Luft auf und wandelt sie in digitale Audiodaten um. Darin stecken Lautstärke, Tonhöhe und viele winzige Veränderungen über die Zeit.

SPEAKER_00 0:52

Eine unsichtbare Wellenlandschaft.

SPEAKER_01 0:55

Genau. Ein Spracherkennungsmodell untersucht Muster in dieser Landschaft. Es wurde mit vielen Sprachaufnahmen und den dazugehörigen Texten trainiert. So hat es gelernt, welche Audiomuster häufig zu welchen Lauten und Wörtern passen.

SPEAKER_00 1:10

Dann hört es ein Stück wie Eis und sucht passende Wörter. Eis, Reis, Kreis oder vielleicht Mais.

SPEAKER_01 1:18

Ja, zusätzlich schaut es auf den Zusammenhang. Nach Ich esse ein passt Eis eher als Kreis. Nach Im Topf kocht könnte Reis wahrscheinlicher sein. Selbst dann bleiben mehrere Möglichkeiten. Das System vergleicht sie. Es wählt das Wort, das am besten zu Klang und Satz passt.

SPEAKER_00 1:37

Es kombiniert also Ohrenpuzzle und Wortpuzzle. Fehlt ein Audioteil, kann der Satz helfen. Oder die Vermutung in die falsche Reisschüssel lenken. Meine Küche war laut, Wasser lief. Eine Tüte raschelte und jemand, ich nenne keine Namen, trommelte mit zwei Löffeln.

SPEAKER_01 1:57

Hintergrundgeräusche verdecken Teile des Sprachsignals. Auch ein weit entferntes Mikrofon, mehrere Stimmen, gleichzeitig oder eine schlechte Verbindung können die Erkennung erschweren.

SPEAKER_00 2:08

Und Akzente oder Dialekte.

SPEAKER_01 2:11

Auch sie spielen eine Rolle. Wenn Trainingsbeispiele manche Sprechweisen, Altersgruppen oder Sprachen seltener enthalten, kann das System dort häufiger Fehler machen. Darum müssen Spracherkennungen mit unterschiedlichen Menschen und Situationen getestet werden.

SPEAKER_00 2:25

Ein Test nur mit einem Nachrichtensprecher im stillen Studio reicht also nicht für eine volle Schulküche.

SPEAKER_01 2:33

Ganz genau. Selbst bei derselben Person verändert sich Sprache. Müde, aufgeregt, heiser, flüsternd oder mit vollem Mund.

SPEAKER_00 2:42

Mampf, ich fordere sieben Eimer Eis.

SPEAKER_01 2:44

Bitte erst schlucken.

SPEAKER_00 2:46

Woran merke ich, dass das Programm unsicher ist?

SPEAKER_01 2:49

Manche Systeme zeigen mehrere erkannte Möglichkeiten oder eine berechnete Vertrauenszahl. Aber auch eine hohe Zahl ist keine Garantie. Am praktischsten ist oft, lies den erkannten Text, bevor du ihn sendest oder als Befehl bestätigst.

SPEAKER_00 3:07

Sonst verschicke ich, bringe sieben einmal Reis zur Turnhalle an die ganze Gruppe.

SPEAKER_01 3:12

Genau. Bei einer kurzen Notiz kannst du einen Fehler verbessern. Bei einer Nachricht über Gesundheit, Geld oder eine wichtige Verabredung prüfst du besonders sorgfältig.

SPEAKER_00 3:24

Spracherkennung kann aber sehr hilfreich sein, diktieren, Untertitel erzeugen oder ein Gerät bedienen, wenn Tippen schwierig ist.

SPEAKER_01 3:34

Ja, sie kann Barrieren abbauen und viele Aufgaben erleichtern. Wichtig ist, ihre Ergebnisse als Schätzung zu behandeln und Menschen nicht auszuschließen, deren Sprache schlechter erkannt wird.

SPEAKER_00 3:49

Huch, ein Prüffunke. Da gibt's was zu checken.

SPEAKER_01 3:53

KI-Check. Stimmt das wirklich?

SPEAKER_00 3:55

Wenn erkannter Text auf dem Bildschirm steht, hat die KI jedes gesprochene Wort sicher richtig gehört.

SPEAKER_01 4:02

Was denkst du? Nein, Spracherkennung berechnet die wahrscheinlichsten Wörter. Ähnliche Laute, Lärm- oder fehlende Trainingsbeispiele können zu falschem Text führen.

SPEAKER_00 4:15

Die Buchstaben sehen ordentlich aus, trotzdem brauche ich einen Ohren- und Augen-Check.

SPEAKER_01 4:21

Richtig. Sprechen. Ergebnis lesen, Fehler verbessern und keine heimlichen Aufnahmen anderer Menschen erstellen. Ein Mikrofon verarbeitet Stimmen und damit persönliche Informationen.

SPEAKER_00 4:34

Meine Löffelmusik wird nur nach Zustimmung aufgenommen.

SPEAKER_01 4:43

Für deine Mission bildet ihr Paare. Eine Person spricht lautlos ein kurzes Wort wie Maus, Haus oder Reis. Die andere rät nur anhand der Mundbewegung. Danach flüstert ihr dasselbe Wort einmal mit und einmal ohne leises Hintergrund klatschen. Vergleicht eure Vermutungen, ihr braucht keine Aufnahme und kein Gerät. Das Experiment zeigt, ein Teil des Signals oder zusätzlicher Lärm kann mehrere Wörter passend erscheinen lassen.

SPEAKER_00 5:12

Ich spreche lautlos Eis. Wer Reis rät, muss es nicht einmalweise essen.

SPEAKER_01 5:18

Heute hast du entdeckt, Spracherkennung verwandelt Audiomuster in vermutete Wörter. Sie kann sehr nützlich sein. Und ihr Text wird vor dem Verwenden geprüft.