Spracherkennung

Womöglich erinnern Sie sich an die Zeiten, als Chefs noch Sekretärinnen hatten, zu deren Kernkompetenzen Stenografie und das Abtippen von Diktaten vom Band zählten? Dieses Kapitel gehört glücklicherweise der Vergangenheit an. In die moderne Arbeitswelt hat inzwischen nicht nur mehr Gleichberechtigung Einzug gehalten, sondern auch fortschrittliche Technik — vom Band zum Bit, sozusagen.

Zum Diktat stehen heute intelligente Sprachassistenten bereit, die nicht nur im Handumdrehen die gesprochene Sprache in Text verwandeln, sondern auf Befehl den Brief auch direkt dem Empfänger zumailen. Was für eine Ersparnis an Arbeitsschritten und Arbeitskraft! Mitarbeiter, gleich welchen Geschlechts, können sich heute auf wesentlich produktivere und komplexere Aufgaben konzentrieren. Und das ist nur ein Beispiel von vielen Produktivitätssteigerungen, die durch den Einsatz KI-gestützter Spracherkennung möglich sind.

Welche Meilensteine haben diese Entwicklung in der Kommunikation möglich gemacht? In diesem Beitrag blicken wir auf die Geschichte sowie den aktuellen Stand in der Spracherkennung und ihre Chancen, Herausforderungen und Tools für den Einsatz im Kundenservice.

Die kontinuierliche Forschung und Entwicklung hat die Spracherkennung in den letzten Jahrzehnten zu einer Schlüsseltechnologie des digitalen Zeitalters gemacht. Angetrieben von militärischen Interessen während und nach dem Zweiten Weltkrieg, hat die auditive Informationsverarbeitung in den letzten Jahrzehnten enorme Fortschritte gemacht. Als Meilensteine dieser Entwicklung sind folgende Stationen hervorzuheben:

1950er Jahre

Das erste Spracherkennungssystem, „Audrey“, entwickelt von den Bell Laboratories, konnte die gesprochenen Ziffern von Null bis Neun mit über 90% Genauigkeit erkennen, wobei die Erkennungsrate jedoch stark von der Stimme des Benutzers abhing.

1960er Jahre

IBM stellte auf der Weltausstellung 1962 die „Shoebox“ vor, ein System, das 16 gesprochene englische Wörter verstehen konnte. In der Sowjetunion wurde ein Algorithmus entwickelt, der 200 Wörter erkennen konnte. Diese Systeme arbeiteten hauptsächlich mit vordefinierten Sprachmustern. Dieser Wettbewerb zwischen den beiden Supermächten beschleunigte die Entwicklung der Spracherkennungstechnologie erheblich.

1970er Jahre

An der Carnegie Mellon University entwickelte das US-Verteidigungsministerium das Programm „Harpy“, das über einen Wortschatz von 1.000 Wörtern verfügte und in der Lage war, ganze Sätze zu erkennen.

1980er Jahre

IBM brachte die „Tangora“, eine sprachgesteuerte Schreibmaschine mit einem Wortschatz von 20.000 Wörtern, auf den Markt. Diese nutzte statistische Modelle zur Wortvorhersage.

1990er Jahre

Anfang der 1990er Jahre revolutionierte Dragon Systems die Spracherkennung mit Dragon Dictate. 1997 folgte Dragon NaturallySpeaking, das als erstes System kontinuierliche Spracherkennung in Echtzeit ermöglichte und bis heute, nun unter Microsoft, erfolgreich eingesetzt wird.

2000er Jahre

Die Nullerjahre waren geprägt von der Einführung statistischer Modelle wie Hidden Markov Models (HMM), die die Abhängigkeiten zwischen Wörtern modellierten. Dadurch konnten Systeme wahrscheinlicher vorhersagen, welches Wort als nächstes in einem Satz folgen würde.

2010er

Die KI-basierte „Speech-to-Text“ (STT)-Technologie steht heute für den Begriff „Spracherkennung“. Lesen Sie mehr zum Thema „Dialog-KI“ auch unseren Beitrag Voicebots.

Die Spracherkennung, in unserem Alltag verkörpert durch Sprachassistenten wie Alexa und Siri, hat durch den Einsatz komplexer neuronaler Netzwerke, insbesondere der Transformer-Modelle wie GPT, BERT und BART, enorme Fortschritte gemacht. Diese Modelle, trainiert auf riesigen Textkorpora, ermöglichen nicht nur die genaue Transkription von Sprache in Text, sondern auch eine Vielzahl weiterer Aufgaben wie Echtzeit-Übersetzung, Stimmungsanalyse und die generative Erstellung von Texten.

Transformer-Modelle sind die Stars der aktuellen Spracherkennung. Doch um ihre Leistungsfähigkeit einordnen zu können, werfen wir zunächst einen Blick auf die Grundlagen dieser Technologie: Wie genau verwandelt ein Computer eigentlich gesprochene Worte in lesbaren Text?

Mit dem Einsatz intelligenter Spracherkennung wird menschliche Sprache in digitale Signale umgewandelt und von komplexen Algorithmen analysiert. Das Herzstück der Spracherkennung bilden neuronale Netze, die darauf trainiert wurden, Muster in der Sprache zu erkennen und zu interpretieren. Diese Netze sind lernfähig und entwickeln sich durch kontinuierliche Interaktion mit den Trainingsdaten weiter.

Um Sprache zu verstehen, zerlegen Spracherkennungssysteme die Audiosignale in kleinere Einheiten, wie Phoneme oder Wörter. Diese werden dann mit gespeicherten Sprachmodellen abgeglichen. Ein wichtiger Bestandteil der Spracherkennung ist die natürliche Sprachverarbeitung (NLP), die es ermöglicht, den Kontext von Wörtern und Sätzen zu verstehen und so die Bedeutung der gesprochenen Sprache zu erfassen. Um die Genauigkeit zu verbessern, werden akustische Modelle und Sprachmodelle kombiniert. Akustische Modelle befassen sich mit der Umwandlung von Audiosignalen in phonetische Repräsentationen, während Sprachmodelle die Beziehung zwischen Phonemen und Wörtern beschreiben.

Hintergrundgeräusche, verschiedene Akzente und Dialekte machen die Spracherkennung zu einer komplexen Aufgabe, und in der Forschung wird unermüdlich an der Erhöhung der Genauigkeit der Systeme gearbeitet.

Die Spracherkennung auf Basis generativer KI hat es den Modellen ermöglicht, Sprache nicht nur zu verstehen, sondern auch selbstständig neue Texte zu erzeugen, wie Zusammenfassungen, die Beantwortung von Fragen, Übersetzungen oder die Gestaltung kreativer Texte.

Anstatt sich nur auf statistische Muster zu verlassen, lernen generative Modelle die komplexen Zusammenhänge von Sprache und können so nuanciertere und menschenähnlichere Texte generieren. Sie ermöglichen außerdem die Erstellung synthetischer Trainingsdaten, die die Vielfalt und Menge der realen Daten ergänzen. Dies führt zu einer Verbesserung der Genauigkeit und Robustheit von Sprachmodellen, da sie auf ein breiteres Spektrum an Sprachvariationen trainiert werden können. Diese Entwicklung hat zu einer Vielzahl neuer Anwendungen geführt, von intelligenten Sprachassistenten bis hin zu personalisierten Sprachschnittstellen. Weitere Aspekte finden Sie im Beitrag Conversational AI.

Die Tabelle stellt die Leistungsfähigkeit traditioneller und KI-basierter Spracherkennung gegenüber:

Da der zwischenmenschliche Dialog überwiegend auf Sprache basiert, liegt es auf der Hand, dass Spracherkennung im Kundenservice eine besonders zentrale Rolle einnimmt. Virtuelle Sprachassistenten können Anrufe entgegennehmen, Fragen beantworten und mittlerweile kontextbezogen und kohärent Probleme lösen. Kunden können sich per Stimme biometrisch und rechtssicher authentifizieren – dies gilt auch für sichere Transaktionen im Telefon-Banking. Sie erhalten Informationen per Sprachbefehl oder können auf diesem Weg Bestellungen aufgeben und Reklamationen melden.

Das Ergebnis? Zufriedenere Kunden, von Routineaufgaben entlastete Mitarbeiter und effiziente Prozesse, die das Unternehmen voranbringen. Details zur Spracherkennung im Kundenservice erfahren Sie im anschließenden Kapitel.

Aber die Spracherkennung findet in vielen weiteren Branchen Anwendung. In der Produktion steuern Mitarbeiter Maschinen per Sprachbefehl, was zu einer effizienteren Arbeitsweise führt. Im Finanzwesen erleichtert sie die Datenanalyse und das Risikomanagement. Auch in der Rechtsbranche wird Spracherkennung eingesetzt, etwa für die Erstellung von Verträgen, die Recherche von Rechtsprechung oder die Identifikation von Sprechern mittels Audioaufnahmen. Im Gesundheitswesen ermöglicht sie die Patientenauthentifizierung in der Telemedizin und bei elektronischen Gesundheitsakten. Stimmbiometrie überwacht Patienten mit Erkrankungen wie Depressionen durch die Analyse von Veränderungen im Stimmmuster. Im Auto erkennt die Stimme des Fahrers, um Präferenzen anzupassen, auf die Navigation zuzugreifen oder Infotainment-Systeme ohne manuelle Eingabe zu steuern. Im Security-Bereich wie der Zutrittskontrolle unterstützt Spracherkennung die Sicherheitsmaßnahmen durch die Identifizierung von Personen anhand der Stimme in Überwachungssystemen. In der Telekommunikation gewährleistet sie sichere Kommunikationskanäle durch Identitätsüberprüfung bei vertraulichen Anrufen.

Wie KI-gesteuerte Prozesse generell für mehr Wachstum und Effizienz in Unternehmen sorgen, verrät auch unser Beitrag KI nutzen.

Die Integrationsmöglichkeiten von KI-basierter Spracherkennung im Kundenservice sind vielfältig, ebenso wie ihr Nutzen bei der Optimierung von Prozessen und Verbesserung der Kundenzufriedenheit:

Welche Aufgaben die intelligente Spracherkennung übernehmen kann und welche Vorteile sie im Einzelnen mit Blick auf die Prozessoptimierung, Effiziensteigerung und Erhöhung der Kundenzufriedenheit bietet, zeigt Ihnen diese Übersicht:

Wenn das  IVR-System Spracherkennungstechnologien verwendet, werden die vom Anrufer gesprochenen Eingaben in Text transkribiert (Speech-to-text), wodurch die genaue Anfrage des Anrufers erfasst wird. Im Anschluss werden folgende Schritte durchlaufen:

1. Intentionserkennung Nach der Transkription analysiert die Software die gesprochene Sprache, um die Intention des Anrufers zu bestimmen, indem sie Schlüsselwörter und Phrasen erkennt.
2. Datenbankabgleich: Das System gleicht die erkannte Intention mit einer vordefinierten Datenbank von Anfragen ab, um festzustellen, welche Art von Unterstützung oder Information benötigt wird.
3. Routing-Entscheidung: Basierend auf der erkannten Intention und den Geschäftsregeln entscheidet das System, an welche Abteilung oder welchen Mitarbeiter der Anruf weitergeleitet werden soll.
4. Kontextualisierte Weiterleitung: Während des Routings übermittelt das System zusätzliche Kontextinformationen, die aus der Sprachanalyse stammen, um sicherzustellen, dass der Mitarbeiter optimal vorbereitet ist.
5. Feinabstimmung durch maschinelles Lernen: Das System nutzt ML, um seine Genauigkeit und Effizienz kontinuierlich zu verbessern, indem es aus früheren Anrufen und deren Ergebnissen lernt.
6. Feedback-Loop: Nach Abschluss eines Anrufs werden die Ergebnisse und die Kundenzufriedenheit analysiert, um das Spracherkennungssystem weiter zu verfeinern und die Routing-Algorithmen anzupassen.

Wie die Konvertierung, Analyse und Anpassung von Kundeninteraktionen in Echtzeit KI-basierte Dialoge ermöglichen:

1. Konvertierung in Echtzeit: Intelligente Spracherkennung wandelt gesprochene Kundengespräche unmittelbar in Text um (Speech-to-text), also ermöglicht die Transkription in Echtzeit während das Gespräch noch läuft.
2. Mustererkennung: Eine spezielle Software analysiert kontinuierlich die eintreffenden Audiodaten, um sprachliche Muster und Schlüsselwörter zu identifizieren, die für die Inhaltsverständnis relevant sind.
3. Absichtserkennung: NLP-Algorithmen werden angewendet, um den umgewandelten Text inhaltlich zu verstehen, Intentionen zu erkennen und relevante Informationen aus den Gesprächen zu extrahieren.
4. Echtzeit-Analyse: Während des Gesprächs analysiert das System den transkribierten Text und vergleicht ihn mit historischen Datenbanken oder aktuellen Ereignissen, um passende Antworten oder Maßnahmen zu bestimmen.
5. Sentiment-Analyse: Zusätzlich zur Inhaltsanalyse wird auch eine Sentiment-Analyse durchgeführt, um die Emotionen und die Zufriedenheit des Kunden während des Gesprächs zu bewerten.
6. Kontextbezogene Reaktionen: Basierend auf der Echtzeit-Transkription und Analyse passt das System die Antwort oder die weitere Behandlung des Gesprächs dynamisch an, um den Bedürfnissen des Kunden gerecht zu werden.
7. Lernprozess und Verbesserung: Durch die kontinuierliche Analyse und das Feedback aus den Gesprächen lernt das System fortlaufend dazu, verbessert seine Erkennungsgenauigkeit und passt seine Algorithmen an, um zukünftige Interaktionen zu optimieren.

Die Fortschritte in der Spracherkennungstechnologie ermöglichen eine dynamische und maßgeschneiderte Kundenbetreuung und sorgen für eine herausragende Customer Experience. Auf welcher Grundlage passiert dies?

Durch die Echtzeit-Analyse von Kundenanfragen und -interaktionen können Unternehmen eine immer individuellere und passgenauere Customer Experience bieten. So werden beispielsweise Kundenpräferenzen und Bedürfnisse automatisch erkannt und gespeichert. Diese Informationen ermöglichen eine personalisierte Beratung und maßgeschneiderte Empfehlungen. Zudem können Emotionen in der Stimme des Kunden erkannt werden, was eine empathischere Kommunikation ermöglicht.

Die Spracherkennungssysteme sind in der Lage, den Kontext von Gesprächen zu verstehen und so proaktiv auf Kundenwünsche einzugehen. Durch die kontinuierliche Analyse von Interaktionsdaten können Unternehmen ihre Prozesse optimieren und die Qualität der Kundenbetreuung stetig verbessern. So entsteht ein Kreislauf der Verbesserung, bei dem die Technologie immer besser auf die individuellen Bedürfnisse der Kunden eingeht. Erfahren Sie in unserem Blogbeitrag, wie Sie die Kundenzufriedenheit im Service Center steigern können.

Der Markt für KI-basierte Spracherkennungssoftware ist vielfältig und wächst rasant. Entsprechend ist eine Auswahl, die spezifische Bedürfnisse optimal berücksichtigt, ein komplexes Unterfangen.

Neben der zentralen Frage nach der Genauigkeit der Spracherkennung müssen dabei auch Aspekte wie die Unterstützung der gewünschten Sprachen, die Integration in bestehende IT-Systeme und die Einhaltung geltender Datenschutzbestimmungen berücksichtigt werden. Zudem spielen Faktoren wie das Budget, die erforderlichen Zusatzfunktionen und die Skalierbarkeit der Lösung eine entscheidende Rolle.

Bei der Investition in Spracherkennung lohnt, wie überall, ein Anbietervergleich und ein Blick auf die jeweiligen Preismodelle, um eine passende Lösung für die eigenen Anforderungen und das geplante Nutzungsvolumen zu finden.

Typische Preismodelle sind: 

• Lizenzbasierte Modelle (einmalige oder jährliche Kosten)
• Abonnements (Es wird ein monatlicher oder jährlicher Festpreis für ein bestimmtes Nutzungsvolumen gezahlt)
• Nutzungsabhängige Modelle (gezahlt wird nach Nutzung/Transaktion oder Dauer in Minuten/Stunden)
• Cloudbasierte Modelle (Pay-as-you-go: Gebühren basieren auf der tatsächlichen Nutzung der Cloud-Dienste, oft in Form von prozentualen Gebühren für die Nutzung von Rechenressourcen und Speicherplatz) oder volumenbasierte Preise)
• On premise-Lösung (Kosten für Hardware, Software, Einrichtung und Implementierung bei lokaler Installation)

Oftmals entstehen zusätzliche Kosten für Support, Wartung und Nutzer-/API-Zugriffe.

Der Markt wird von großen Technologieunternehmen dominiert. Google Cloud Speech-to-Text beispielsweise besticht durch seine hohe Genauigkeit und die einfache Integration in die Google Cloud-Infrastruktur. Amazon Transcribe, eng verknüpft mit der AWS-Cloud, bietet eine breite Palette an Funktionen. Microsoft Azure Speech Services zeichnet sich durch seine umfassenden Sprachdienste aus, während IBM Watson Speech to Text eine starke Integration in die IBM Watson-Plattform ermöglicht. Nuance Communications, als langjähriger Spezialist in diesem Bereich, bietet maßgeschneiderte Lösungen für diverse Branchen und Anwendungsfälle.

Die Einführung von Spracherkennungstechnologie im Unternehmen erfordert eine gründliche Planung für maximale Effizienz und Benutzerfreundlichkeit.

Beginnen Sie mit einer detaillierten Bedarfsanalyse, um die spezifischen Anforderungen Ihres Unternehmens zu verstehen und das passende System auszuwählen. Eine umfassende Schulung der Mitarbeiter ist entscheidend, um sicherzustellen, dass sie die neuen Technologien effektiv nutzen können und um potenzielle Widerstände durch gezieltes Change Management zu überwinden. Auch die Einhaltung der Datenschutzvorgaben spielt hier eine große Rolle. Während der Implementierung sollten kontinuierliche Support- und Feedbackmechanismen etabliert werden, um schnell Anpassungen vorzunehmen und auftretende Probleme zu lösen.

Der Erfolg der Implementierung kann durch die Messung von ROI und relevanten Erfolgskennzahlen wie Benutzerakzeptanz, Effizienzgewinnen und Kostenersparnissen bewertet werden. Regelmäßige Überprüfungen und Anpassungen sind entscheidend, um die Technologie kontinuierlich zu optimieren.

Eine nahtlose Integration der Spracherkennung in bestehende Systeme minimiert Störungen im Betrieb. Eine klare Kommunikationsstrategie ist erforderlich, um alle Beteiligten über die Vorteile und Ziele der neuen Technologie umfassend zu informieren.

Der Einsatz von Spracherkennungssystemen wirft auch Fragen zur Sicherheit und zum Schutz personenbezogener Daten auf. Insbesondere die Verarbeitung biometrischer Daten wie der Stimme erfordert besondere Aufmerksamkeit. Um die Vertrauenswürdigkeit Ihres Datenschutzkonzepts zu unterstreichen, sollten Sie Zertifizierungen in Betracht ziehen und die Zusammenarbeit mit Drittanbietern sorgfältig prüfen. Durch die konsequente Umsetzung dieser Punkte legen Sie den Grundstein für eine erfolgreiche und datenschutzkonforme Nutzung von Spracherkennungssystemen in Ihrem Kundenservice.

Die Spracherkennungstechnologie hat in den letzten Jahren bemerkenswerte Fortschritte gemacht und bietet enorme Chancen für die Verbesserung der Kundeninteraktionen und Customer Experience. Generative KI-Modelle steigern die Leistungsfähigkeit von Sprachmodellen, wie wir in diesem Beitrag gesehen haben. Durch die Erstellung synthetischer Trainingsdaten können diese Modelle robuster und genauer werden.

Allerdings gibt es auch Herausforderungen: Wann erreicht diese Technologie ihr Plateau? Gerade wurde veröffentlicht, dass der Konzern Meta bis zu 24.000 Grafikkarten einsetzt und eine halbe Milliarde Dollar investiert, um große KI-Modelle zu trainieren. Diese Modelle benötigen immense Mengen an Rohdaten, die zunehmend rar werden, da wichtige Webquellen die Nutzung ihrer Daten eingeschränkt haben. Die Verwendung synthetischer Daten zur Verbesserung dieser Modelle birgt das Risiko der Degeneration zu unbrauchbarem Output.

Deshalb setzen Entwickler vermehrt auf sogenannte Small Models. Diese sind kostengünstiger, benötigen weniger Daten und sind auf spezifische Aufgaben zugeschnitten, wie die Abbildung komplexer Finanzmodelle oder die Analyse von Gerichtsurteilen. Ein weiterer Vorteil dieser Modelle ist ihre Fähigkeit, direkt auf Endgeräten der Nutzer zu laufen, anstatt in riesigen, energiehungrigen Rechenzentren betrieben zu werden.

Neben Risiken wie „Halluzinationen“ gibt es weitere Einschränkungen bei der praktischen Anwendung Generativer Modelle. So können beispielsweise in den Trainingsdaten enthaltene Vorurteile, etwa rassistische oder sexistische Stereotype, von den Modellen übernommen und verstärkt werden. Spracherkennungssysteme können bei Dialekten oder Akzenten Fehler machen, was zu falschen Transkriptionen und damit zu Fehlentscheidungen führen kann. Und natürlich das Thema Datenschutz: Die Speicherung und Verarbeitung großer Mengen von Sprachdaten birgt ebenso große Risiken. Hinzu kommt die Frage des geistigen Eigentums — die Nutzung urheberrechtlich geschützter Sprachdaten für die Schulung von Modellen wirft rechtliche Fragen auf. Eine umfassende Regulierung dieser Technologie ist unerlässlich, um ihre verantwortungsvolle Entwicklung und Anwendung zu gewährleisten.

Ähnlich wie der Übergang vom analogen zum digitalen Zeitalter — wir sprachen eingangs vom „Band zum Bit“ — markiert diese Entwicklung in der Kommunikation zwischen Mensch und Maschine einen tiefgreifenden Wandel. Sprachtechnologie eröffnet neue Wege der Kommunikation und Interaktion, die unseren (Arbeits-)Alltag grundlegend verändern und Unternehmen spannende Entwicklungsperspektiven bieten.

Gestalten Sie die Zukunft Ihrer Kundenkommunikation aktiv, und beginnen Sie noch heute mit den entsprechenden Maßnahmen: 1) Bilden Sie ein interdisziplinäres Team. Beteiligen Sie IT, Marketing, Vertrieb und Kundenbetreuung. 2) Definieren Sie klare Ziele. Legen Sie fest, welche Ergebnisse Sie mit Spracherkennung erreichen wollen. 3) Entwickeln Sie eine Roadmap. Erstellen Sie einen Fahrplan für die Einführung und Weiterentwicklung Ihrer sprachbasierten Lösungen!