Natursprachensynthese

Natursprachensynthese beschreibt die automatisierte Erzeugung von natürlicher Sprache durch Computersysteme. Ziel ist es, aus formalen Repräsentationen—wie Logik, Semantik, Datenstrukturen oder Intentbeschreibungen—lesbaren Text zu erzeugen. In der breiteren Sicht umfasst der Begriff auch die sprachliche Wiedergabe in gesprochener Form mittels Sprachsynthese, die oft gemeinsam mit der Textgenerierung verwendet wird. Im Kern geht es um Flüssigkeit, Kohärenz und inhaltliche Genauigkeit.

Historisch begann die Natursprachensynthese mit regelbasierten Systemen und Template- oder Grammatikansätzen, entwickelte sich über statistische Methoden hin zu datengetriebenen neuronalen Ansätzen. In den letzten Jahren dominieren Large Language Models und datengetriebene NLG-Pipelines, die komplexe Inhalte aus strukturierten Daten in Text überführen.

Typische Architektur umfasst Repräsentation des Inhalts (z. B. Strukturdaten, Semantik, Aktualität), Content Planning, realizational component (Sprachgenerierung, Lexikon, Morphologie), gegebenenfalls Stilsteuerung, und Ausgabe. Bei Data-to-Text-Systemen wird zuerst der zu vermittelnde Inhalt arrangiert, dann in fließenden Text überführt. Für gesprochene Ausgaben kommt Sprachsynthese hinzu.

Anwendungsfelder sind automatisierte Berichte aus Finanz- oder Wetterdaten, Sportschilder, medizinische oder technische Zusammenfassungen, Produktbeschreibungen, Chatbots und assistive Technologien.

Methoden reichen von Template- und regelbasierten Ansätzen bis zu statistischen und neuralen Modellen. Evaluation erfolgt neben automatischen Metriken oft durch menschliche Beurteilung von Verständlichkeit, Genauigkeit und Natürlichkeit; langfristig auch task-oriented Bewertungen.

Herausforderungen sind faktenische Richtigkeit, Kohärenz bei langen Texten, Stil- und Tonsteuerung, Mehrsprachigkeit und Ressourcenbedarf. Zukünftig spielen controllable generation, personalisierte Texte und engere Verknüpfungen mit Sprachsynthese (TTS) sowie multimodale Generierung eine größere Rolle.