Sprachinput

Sprachinput bezeichnet die Nutzung gesprochener Sprache zur Eingabe von Informationen oder Befehlen in Computersysteme, mobile Endgeräte und andere Anwendungen. Ziel ist es, gesprochene Äußerungen automatisch in Text zu transkribieren oder in Steuerbefehle zu übersetzen. Es umfasst Diktier-, Befehls- und Dialogschnittstellen.

Technisch basiert Sprachinput auf Spracherkennung (ASR). Moderne Systeme kombinieren akustische Modelle, Sprachmodelle und Decoder, oft mit neuronalen Netzen. Die Verarbeitung kann lokal auf dem Endgerät oder in der Cloud erfolgen. End-to-end-Ansätze wandeln Audio direkt in Text, während traditionelle Systeme separate Komponenten nutzen.

Anwendungsbereiche reichen vom Sprachdiktat in Textverarbeitung, über Sprachsteuerung von Smartphones, Smart-Home-Geräten und Fahrzeugen, bis zur Transkription von Meetings oder barrierefreien Anwendungen. Sprachinput findet sich auch in IVR-Systemen und Übersetzungsdiensten.

Herausforderungen sind Störgeräusche, Akzente, Mehrsprachigkeit und domänenabhängige Terminologie. Sprachverarbeitung erfordert oft große Datenmengen; Latenz, Datenschutz und Sicherheit sind wichtig, besonders bei Cloud-Lösungen. Bewertungen nutzen Kennzahlen wie Wortfehlerquote (WER).

Historisch entwickelte sich Sprachinput von frühen Spracherkennungssystemen der 1950er Jahre, die nur Ziffern erkennen konnten (Bell Labs' Audrey), zu modernen End-to-end-Systemen mit Deep-Learning in den 2010er Jahren. Web-Standards wie die Web Speech API ermöglichen Spracherkennung direkt in Browsern; Datenschutzregelungen variieren regional.