Diesen aiMOOC als Battle spielen: Deutsch, Klasse 7-8, G-Niveau

Spracherkennung und Sprachsynthese verstehen

Einleitung

Du sprichst einen Satz in ein Mikrofon und wenige Augenblicke später steht er als Text auf dem Bildschirm. Oder Du tippst einen Text ein und eine künstliche Stimme liest ihn vor. Dahinter stecken zwei wichtige Anwendungen der Künstlichen Intelligenz: Spracherkennung und Sprachsynthese.

Spracherkennung wandelt gesprochene Sprache in Text oder andere maschinenlesbare Informationen um. Sprachsynthese erzeugt aus Text künstliche Sprache. Beide Verfahren wirken im Alltag oft erstaunlich menschlich. Trotzdem „hört“, „versteht“ oder „spricht“ ein KI-System nicht so wie ein Mensch. Es verarbeitet digitale Signale, erkennt gelernte Muster und berechnet Wahrscheinlichkeiten.

Die zentrale KI-Kompetenz dieses Lernkurses lautet deshalb:

Du kannst erklären, wie aus Schall Daten und aus Daten Wahrscheinlichkeiten werden, wie daraus Text oder künstliche Sprache entsteht und warum Du Ergebnisse trotzdem prüfen, einordnen und verantwortungsvoll verwenden musst.

Der Kurs richtet sich besonders an die Klasse 7 und verbindet Informatik, Deutsch, Mathematik, Geschichte, Kunst, Ethik, Gemeinschaftskunde und Medienbildung. Für eine kompakte Durchführung reichen etwa 45–60 Minuten. Für Experimente, Gruppenarbeit, Quellenkritik und Transfer sind 75–90 Minuten sinnvoll.

Lernziele

Nach dem Lernkurs kannst Du:

Spracherkennung: den Weg vom gesprochenen Satz über das Audiosignal bis zum erkannten Text in eigenen Worten erklären.
Sprachsynthese: den Weg vom Text über Lautung und Sprachmelodie bis zur künstlichen Stimme beschreiben.
Spektrogramm: erklären, warum Sprache als Wellenform und als Verteilung von Frequenzen dargestellt werden kann.
Wahrscheinlichkeit: begründen, warum ein KI-System bei mehrdeutigen Signalen mehrere mögliche Wörter bewertet.
Bias und Fairness: erkennen, dass Fehler nicht für alle Sprecherinnen und Sprecher gleich häufig sein müssen, und erklären, wie man solche Unterschiede untersucht.
Quellenkritik: eine überzeugend klingende Audioaufnahme nicht automatisch für echt halten, sondern Quelle, Kontext und Bestätigung prüfen.
Menschliche Entscheidungshoheit: KI als Werkzeug nutzen, Ergebnisse kontrollieren und wichtige Entscheidungen nicht ungeprüft an ein System abgeben.
Datenschutz und Einwilligung: bei Sprachaufnahmen beachten, dass eine Stimme personenbezogene Informationen enthalten kann.

Ablauf für 1–2 Unterrichtsstunden

Phase	Zeit	Was Du tust	Ziel
Aktivierung und Diagnose	5–10 Minuten	Du beurteilst typische Aussagen zu Sprach-KI und begründest Deine erste Vermutung.	Vorwissen und Fehlvorstellungen sichtbar machen
Technische Einführung	15–20 Minuten	Du verfolgst den Weg von Schall zu Daten, Text und wieder zu Sprache.	Grundidee sicher erklären
Experiment und Vergleich	15–20 Minuten	Du vergleichst Transkripte, Fehlerquoten oder verschiedene Sprechweisen.	Muster, Wahrscheinlichkeiten und Fehler verstehen
Anwendungssituation	15–25 Minuten	Du entscheidest über einen KI-Einsatz für einen Schul-Podcast.	Fairness, Datenschutz, Transparenz und Nutzen abwägen
Selbstkontrolle und Transfer	10–15 Minuten	Du bearbeitest interaktive Aufgaben und überträgst die Idee auf neue Beispiele.	Verständnis prüfen und Fehlvorstellungen korrigieren

Kurze Aktivierung und Diagnose

Entscheide zunächst ohne Nachschlagen, ob Du den folgenden Aussagen eher zustimmst oder widersprichst. Notiere jeweils einen Grund. Am Ende des Kurses prüfst Du Deine Antworten erneut.

Aussage	Deine erste Vermutung	Nach dem Kurs
„Wenn eine künstliche Stimme völlig natürlich klingt, muss eine echte Person diesen Satz gesprochen haben.“
„Ein Spracherkennungssystem versteht Wörter genauso wie ein Mensch.“
„Wenn ein System bei zehn Tests neunmal richtig liegt, funktioniert es automatisch für alle Menschen gleich gut.“
„Ein automatisch erzeugtes Transkript sollte vor einer Veröffentlichung kontrolliert werden.“
„Eine Stimme kann eine schützenswerte persönliche Information sein.“

Diagnose-Hinweis: Besonders wichtig ist nicht, ob Deine erste Antwort richtig ist, sondern ob Du sie am Ende genauer begründen und gegebenenfalls korrigieren kannst.

Von Schall zu Daten

Sprache ist ein Schallsignal

Wenn Du sprichst, versetzen Luftbewegungen Deine Stimmlippen, Deinen Mundraum und die umgebende Luft in Schwingungen. Ein Mikrofon wandelt diese Luftdruckschwankungen in ein elektrisches Signal um. Ein Computer speichert dieses Signal anschließend als Folge von Zahlen.

Eine solche Zahlenfolge entsteht durch Abtasten: In sehr kurzen Zeitabständen wird gemessen, wie groß die momentane Signalamplitude ist. Bei einer Abtastrate von 16 kHz werden zum Beispiel 16.000 Messwerte pro Sekunde aufgenommen. Für Dich ist vor allem die Idee wichtig: Aus einer kontinuierlichen Schallwelle wird eine endliche Folge digitaler Messwerte.

Wellenform und Spektrogramm

Eine Wellenform zeigt, wie sich die Stärke eines Audiosignals über die Zeit verändert. Für die Spracherkennung ist zusätzlich interessant, welche Frequenzen zu einem bestimmten Zeitpunkt stark vertreten sind. Das lässt sich in einem Spektrogramm darstellen.

Das Bild zeigt Spektrogramme deutscher Vokale. Ein Spektrogramm ist keine „Übersetzung“ in Buchstaben. Es ist eine mathematische Darstellung des Klangs. Helle oder kräftige Bereiche markieren typischerweise Frequenzbereiche mit viel Energie. Unterschiedliche Laute erzeugen unterschiedliche Muster.

Mathematik-Bezug: Ein Spektrogramm verbindet Zeit, Frequenz und Signalstärke. Damit wird aus einem Klang ein Datenmuster, das ein Algorithmus vergleichen und verarbeiten kann.

Deutsch-Bezug: In der Lautlehre unterscheidest Du zwischen Schriftzeichen und Lauten. Der Buchstabe „s“ kann je nach Wort unterschiedlich klingen. Umgekehrt können ähnlich klingende Laute verschieden geschrieben werden. Deshalb ist der Weg von Schall zu Text anspruchsvoller als eine einfache Buchstaben-Ersetzung.

Phoneme, Wörter und Kontext

Ein Phonem ist eine kleinste bedeutungsunterscheidende Lauteinheit einer Sprache. Moderne Spracherkennung muss jedoch nicht immer ausdrücklich zuerst jedes Phonem bestimmen. Viele heutige Modelle lernen direkt, akustische Muster mit Laut-, Silben-, Teilwort- oder Wortfolgen zu verknüpfen.

Stell Dir vor, das Audiosignal könnte sowohl zu „Meer“ als auch zu „mehr“ passen. Dann hilft der sprachliche Kontext:

„Ich möchte noch ___ davon.“

Hier ist „mehr“ wahrscheinlicher als „Meer“. Ein KI-System kann solche Zusammenhänge aus vielen Trainingsbeispielen gelernt haben. Es berechnet dabei keine menschliche Bedeutung im Kopf, sondern bewertet mögliche Folgen anhand gelernter Muster.

Merksatz: Spracherkennung ist nicht „Ton für Ton abschreiben“, sondern eine Wahrscheinlichkeitsentscheidung unter Unsicherheit.

Spracherkennung: Von Audio zu Text

Ein vereinfachter Ablauf

Ein modernes System kann technisch unterschiedlich aufgebaut sein. Für die Schule hilft dieses vereinfachte Modell:

Schritt	Was passiert?	Typische Fehlerquelle
Aufnahme	Ein Mikrofon erfasst den Schall.	Hintergrundgeräusche, Abstand, Hall
Digitalisierung	Das Signal wird als Folge von Zahlen gespeichert.	Schlechte Aufnahmequalität, Übersteuerung
Merkmals- oder Repräsentationsbildung	Das System bildet Muster des Audiosignals ab, zum Beispiel zeitliche und frequenzbezogene Strukturen.	Ungewohnte Aussprache oder Störungen
KI-Modell	Ein trainiertes Modell berechnet wahrscheinliche Laut-, Teilwort- oder Zeichenfolgen.	Trainingsdaten passen schlecht zur neuen Stimme oder Situation
Sprachlicher Kontext	Mögliche Wortfolgen werden anhand gelernter Sprachmuster bewertet.	Seltene Namen, Fachwörter, Dialekt, neue Begriffe
Ausgabe	Das System erzeugt ein Transkript.	Ein plausibel klingendes, aber falsches Wort kann stehen bleiben

Ein neuronales Netz besteht vereinfacht aus vielen Schichten gewichteter Rechenoperationen. Beim Training werden Gewichte so angepasst, dass das Modell bei bekannten Beispielen bessere Vorhersagen liefert. Es speichert dabei nicht einfach eine Liste aller gesprochenen Sätze, sondern lernt statistische Strukturen.

Wichtig: Das Bild eines neuronalen Netzes ist ein Modell der Berechnung. Es ist kein Bild eines menschlichen Gehirns und beweist nicht, dass die Maschine denkt wie ein Mensch.

Das Video von Microsoft Research gibt einen Überblick über automatische Spracherkennung. Nutze es als technische Ergänzung. Prüfe dabei: Welche Teile der Darstellung sind allgemeine Prinzipien und welche beziehen sich auf einen bestimmten Entwicklungsstand?

Konfidenz ist keine Garantie

Manche Systeme geben zu einer Erkennung einen sogenannten Konfidenzwert aus. Er soll ausdrücken, wie sicher das Modell seine eigene Ausgabe einschätzt. Ein hoher Wert bedeutet jedoch nicht automatisch, dass das Ergebnis wahr ist. Ein Modell kann auch bei einem Fehler sehr sicher wirken.

Das ist eine wichtige KI-Kompetenz: Wahrscheinlichkeit, Konfidenz und Wahrheit sind nicht dasselbe.

Ein kleines mathematisches Qualitätsmaß: die Wortfehlerrate

Ein verbreitetes Maß für Transkriptionen ist die Word Error Rate, kurz WER. Vereinfacht zählt man:

WER = Einsetzungen + Auslassungen + zusätzliche Wörter, geteilt durch die Zahl der Wörter im richtigen Referenztext.

Beispiel:

Referenz: „Wir treffen uns nach der zweiten Pause.“

Erkennung: „Wir treffen nach der zweiten Pause.“

Das Wort „uns“ fehlt. Bei sieben Referenzwörtern ist das ein Fehler von sieben Wörtern, also ungefähr 14 Prozent.

Die WER ist hilfreich, aber sie erzählt nicht die ganze Geschichte. Ein fehlender Artikel kann weniger schwerwiegend sein als ein falsch erkannter Name oder eine falsche Zahl. Für faire Systeme muss man außerdem prüfen, bei wem und unter welchen Bedingungen die Fehler auftreten.

Sprachsynthese: Von Text zu Sprache

Was bedeutet Text-to-Speech?

Sprachsynthese bezeichnet die künstliche Erzeugung gesprochener Sprache. Eine häufige Form ist Text-to-Speech, kurz TTS: Ein System erhält Text und erzeugt daraus ein Audiosignal.

Ein vereinfachter Ablauf sieht so aus:

Schritt	Aufgabe	Beispiel
Textnormalisierung	Schreibweisen werden so vorbereitet, dass sie gesprochen werden können.	„7:30 Uhr“ wird als passende gesprochene Form interpretiert.
Sprachliche Analyse	Das System bestimmt Lautung, Wortgrenzen und mögliche Betonung.	Ein Wort wird in passende Laute oder interne Einheiten überführt.
Prosodie	Rhythmus, Sprechtempo, Pausen, Betonung und Tonhöhenverlauf werden geplant.	Eine Frage klingt anders als eine Aussage.
Akustisches Modell	Das Modell erzeugt eine akustische Darstellung der gewünschten Sprache.	Zum Beispiel ein vorhergesagtes Spektrogramm
Vocoder oder Wellenformgenerator	Aus der akustischen Darstellung entsteht das hörbare Audiosignal.	Lautsprecher gibt die künstliche Stimme wieder.

Prosodie ist besonders wichtig. Derselbe Satz kann freundlich, fragend, erstaunt oder gelangweilt wirken, obwohl die Wörter gleich bleiben.

Beim Anschauen kannst Du eine Medienanalyse durchführen: Welche Fachbegriffe werden erklärt? Welche Zwischenschritte werden vereinfacht? Was müsste man zusätzlich wissen, um ein reales modernes TTS-System vollständig zu beschreiben?

Sprachsynthese im Alltag und für Barrierefreiheit

Sprachsynthese wird zum Beispiel für Vorlesefunktionen, Screenreader, Navigationshinweise, Lernhilfen oder automatische Ansagen eingesetzt. Sie kann Menschen unterstützen, die geschriebene Texte nicht oder nur schwer lesen können.

Barrierefreiheit ist ein wichtiges Qualitätskriterium: Eine Technik ist nicht allein deshalb gut, weil sie beeindruckend klingt. Entscheidend ist auch, ob sie zuverlässig, zugänglich, verständlich und für unterschiedliche Menschen nutzbar ist.

Ein Blick in die Geschichte

Elektronische Sprachsynthese ist älter als heutige KI. Schon vor modernen neuronalen Netzen versuchten Forschende, Sprache technisch zu erzeugen. Der von Homer Dudley entwickelte VODER wurde 1939 auf der New Yorker Weltausstellung öffentlich demonstriert. Eine Bedienperson steuerte dabei elektronische Klangbausteine so, dass verständliche Sprache entstand.

Geschichte-Bezug: Der VODER zeigt, dass „künstliche Stimme“ nicht automatisch „moderne KI“ bedeutet. Die technische Grundidee, menschliche Sprache in analysierbare Bestandteile zu zerlegen und wieder zusammenzusetzen, ist historisch gewachsen. Moderne Systeme unterscheiden sich vor allem darin, wie stark sie aus großen Datenmengen lernen und wie automatisch sie komplexe Muster modellieren.

Typische Fehlvorstellung: „Alles, was künstlich spricht, ist generative KI.“ Das stimmt nicht. Es gibt regelbasierte, signaltechnische und statistische Verfahren sowie moderne neuronale Modelle.

Bias, Fairness und Fehleranalyse

Warum macht Spracherkennung nicht bei allen Menschen dieselben Fehler?

Menschen sprechen unterschiedlich: Dialekte, Akzente, Alter, Sprechtempo, Stimmhöhe, individuelle Artikulation, Sprachbeeinträchtigungen, Mehrsprachigkeit und Aufnahmebedingungen verändern das Signal. Wenn bestimmte Sprechweisen in Trainings- und Testdaten seltener vorkommen, kann ein Modell dort schlechter funktionieren.

Bias bedeutet hier nicht automatisch, dass eine Maschine „Vorurteile denkt“. Gemeint ist eine systematische Verzerrung oder ungleiche Wirkung, die unter anderem durch Datenzusammensetzung, Modellgestaltung, Messmethoden oder Einsatzbedingungen entstehen kann.

Eine bekannte Studie von Koenecke und weiteren Forschenden untersuchte 2020 fünf kommerzielle englischsprachige Spracherkennungssysteme. In dem verwendeten Datensatz lag die durchschnittliche Wortfehlerrate für schwarze Sprecherinnen und Sprecher deutlich höher als für weiße Sprecherinnen und Sprecher.^[1]

Quellenkritik zur Studie: Dieses Ergebnis ist wichtig, aber Du darfst es nicht grenzenlos verallgemeinern. Die Studie stammt aus dem Jahr 2020, untersuchte bestimmte US-amerikanische Sprachdaten und bestimmte damalige Systeme. Sie beweist nicht, dass jedes heutige System in jeder Sprache denselben Unterschied zeigt. Sie zeigt aber sehr deutlich, warum KI-Systeme nach Gruppen und Bedingungen getrennt getestet werden sollten.

Mini-Fairness-Audit

Stell Dir vor, eine Klasse testet ein Spracherkennungssystem mit zwei gleich großen Testmengen. Beide Gruppen sprechen jeweils 50 Wörter unter denselben Raum- und Mikrofonbedingungen.

Testgruppe	Fehler	Wortfehlerrate
Gruppe A	2 Fehler bei 50 Wörtern	4 Prozent
Gruppe B	8 Fehler bei 50 Wörtern	16 Prozent

Auftrag: Reicht diese Tabelle aus, um „Diskriminierung“ sicher zu beweisen? Begründe.

Eine gute Antwort unterscheidet zwischen Hinweis und Beweis. Der Unterschied ist auffällig und sollte untersucht werden. Für ein begründetes Urteil brauchst Du aber weitere Informationen: Wie wurden die Gruppen gebildet? Waren die Sätze gleich schwierig? War die Aufnahmequalität wirklich vergleichbar? Wie groß ist die Stichprobe? Wiederholt sich der Unterschied? Welche Ursachen sind plausibel?

Mathematik-Bezug: Prozentwerte helfen beim Vergleich, aber Statistik braucht Kontext. Kleine Stichproben können täuschen. Ein fairer Vergleich erfordert kontrollierte Bedingungen.

So prüfst Du Fairness sinnvoller

Vergleichbare Bedingungen: Nutze möglichst dieselben Sätze, ähnliche Mikrofone, Lautstärken und Umgebungen.
Mehrere Testfälle: Ein einzelner Fehler sagt wenig über ein System aus.
Unterschiedliche Sprechweisen: Teste Dialekte, Akzente, Sprechtempo und verschiedene Stimmen, ohne Menschen auf stereotype Merkmale zu reduzieren.
Fehlerarten: Prüfe nicht nur die Zahl der Fehler, sondern auch ihre Bedeutung.
Folgen: Frage, wer durch Fehler einen Nachteil hat und wie schwer dieser Nachteil ist.
Verbesserung: Überlege, ob bessere Daten, menschliche Kontrolle oder ein anderer Einsatzweg nötig sind.

Quellenkritik, Voice Cloning und Audio-Deepfakes

Natürlich klingend bedeutet nicht automatisch echt

Bei Voice Cloning wird eine Stimme anhand von Aufnahmen so modelliert, dass neue Sätze mit ähnlichen Stimmmerkmalen erzeugt werden können. Das kann nützlich sein, etwa für Barrierefreiheit oder kreative Projekte mit Einwilligung. Es kann aber auch missbraucht werden, um einer Person Aussagen zuzuschreiben, die sie nie gemacht hat.

Das Video demonstriert Voice Cloning. Es eignet sich nicht als Beweis dafür, dass jedes Verfahren genauso funktioniert, sondern als Ausgangspunkt für eine Analyse: Welche Daten werden benötigt? Welche Schritte sind sichtbar? Welche Risiken entstehen, wenn eine synthetische Stimme nicht gekennzeichnet wird?

Die UNESCO betont bei generativer KI die Bedeutung von Medien- und Informationskompetenz, menschlicher Entscheidungshoheit, Quellenprüfung, Datenschutz und einem bewussten Umgang mit synthetischen Medien.^[2]

Der STIMME-Check für verdächtige Audioinhalte

STIMME ist hier ein Merkschema für diesen Lernkurs:

Buchstabe	Prüffrage
S – Sender	Wer veröffentlicht die Aufnahme? Ist die Quelle eindeutig und vertrauenswürdig?
T – Transparenz	Wird angegeben, ob die Stimme aufgenommen, bearbeitet oder synthetisch erzeugt wurde?
I – Inhalt	Passt die Aussage zu bekannten Fakten oder wirkt sie ungewöhnlich, sensationell oder aus dem Zusammenhang gerissen?
M – Metadaten und Kontext	Woher stammt die Datei? Gibt es Datum, vollständigen Zusammenhang oder eine Originalquelle?
M – Mehrere Quellen	Bestätigen unabhängige seriöse Quellen die Aussage?
E – Einwilligung und Ethik	Wurde eine Stimme mit Zustimmung verwendet? Könnte Veröffentlichung jemandem schaden?

Medienbildungs-Regel: Eine Audioaufnahme ist ein Beleg, aber kein unfehlbarer Beweis. Je größer die mögliche Folge einer Aussage ist, desto sorgfältiger solltest Du sie unabhängig bestätigen.

Die Europäische Kommission weist ebenfalls darauf hin, dass KI-generierte Inhalte geprüft, sensible Daten geschützt und synthetische oder manipulierte Inhalte transparent gemacht werden sollten.^[3]

Realistische Anwendungssituation: Der Schul-Podcast

Deine Klasse produziert einen Podcast über das Schulfest. Die Redaktion möchte:

Interviews automatisch transkribieren, damit ein schriftlicher Artikel entsteht.
Das Transkript als Untertitel für ein Video nutzen.
Eine künstliche Stimme für eine kurze Einleitung verwenden.
Eine fehlende Aussage eines erkrankten Mitschülers mit dessen „geklonter“ Stimme nachbauen.
Rohaufnahmen zur Verarbeitung an einen unbekannten Onlinedienst hochladen.

Ihr sollt entscheiden, welche Ideen vertretbar sind.

Entscheidungsmatrix

Idee	Nutzen	Risiko	Bedingung für verantwortlichen Einsatz
Automatisches Transkript als Entwurf	Spart Zeit und unterstützt Barrierefreiheit.	Namen, Zahlen oder Dialekt können falsch erkannt werden.	Menschliche Kontrolle vor Veröffentlichung
Automatische Untertitel	Mehr Menschen können das Video verstehen.	Fehler können Aussagen verfälschen.	Untertitel prüfen und korrigieren
Generische künstliche Stimme	Kann Intro oder Hinweise vorlesen.	Publikum könnte die Stimme für eine reale Person halten.	Kennzeichnen, wenn die Herkunft relevant ist
Stimme eines Mitschülers klonen	Klingt persönlich.	Einwilligung, Identität und Missbrauchsrisiko	Nur mit klarer freiwilliger Zustimmung; oft ist eine generische Stimme die bessere Wahl
Rohaufnahmen an unbekannten Dienst hochladen	Bequeme Verarbeitung	Unklare Speicherung, Weiterverwendung und Datenschutzrisiken	Erst Datenschutz, Bedingungen, Speicherort und Einwilligungen klären; wenn möglich datensparsame oder lokale Lösung nutzen

Deine Entscheidung: Formuliere für die Podcast-Redaktion eine Empfehlung mit mindestens drei Kriterien. Eine gute Begründung verbindet technischen Nutzen mit Fairness, Datenschutz, Transparenz und menschlicher Kontrolle.

Human Agency: Wer entscheidet?

Ein verantwortungsvoller KI-Einsatz bedeutet nicht, alles selbst ohne Technik zu tun. Er bedeutet auch nicht, jede Systemausgabe zu akzeptieren. Human Agency heißt: Menschen legen Ziel und Regeln fest, kontrollieren wichtige Zwischenschritte, können widersprechen und tragen Verantwortung für die Entscheidung.

Für den Schul-Podcast könnte das bedeuten:

KI schlägt vor – Menschen prüfen – Betroffene stimmen zu – die Redaktion entscheidet – das Ergebnis wird transparent veröffentlicht.

Typische Fehlvorstellungen korrigieren

Fehlvorstellung	Bessere Erklärung
„Die KI hört genau wie ein Mensch.“	Das System verarbeitet Messwerte eines Audiosignals und ordnet ihnen gelernte Muster zu.
„Das wahrscheinlichste Wort ist immer richtig.“	Wahrscheinlichkeit beschreibt eine Modellschätzung, keine Garantie.
„Wenn die Stimme echt klingt, ist die Aufnahme echt.“	Sprachsynthese und Voice Cloning können sehr natürlich klingen.
„Bias bedeutet, dass die Maschine absichtlich unfair ist.“	Bias kann aus Daten, Messung, Modell und Einsatzbedingungen entstehen, ohne menschliche Absicht des Systems.
„Eine niedrige Gesamtfehlerrate beweist Fairness.“	Durchschnittswerte können Unterschiede zwischen Gruppen oder Situationen verdecken.
„Künstliche Sprache ist immer ein Deepfake.“	Sprachsynthese kann neutral und transparent eingesetzt werden; problematisch wird es unter anderem bei täuschender Identitätsimitation.
„Automatische Untertitel müssen nicht geprüft werden.“	Fehler bei Namen, Zahlen oder Fachbegriffen können die Bedeutung stark verändern.

Fächerübergreifende Bezüge

Fach	Verbindung zum Thema	Mögliche Leitfrage
Informatik	Digitale Audiosignale, Modelle, Trainingsdaten, Wahrscheinlichkeiten, neuronale Netze	Wie wird aus einem Signal eine Vorhersage?
Deutsch	Lautlehre, Phoneme, Mehrdeutigkeit, Betonung, Dialekt, Gesprächskontext	Warum reicht ein einzelner Laut oft nicht zur Worterkennung?
Mathematik	Prozentrechnung, Fehlerraten, Vergleich von Stichproben, Wahrscheinlichkeiten	Wann ist eine Fehlerquote aussagekräftig?
Geschichte	VODER, Entwicklung elektronischer Sprachsysteme, Wandel von Mensch-Maschine-Kommunikation	Was ist an heutiger Sprach-KI neu und was hat ältere Wurzeln?
Kunst	Stimme als Gestaltungsmittel, Klangfarbe, Rhythmus, Hörspiel, Sounddesign	Wann wirkt eine synthetische Stimme glaubwürdig oder bewusst künstlich?
Ethik	Einwilligung, Täuschung, Verantwortung, Fairness, Identität	Darf man eine Stimme nachahmen, nur weil es technisch möglich ist?
Gemeinschaftskunde	Öffentlichkeit, Desinformation, Vertrauen in Medien, Regeln für KI	Wie verändert synthetisches Audio politische und gesellschaftliche Kommunikation?
Medienbildung	Quellenprüfung, Deepfakes, Transparenz, Datenschutz, Urteilsbildung	Welche Belege brauchst Du, bevor Du einer Audioaufnahme glaubst?

Selbstkontrolle vor den interaktiven Aufgaben

Erkläre ohne Nachzuschauen in höchstens 60 Sekunden:

Wie wird aus gesprochener Sprache ein digitales Signal?
Warum braucht Spracherkennung Wahrscheinlichkeiten und Kontext?
Was unterscheidet Spracherkennung von Sprachsynthese?
Warum kann eine niedrige Gesamtfehlerrate trotzdem unfair sein?
Warum ist eine natürlich klingende Stimme kein sicherer Echtheitsbeweis?

Wenn Du bei einer Frage nur ein Schlagwort nennen kannst, gehe zum entsprechenden Abschnitt zurück und formuliere die Erklärung als vollständige Ursache-Wirkungs-Kette.

Interaktive Aufgaben

Quiz: Teste Dein Wissen

Ein Spracherkennungssystem entscheidet zwischen den ähnlich klingenden Wörtern „Meer“ und „mehr“. Was hilft ihm besonders bei der Auswahl? (Der sprachliche Kontext und gelernte Wahrscheinlichkeiten) (!Die Farbe des Mikrofons) (!Die Bildschirmhelligkeit) (!Die Dateiendung des Textdokuments)

Ein Satz wird in einem lauten Klassenraum deutlich schlechter erkannt als im ruhigen Nebenraum. Welche Erklärung ist am naheliegendsten? (Das akustische Eingangssignal enthält mehr störende Geräusche) (!Das Alphabet hat im Klassenraum weniger Buchstaben) (!Das Mikrofon erkennt keine Verben) (!Der Text wird automatisch kürzer)

Welche Aussage beschreibt moderne Spracherkennung am besten? (Sie berechnet aus Audiodaten wahrscheinliche sprachliche Folgen) (!Sie hört mit einem menschlichen Ohr) (!Sie kennt die Wahrheit jedes gesprochenen Satzes) (!Sie ersetzt jedes Geräusch direkt durch einen Buchstaben)

Was gehört typischerweise zur Sprachsynthese? (Aus Text wird eine künstliche akustische Sprachausgabe erzeugt) (!Aus einem Foto wird eine Landkarte erzeugt) (!Ein Mikrofon wird mechanisch repariert) (!Ein gedrucktes Buch wird eingescannt)

Warum ist ein Spektrogramm für Sprachverarbeitung nützlich? (Es zeigt, wie Frequenzanteile eines Signals sich über die Zeit verändern) (!Es beweist automatisch, wer gesprochen hat) (!Es zeigt nur die Rechtschreibung eines Wortes) (!Es entfernt jede Art von Hintergrundgeräusch)

Zwei gleich große Testgruppen haben unter vergleichbaren Bedingungen deutlich unterschiedliche Wortfehlerraten. Was ist die beste Schlussfolgerung? (Der Unterschied ist ein Anlass für eine genauere Fairness-Untersuchung) (!Damit ist jede Ursache des Unterschieds bereits bewiesen) (!Die kleinere Fehlerquote muss manipuliert sein) (!Man kann alle weiteren Tests weglassen)

Eine App möchte die Stimmen Deiner Mitschülerinnen und Mitschüler auf einen unbekannten Server hochladen. Was solltest Du zuerst klären? (Einwilligung Datenschutz Zweck und Umgang mit den Aufnahmen) (!Ob das App-Symbol modern aussieht) (!Ob die Aufnahme besonders lang ist) (!Ob alle denselben Klingelton verwenden)

Eine unbekannte Audiodatei behauptet, die Schulleitung habe morgen den Unterricht abgesagt. Was ist die beste Reaktion? (Die Aussage über einen offiziellen unabhängigen Schulkanal überprüfen) (!Die Datei sofort an alle weiterleiten) (!Nur auf die Natürlichkeit der Stimme achten) (!Annehmen dass Audio grundsätzlich echt ist)

Eine synthetische Stimme klingt fast genau wie eine reale Person. Was folgt daraus? (Die Ähnlichkeit allein beweist nicht dass die Person den Satz gesprochen hat) (!Die Aufnahme muss echt sein) (!Das System besitzt die Erinnerungen der Person) (!Die Person hat automatisch zugestimmt)

Welche Arbeitsweise zeigt besonders viel Human Agency? (Die KI erzeugt einen Entwurf Menschen prüfen ihn und entscheiden begründet über die Nutzung) (!Die KI trifft jede Entscheidung ohne Kontrolle) (!Menschen veröffentlichen jedes Ergebnis sofort) (!Fehler werden ignoriert wenn das System modern wirkt)

Memory

Spracherkennung	Sprache zu Text
Sprachsynthese	Text zu Sprache
Spektrogramm	Frequenzen im Zeitverlauf
Phonem	bedeutungsunterscheidender Laut
Prosodie	Rhythmus Betonung Sprachmelodie
Wortfehlerrate	Maß für Transkriptionsfehler
Bias	systematische Verzerrung
Quellenkritik	Herkunft und Belege prüfen

Drag and Drop

Ordne die richtigen Begriffe zu.	Aufgabe im Spracherkennungsprozess
Mikrofon	Schall aufnehmen
Digitalisierung	Signal in Zahlenwerte überführen
Akustische Repräsentation	Klangmuster für die Verarbeitung darstellen
Sprachlicher Kontext	plausible Wortfolgen bewerten
Transkript	erkannten Text ausgeben

Kreuzworträtsel

Mikrofon	Welches Gerät wandelt Schall in ein elektrisches Signal um?
Phonem	Wie heißt eine kleinste bedeutungsunterscheidende Lauteinheit?
Prosodie	Wie nennt man unter anderem Rhythmus Betonung und Sprachmelodie?
Spektrogramm	Welche Darstellung zeigt Frequenzen eines Audiosignals im Zeitverlauf?
Fairness	Welcher Begriff beschreibt das Ziel dass ein System verschiedene Menschen angemessen und ohne ungerechtfertigte Nachteile behandelt?
Transkript	Wie heißt die schriftliche Fassung gesprochener Sprache?

LearningApps

Lückentext

Spracherkennung wandelt gesprochene Sprache in

um.

Ein Mikrofon erfasst zunächst ein akustisches

.

Ein Spektrogramm zeigt die Verteilung von Frequenzen über die

.

Ein KI-Modell bewertet bei unsicheren Signalen verschiedene sprachliche Möglichkeiten anhand gelernter

.

Die kleinste bedeutungsunterscheidende Lauteinheit wird

genannt.

Bei der Sprachsynthese beeinflusst die

unter anderem Rhythmus Betonung und Sprachmelodie.

Die Wortfehlerrate ist ein Maß für die Qualität eines

.

Systematische Unterschiede zwischen Gruppen können ein Hinweis auf

sein.

Eine natürlich klingende Stimme ist allein kein sicherer Beweis für die

einer Aufnahme.

Vor wichtigen Entscheidungen sollen Menschen KI-Ergebnisse prüfen und die

behalten.

Reflexion und Transfer

Beantworte die folgenden drei Fragen schriftlich in jeweils zwei bis vier Sätzen:

Technischer Transfer: Eine automatische Telefonansage versteht den Ortsnamen Deiner Gemeinde ständig falsch. Nenne zwei mögliche Ursachen und beschreibe einen fairen Test.
Medienkritischer Transfer: Eine Sprachnachricht klingt wie die Stimme einer bekannten Person, enthält aber eine überraschende Behauptung. Welche Prüfungen führst Du durch, bevor Du sie teilst?
Verantwortungs-Transfer: Wo wäre Sprach-KI an Deiner Schule hilfreich und wo sollte ein Mensch zwingend die letzte Entscheidung treffen? Begründe anhand von Nutzen und Risiko.

Offene Aufgaben

Leicht

Fehlerdetektiv: Diktiere einer verfügbaren Spracherkennung fünf kurze Schulsätze. Markiere Fehler und ordne sie möglichen Ursachen wie Geräusch, Eigenname, Sprechtempo oder Mehrdeutigkeit zu. Nutze nur eigene oder freiwillig freigegebene Sprachaufnahmen.
Klangbild: Nimm freiwillig ein kurzes Wort auf und öffne es in einem geeigneten lokalen Audio-Werkzeug mit Spektrogramm-Ansicht. Beschreibe, was sich zwischen einem lang gesprochenen Vokal und einem kurzen Konsonanten sichtbar verändert.
STIMME-Check: Untersuche eine veröffentlichte Audioquelle mit dem STIMME-Schema. Notiere, welche Prüfschritte möglich sind und welche Informationen fehlen.
Erklärgrafik: Gestalte ein Bild mit den zwei Wegen „Sprache → Daten → Text“ und „Text → Daten → Sprache“. Kennzeichne an mindestens zwei Stellen, wo Wahrscheinlichkeiten oder menschliche Kontrolle wichtig sind.

Standard

Mini-ASR-Audit: Entwickle mit Deiner Gruppe zehn neutrale Testsätze und lass sie von mehreren freiwilligen Personen unter möglichst gleichen Bedingungen sprechen. Vergleicht Fehlerarten, ohne aus einzelnen Ergebnissen Aussagen über ganze Bevölkerungsgruppen abzuleiten.
Prosodie-Labor: Lass denselben neutralen Satz mit verschiedenen Betonungen oder Sprechgeschwindigkeiten vorlesen. Analysiere, wie sich die Wirkung verändert und warum Prosodie zur Bedeutung beitragen kann.
Schul-Podcast-Entscheidung: Erstellt für die Podcast-Situation eine Redaktionsrichtlinie mit Regeln zu Einwilligung, Transkriptprüfung, Kennzeichnung künstlicher Stimmen, Datenschutz und Beschwerdemöglichkeit.
Technikgeschichte: Vergleiche den historischen VODER mit moderner neuronaler Sprachsynthese. Gestalte eine Zeitleiste und trenne dabei klar zwischen Signaltechnik, statistischen Verfahren und lernenden Modellen.

Schwer

Fairness-Studie: Plant einen kontrollierten Test, mit dem Ihr prüfen könnt, ob ein Spracherkennungssystem bei zwei Sprechbedingungen unterschiedlich viele Fehler macht. Definiert Hypothese, gleiche Bedingungen, Messgröße, Stichprobengröße und Grenzen Eurer Aussage.
Deepfake-Prüfprotokoll: Entwickelt ein schulgeeignetes Verfahren für den Fall, dass eine verdächtige Sprachnachricht über eine Lehrkraft oder Mitschülerin auftaucht. Berücksichtigt Beweissicherung, Nicht-Weiterverbreitung, unabhängige Bestätigung, Schutz Betroffener und transparente Kommunikation.
Öffentliche Debatte: Führt eine strukturierte Diskussion zur Frage „Sollten synthetische Stimmen in schulischen Medien immer gekennzeichnet werden?“ Formuliert mindestens zwei begründete Positionen und entwickelt anschließend eine gemeinsame Regel.
Verantwortliches Systemdesign: Entwerft auf Papier eine Sprach-KI für die Schule. Legt fest, welche Daten sie benötigt, welche Daten sie nicht speichern darf, wie Fehler gemeldet werden, wie Fairness geprüft wird und bei welchen Entscheidungen zwingend ein Mensch zustimmen muss.

Lernkontrolle

Fehlerursache erklären: Eine Spracherkennung verwechselt in ruhiger Umgebung wiederholt zwei ähnlich klingende Fachbegriffe. Erkläre mindestens zwei mögliche Ursachen auf unterschiedlichen Ebenen des Systems und schlage für jede Ursache einen passenden Test vor.
Fehlerraten bewerten: System A hat insgesamt weniger Fehler als System B, zeigt aber in einer kleinen Teilgruppe deutlich größere Leistungsunterschiede. Begründe, warum „beste Gesamtquote“ und „fairstes System“ nicht automatisch dasselbe bedeuten.
Einsatzentscheidung Schule: Eine Schule möchte Elterngespräche automatisch transkribieren lassen. Entwickle Kriterien, unter denen ein Einsatz vertretbar wäre, und nenne mindestens einen Fall, in dem Du davon abraten würdest.
Quelle beurteilen: Du erhältst eine überzeugend klingende Audiodatei mit einer politischen Aussage. Entwickle eine Prüfstrategie, die nicht auf Dein Bauchgefühl über die Stimme angewiesen ist.
Transfer auf neues Beispiel: Ein Lernprogramm liest Aufgaben automatisch vor und erstellt gleichzeitig Untertitel für gesprochene Antworten. Ordne die beiden Funktionen Sprachsynthese und Spracherkennung zu und erkläre, welche unterschiedlichen Fehler jeweils auftreten können.
Fehlvorstellung korrigieren: Jemand sagt: „Wenn die KI 95 Prozent richtig erkennt, können wir ihr die restlichen Entscheidungen auch überlassen.“ Formuliere eine sachliche Gegenrede mit mindestens drei Argumenten aus Technik, Fairness und Verantwortung.

Lernnachweis

Für einen Lernnachweis zu Spracherkennung und Sprachsynthese verstehen ist wichtig, dass Du nicht nur Begriffe nennst, sondern Zusammenhänge erklären und auf neue Situationen übertragen kannst.

Grundidee: Du kannst den Unterschied zwischen Spracherkennung und Sprachsynthese sicher erklären.
Signalverarbeitung: Du kannst beschreiben, wie ein Mikrofon Schall in ein digitales Signal überführt und wozu ein Spektrogramm dient.
KI-Modell: Du kannst erklären, dass moderne Systeme gelernte Muster und Wahrscheinlichkeiten nutzen und deshalb Fehler machen können.
Sprachwissen: Du kannst die Rolle von Phonemen, Kontext und Prosodie anhand eigener Beispiele erläutern.
Qualitätsmessung: Du kannst eine einfache Wortfehlerrate berechnen und ihre Grenzen benennen.
Fairness: Du kannst systematische Leistungsunterschiede als Untersuchungsanlass erkennen und einen fairen Vergleich planen.
Quellenkritik: Du kannst eine Audioquelle mit nachvollziehbaren Prüfschritten bewerten, statt nur nach dem Klang zu urteilen.
Verantwortung: Du kannst Datenschutz, Einwilligung, Transparenz, Sicherheit und menschliche Entscheidungshoheit in einer realistischen Anwendung gegeneinander abwägen.
Transfer: Du kannst die zugrunde liegende Idee bei neuen Anwendungen wie Untertiteln, Sprachassistenten, Vorlesefunktionen oder Voice Cloning wiedererkennen.
Fehlvorstellungen: Du kannst erklären, warum natürlich klingende Sprache kein Echtheitsbeweis ist und warum eine gute Durchschnittsquote keine automatische Fairness garantiert.

OERs zum Thema

Die folgenden Wikipedia-Artikel eignen sich zur Vertiefung und zum Vergleich mit dem Lernkurs:

Weitere frei zugängliche Medien und Quellen:

Quellen und Vertiefung

Verknüpfte Lernbereiche

Spracherkennung und Sprachsynthese verstehen

aiMOOC-Projekte

Inhalte werden geladen ...

Mediathek wird aus dem Wiki geladen ...

Frag mich zum aktuellen Lerninhalt oder wähle eine kurze Hilfe.

Textmodus bereit

Sprache

[1] Koenecke et al. 2020: Racial disparities in automated speech recognition

[2] UNESCO IITE: Media and Information Literacy Responses to Generative AI

[3] Europäische Kommission: Making artificial intelligence work for people

[1]

[2]

[3]