Kurz gesagt: DeepL stellt mit Aure ein neues KI-Sprachmodell vor, das bei Echtzeit-Übersetzungen nicht nur gesprochene Inhalte, sondern auch Stimmcharakter, Betonung und Emotionen übertragen soll. Anders als bisherige Modelle passt sich Aure während eines Gesprächs kontinuierlich an die Sprechweise an.
Eine Stimme verrät weit mehr als die gesprochenen Worte. Stimmung, Sprechtempo und Betonung prägen, wie eine Aussage verstanden wird. Doch können KI-Übersetzungen diese menschlichen Ausdrucksformen wirklich bewahren? DeepL möchte mit seinem neuen Voice-KI-Modell Aure genau diese Herausforderung lösen.
Kontinuierliche Anpassung statt statischer Stimmprobe
Bisher analysierte DeepL Voice zu Beginn eines Gesprächs eine einmalige Stimmprobe und erzeugte daraus eine künstliche Stimme. Veränderten sich im weiteren Verlauf Stimmung oder Tonfall, wurden diese Unterschiede nicht entsprechend in die Übersetzung übernommen.
Aure verfolgt einen anderen Ansatz: Das Modell analysiert die eingehenden Audiosignale fortlaufend und berücksichtigt Veränderungen bei Betonung, Sprechtempo und Emotionen. Dadurch sollen übersetzte Stimmen auch subtile Ausdrucksweisen möglichst natürlich wiedergeben.
DeepL bezeichnet Aure als sein bislang dynamischstes und ausdrucksstärkstes Voice-KI-Modell. Unternehmenschef Jarek Kutylowski sieht darin einen wichtigen Schritt, um bei sprachübergreifender Kommunikation die persönliche Ausdrucksweise und Stimmidentität zu erhalten.
Technische Herausforderungen bei der Sprachverarbeitung
Die kontinuierliche Audioanalyse stellt hohe Anforderungen an die Technologie. Hintergrundgeräusche, Echos und Klangverzerrungen müssen erkannt und herausgefiltert werden, ohne dabei wichtige Spracheigenschaften zu verlieren.
Hinzu kommen unterschiedliche Akzente und begrenzte Trainingsdaten für verschiedene Sprachen. DeepL setzt deshalb auf getrennte Trainingsverfahren für drei zentrale Bestandteile:
- Stimmidentität: Individuelle Merkmale einer Stimme.
- Prosodie: Betonung, Intonation und weitere Merkmale der Sprechweise.
- Sprachinhalt: Erkennung und Verarbeitung gesprochener Wörter.
Durch diese Trennung soll Aure persönliche Stimmmerkmale und emotionale Nuancen auch bei wechselnden Gesprächssituationen besser übertragen können.
DeepL Aure startet mit acht Sprachen
Aure steht ab sofort innerhalb von DeepL Voice für Online-Meetings und persönliche Gespräche sowie über die DeepL-API zur Verfügung. Eine zusätzliche Konfiguration ist laut DeepL nicht erforderlich.
Zum Start unterstützt das Modell Englisch, Deutsch, Spanisch, Französisch, Italienisch, Japanisch, Portugiesisch und Koreanisch. Weitere Sprachen sollen folgen.
Gerade bei internationalen Meetings und mehrsprachiger Zusammenarbeit könnte die Technologie helfen, Missverständnisse durch verloren gegangene Betonungen oder emotionale Unterschiede zu reduzieren. Wie zuverlässig dies unter wechselnden Gesprächsbedingungen gelingt, lässt sich aus den Herstellerangaben allein jedoch nicht abschließend beurteilen.
Wer Entwicklungen rund um KI-gestützte Kommunikation, Sprachmodelle und ihren praktischen Einsatz verfolgen möchte, findet im Newsletter Beratung-KI regelmäßig weitere Informationen und Einordnungen.
Effizienz durch Innovation: Teile der textlichen und visuellen Ausgestaltung dieser Seite wurden durch generative KI-Systeme unterstützt.