Aus Daten wird Text.
Aus Text wird Stimme.

Natural Language Generation ist die computergestützte Erzeugung sprachlicher Ausgaben. Eingaben können strukturierte Daten, vorhandene Texte oder andere vorgegebene Informationen sein. Die Textgenerierung kann regelbasiert, mit Vorlagen oder mit gelernten Modellen erfolgen. Für eine gesprochene Ausgabe wird sie mit Sprachsynthese verbunden.

Typische Anwendungen sind Wetterberichte, Datenauswertungen, Produkttexte und Dialogantworten. In einem Sprachdialog können Spracherkennung, Natural Language Understanding, Dialogsteuerung, Textgenerierung und Text-to-Speech zusammenarbeiten. Auch sprachgesteuerte Assistenten oder Werkzeuge für mehrsprachige Kommunikation kombinieren verschiedene dieser Aufgaben. Die einzelnen Verfahren sind voneinander zu unterscheiden.

Klassische NLG-Abläufe unterscheiden Inhaltsauswahl, Dokumentplanung, Satzplanung und sprachliche Realisierung. Eine optionale Audioausgabe ergänzt Ausspracheplanung und Signalbildung. Moderne Systeme können mehrere dieser Aufgaben in einem Modell verbinden.

Vorlagen und regelbasierte Verfahren eignen sich für definierte Ausgaben mit festgelegten Variablen. Statistische Methoden, rekurrente Netze wie LSTM und Transformer-basierte Sprachmodelle bieten andere Möglichkeiten. Ein Markov-Modell ist dabei nicht automatisch ein neuronales Netz. Welche Methode passt, hängt vom Material, benötigter Variation, Kontrollierbarkeit und Verwendungszweck ab.

Zuerst wird festgelegt, welche Informationen in der Ausgabe benötigt werden. Themenfilter, strukturierte Datenabfragen und Analyseverfahren können Angaben vorsortieren und Beziehungen erkennen. Qualität, Relevanz und eindeutige Bedeutung der Ausgangsdaten sind wichtiger als die reine Datenmenge.

Je nach Anwendung werden die ausgewählten Daten interpretiert und in einen Zusammenhang gebracht. Wo Inhalte bereits eindeutig zugeordnet und vorverarbeitet sind, kann die Ausgabe auch einer festgelegten Regel oder Vorlage folgen. Spracherkennungsgrammatiken wie SRGS beschreiben erwartete Eingaben; sie sind selbst kein allgemeines Verfahren zur Textgenerierung.

Ein Dokumentplan legt fest, welche Informationen in welcher Reihenfolge erscheinen. Eine Kunden-E-Mail braucht einen anderen Aufbau als ein Börsenbericht oder eine tabellarische Verbindungsauskunft. Anschließend werden Inhalte in Sätze und Absätze überführt und sinnvoll verbunden.

Satzaggregierung kann zusammengehörige Aussagen verbinden oder Wiederholungen vermeiden. Wortwahl, Referenzen, Ansprache und Stil werden an die Aufgabe angepasst. Grammatische Realisierung betrifft unter anderem Satzbau, Zeitformen und Orthografie. Bei einer generierten Ausgabe müssen diese Merkmale ebenso geprüft werden wie die zugrunde liegenden Aussagen.

Das Ergebnis kann als Textdatei, in einer Anwendung oder als Vorlage für weitere Medien ausgegeben werden. Soll es gesprochen werden, folgt eine abgestimmte Text-to-Speech-Produktion.

Text-to-Speech erzeugt ein akustisches Sprachsignal aus schriftlichem Text. Dafür muss der Text in geeigneter, maschinenlesbarer Form vorliegen. Sprachliche Vorbereitung und akustische Erzeugung lassen sich als unterschiedliche Aufgaben betrachten; in neuronalen Verfahren können mehrere Schritte eng miteinander verbunden sein.

Für die Vorbereitung werden beispielsweise Zahlen, Abkürzungen und Zeichenfolgen in sprechbare Formen überführt. Die akustische Ausgabe wird je nach System aus gespeicherten Sprachsegmenten, parametrischen Verfahren oder neuronalen Modellen erzeugt. Ein manuell zusammengestelltes Inventar einzelner Sprachsegmente ist nicht Voraussetzung für jede heutige Lösung.

Textanalyse kann Normalisierung, Tokenisierung, Wortartenanalyse oder weitere Verfahren zur Ermittlung sprachlicher Zusammenhänge umfassen. Welche Verarbeitung eingesetzt wird, hängt vom System ab. Unklare Abkürzungen, Eigennamen und ungewöhnliche Schreibweisen brauchen besondere Aufmerksamkeit.

Aussprache lässt sich über Lexika, Regeln zur Zuordnung von Schrift und Laut oder gelernte Modelle unterstützen. Sprachspezifische Ausnahmen werden dabei berücksichtigt. Phoneme beschreiben Laute; eine phonetische Repräsentation kann als Zwischenschritt dienen.

Speech Synthesis Markup Language (SSML) ist eine XML-basierte Auszeichnung zur Steuerung von Sprachausgaben. Je nach Stimme und Dienst lassen sich unter anderem Aussprache, Pausen, Tempo und weitere Merkmale beeinflussen. SSML ist eine mögliche Steuerungsebene und keine Pflicht für jeden TTS-Eingangstext.

Prosodie betrifft unter anderem Intonation, Lautstärke, Tempo, Rhythmus und Pausen. Diese Merkmale beeinflussen die Verständlichkeit und können die Bedeutung einer Aussage verändern. Satzart, Hervorhebungen und Bezüge einer Verneinung müssen zur beabsichtigten Botschaft passen.

Für eine gut verständliche Aufnahme werden Sprechgeschwindigkeit, Satzgrenzen und Akzente passend zum Inhalt abgestimmt. Auch maschinell erzeugte Texte benötigen eine solche Prüfung. In Concept-to-Speech-Abläufen können Inhalts- und Ausspracheinformationen zusammen vorbereitet werden; die notwendige sprachliche und akustische Kontrolle bleibt vom konkreten System abhängig.

Digitale Signalverarbeitung (DSP) verarbeitet beziehungsweise erzeugt das akustische Signal. Artikulatorische Synthese modelliert Aspekte der menschlichen Lauterzeugung. Andere Verfahren beschreiben oder erzeugen Sprachsignale anhand ihrer akustischen Merkmale. Rechenaufwand und Einsatzmöglichkeiten hängen von Modell und Umsetzung ab.

Bei klassischen signalbasierten Verfahren können aufgenommene Einheiten wie Diphone, Silben oder Wörter verwendet werden. Unterschiede in Pegel, Grundfrequenz oder Übergängen werden bei Auswahl und Verarbeitung berücksichtigt. Parametrische Verfahren arbeiten mit Beschreibungen akustischer Eigenschaften; das Quelle-Filter-Modell ist ein klassischer Ansatz. Solche Verfahren und ihre heutigen Weiterentwicklungen sind von einer einfachen Aneinanderreihung von Aufnahmen zu unterscheiden.

Konkatenative Verfahren wählen aufgezeichnete Sprachsegmente aus und verbinden sie unter Berücksichtigung der Lautübergänge. Umfang und Qualität des Inventars sowie die Auswahl geeigneter Einheiten beeinflussen das Ergebnis. Statistische oder andere Auswahlverfahren können die Zusammenstellung unterstützen.

Diese Technik ist ein Ansatz der Sprachsynthese; sie setzt nicht grundsätzlich Deep Learning voraus und ist nicht gleichbedeutend mit Speech-to-Speech-Übersetzung. Für eine Übersetzung gesprochener Inhalte können zusätzlich Spracherkennung, Sprachübertragung und Ausgabe nötig sein.

Neuronale Modelle lernen Zusammenhänge aus aufbereiteten Trainingsdaten. Architektur, Lernziel, Daten und Training beeinflussen die spätere Sprachausgabe. Die Verfahren können etwa akustische Merkmale vorhersagen oder Wellenformen erzeugen; technische Lösungen kombinieren diese Aufgaben unterschiedlich.

Modelltraining erfordert spezifische technische Kompetenz und geeignete Daten. Der Produktionsservice nutzt das für die Aufgabe passende System und prüft das Ergebnis. Die Möglichkeiten zur Stimmwahl, Anpassung und Aussprachekontrolle unterscheiden sich je nach Dienst. Breite Sprachabdeckung oder natürliche Klangwirkung bedeuten nicht automatisch fachlich korrekte Aussprache.

Moderne Sprachmodelle und Synthesesysteme bieten unterschiedliche Lern- und Produktionsverfahren. Die Qualität lässt sich nicht pauschal auf unüberwachtes Lernen oder eine automatisch erkannte emotionale Bedeutung zurückführen. Für die Verwendung zählen die tatsächliche Hörbarkeit, passende Aussprache und die Wirkung im jeweiligen Kontext.

Hören Sie das Text-to-Speech-Beispiel auf zappmedia.io und besprechen Sie mit uns die Anforderungen Ihres Materials. Stimme, Textvorbereitung, gewünschte Betonung, Timing und Endkontrolle werden für die konkrete Produktion abgestimmt.