Eine Kakaokaufscheune wird zum Sprachlabor, sobald Bauern dort freiwillig ihre echten Fragen aufnehmen. Diese Aufnahmen zeigen Lärm, Aussprache, Code-Switching und unvollständige Sätze, die ein Studi Datensatz nicht zuverlässig abbildet.
1909 untersuchte der französische Hals-Nasen-Ohren-Arzt Étienne Lombard, was geschieht, wenn Menschen ihre eigene Stimme wegen eines lauten Geräuschs schlechter hören. Sie sprachen unwillkürlich lauter. Das als Lombard-Effekt bekannte Phänomen verändert neben der Lautstärke auch Merkmale wie Tonhöhe und Sprechtempo. Lombard beschrieb seine Beobachtung in „Le signe de l’élévation de la voix“ in den Annales des maladies de l’oreille et du larynx.
Für Spracherkennung steckt darin eine praktische Warnung: Sprache verändert sich mit ihrer Umgebung. Ein Modell, das ruhige Aufnahmen versteht, kann an derselben Person scheitern, sobald Gespräche, Säcke, Fahrzeuge oder ein schlecht gehaltenes Telefon die Aufnahme prägen.
Die Frage entsteht dort, wo Kakao verkauft wird
Ein Asante-Twi sprechender Kakaobauer nimmt in der Kaufscheune die Frage auf, die gerade unter mehreren Bauern kursiert. Vielleicht beginnt er, hält inne und setzt neu an. Ein Fachwort fällt auf Englisch, der Rest auf Twi. Jemand spricht dazwischen. Das Mikrofon bleibt nicht im festen Abstand vor seinem Mund.
Gerade diese Aufnahme ist wertvoll. Sie zeigt keine sorgfältig vorgelesene Mustersprache, sondern die Form, in der AgriVoice später tatsächlich eine Frage empfangen würde.
Neuralis bereitet deshalb einen zweiwöchigen Pilotversuch mit 20 bis 50 Kakaobauern vor. Vor dem ersten Einsatz sollen mindestens 20 echte, mit Einwilligung aufgenommene und transkribierte Bauernfragen vorliegen. Diese kleine Sammlung ist kein repräsentativer Sprachkorpus. Sie ist ein Belastungstest für den konkreten Arbeitsablauf: Sprache erkennen, einen geprüften Antwortblock auswählen, die Antwort vorlesen und bei Unsicherheit an eine benannte Beratungsperson weitergeben.
Das Ziel lautet nicht, jedes Wort perfekt zu transkribieren. Entscheidend ist, ob das System die Absicht sicher genug erkennt. Bei einer mehrdeutigen Frage muss es nachfragen oder eskalieren. Bei einer Pestizidfrage darf ein Erkennungsfehler niemals zu einer ungesicherten Dosierungsanweisung führen.
Studi Sprache verschweigt die entscheidenden Fehler
Neuralis nutzt Meta Omnilingual als derzeitige Twi-Basis für die Spracherkennung. Auf vorgelesener Sprache schlug das Modell den zuvor feinabgestimmten Whisper-Ansatz deutlich. Dieser Vergleich beantwortet jedoch nur eine begrenzte Frage: Welches System verarbeitet saubere, gelesene Sätze besser?
In einer Kaufscheune tauchen andere Schwierigkeiten auf. Bauern nennen Kakaokrankheiten, Produktnamen und Abkürzungen. Twi und ghanaisches Englisch stehen im selben Satz. Ein Sprecher lässt Wörter aus, weil alle Anwesenden den Zusammenhang kennen. Nebengeräusche verdecken Silben. Eine Sprachnachricht beginnt möglicherweise erst nach der ersten Hälfte des Gedankens.
Auch Aussprachefehler und Transkriptionsfehler treffen nicht jedes Wort gleich. Wenn das System eine Höflichkeitsformel verpasst, bleibt die Absicht oft erhalten. Verwechselt es dagegen ein Krankheitsbild, ein Pflanzenschutzmittel oder eine Mengenangabe, verändert sich das Sicherheitsrisiko.
Ein bekanntes Beispiel aus der bisherigen Arbeit zeigt die Tragweite: Maschinelle Übersetzung gab das Twi-Wort „kokoo“, also Kakao, als „chicken“ wieder. Der Satz konnte flüssig klingen und trotzdem sachlich am Thema vorbeigehen. Deshalb soll das Sprachsystem keine agronomischen Ratschläge frei formulieren. Es wählt geprüfte Inhaltsblöcke aus; unsichere oder nicht abgedeckte Fragen gehen an einen Menschen.
Bei chemischen Fragen bleibt diese Grenze besonders streng. Drei Inhaltsblöcke sind weiterhin gesperrt, bis ein ghanaischer Agronom Dosierung, Wiederbetretungsfrist und Wartezeit vor der Ernte geprüft hat. Wie viel an einer fehlenden Angabe hängt, zeigt auch Kofis unklare Pestizidmischung. Die Rückenspritze bleibt leer.
Einwilligung gehört zur Messung
Echte Sprache ist nur dann brauchbares Testmaterial, wenn die Menschen wissen, was aufgenommen wird und wofür. Die Einwilligung muss verständlich sein. Ebenso müssen Speicherung, Zugriff und Löschung praktisch getestet werden. Eine Audiodatei wird nicht deshalb unproblematisch, weil sie der Modellbewertung dient.
Jede Aufnahme sollte zusammen mit wenigen überprüfbaren Angaben ausgewertet werden: Was wollte der Bauer wissen? Welche Wörter verstand das System falsch? Wurde trotzdem der richtige geprüfte Block gewählt? Hätte der Fehler eine gefährliche Antwort auslösen können? Musste die Frage an die Beratungsperson gehen?
So entsteht aus einer kleinen Sammlung eine Fehlerkarte. Sie zeigt, ob weitere Modellentwicklung überhaupt der Engpass ist. Vielleicht fehlt ein Fachwort im Lexikon. Vielleicht verursacht die Übersetzung den Fehler. Vielleicht ist die Frage mehrdeutig und benötigt eine Rückfrage. Erst solche Befunde rechtfertigen Feinabstimmung oder zusätzliche Aufnahmen.
Der Erfolg wird an sicheren Antworten gemessen
Lombards Beobachtung von 1909 erklärt, warum ein ruhiger Testraum keine verlässliche Vorschau auf eine Kaufscheune liefert. Menschen passen ihre Sprache an die Umgebung an, oft ohne bewusste Entscheidung. Wer das Modell nur unter kontrollierten Bedingungen prüft, misst deshalb eine andere Aufgabe.
Der AgriVoice-Pilot setzt konkretere Maßstäbe. Mindestens 70 Prozent der Fragen sollen beantwortet oder korrekt eskaliert werden. Keine ungeprüfte oder unsichere Pestizidanweisung darf einen Bauern erreichen. Mindestens 80 Prozent der Teilnehmer sollen die Antwort verstehen, und die Nutzung in der zweiten Woche zeigt, ob der Dienst mehr als kurzfristige Neugier auslöst.
Die Kaufscheune liefert dafür keine perfekte Sprache. Sie liefert die richtige Prüfung: echte Fragen, echte akustische Bedingungen und Fehler, deren Folgen sich vor einem breiteren Einsatz erkennen lassen.
Kommentare
Noch keine Kommentare.