Prof. Dagmar Schuller von audEERING: „Die Stimme ist der Spiegel der Seele“

Prof. Schuller, Sie sind seit über einem Jahrzehnt in der KI-Audioanalyse aktiv. Was hat sich in der Wahrnehmung des Themas am stärksten verändert – bei Ihren Kunden, aber auch gesellschaftlich?

Dagmar Schuller: In den letzten zehn Jahren hat sich sehr viel getan. Der Auslöser war sicher, dass generative KI über Nacht für viele zugänglich wurde, auch wenn die Forschung da schon lange dran war. Was sich am stärksten verändert hat: Man erkennt jetzt das erste Mal wirklich, welche Potenziale es gibt, und geht deutlich stärker in die Anwendungen. Was sich nicht geändert hat, ist die europäische Zurückhaltung: man hat vor vielem, was man nicht kennt, Angst. Manche trauen der KI zu viel zu, manche zu wenig. Aber die Quintessenz ist klar: KI ist gekommen, um zu bleiben. Wer das chancenorientiert betrachtet, hat einen Vorteil.

Der klassische Reflex bei KI und Audio ist: Transkription, Text-to-Speech, Sprachassistenten. Sie machen etwas anderes – Sie analysieren nicht, was gesprochen wird, sondern wie. Wie erklärt man das jemandem aus der Medienbranche?

Schuller: Am einfachsten geht das mit einem Beispiel. Stellen Sie sich vor, Sie fragen drei Menschen: „Wollen Sie in den nächsten zwölf Monaten ein Auto kaufen?“ Alle drei sagen „ja“. Inhaltlich – rein über Spracherkennung – haben Sie dreimal dasselbe Wort. Aber tatsächlich ist es womöglich so, dass nur der erste wirklich überzeugt ist und kaufen will, der zweite ist noch unentschlossen und der dritte sagt ironisch „ja“, meint aber „auf keinen Fall“. Das klassische Transkript gibt Ihnen das nicht. Die Stimme schon. Sokrates, Platon, die griechischen Philosophen waren sich da einig: Die Stimme ist der Spiegel der Seele. Das klingt poetisch, ist aber erstaunlich präzise.

Musikauswahl und Emotion: Die Technologie in der Praxis

Was sind konkrete Anwendungsfälle für die Medienbranche – Radio, Podcast, Streaming?

Schuller: Es gibt sehr viele. Ein spannender Ansatz wäre zum Beispiel die interaktive Musikauswahl im Radio auf Basis der Crowd Emotion, also: Wie fühlt sich gerade die Mehrheit der Anrufenden, und welche Playlist passt dazu? Man könnte auch messen, wie Hörer:innen auf bestimmte Formate oder Informationen reagieren. Das ist gerade in einer Zeit, in der Fake News ein Thema sind, interessant: Im Radio gibt es kaum gefälschte Inhalte, aber man könnte die Reaktionen der Hörer:innen auf bestimmte Gesprächsmomente analysieren und einschätzen, wie glaubwürdig etwas wirkt. Und natürlich gibt es den Bereich der personalisierten Werbung: auf Basis des emotionalen Zustands eine andere Anzeige ausspielen.

Sie haben eine Analyse der Trump-Harris-Debatte gemacht. Was haben Sie da gesehen?

Schuller: Das war sehr aufschlussreich. Wir haben uns angeschaut, wo sich die Kandidat:innen stimmlich bewegt haben und eine Art Heatmap für Emotionsdimensionen erstellt. Trump hat sich über weite Teile der Debatte sehr stark negativ valent und hoch negativ aktiviert bewegt, also emotional aufgeladen im negativen Bereich. Das ist eigentlich ungewöhnlich für ihn. Und das ist interessant, weil man solche Tonlagen oft unbewusst wahrnimmt, auch wenn man nicht konzentriert zuhört. Sie lösen Reaktionen aus, die man vielleicht gar nicht bewusst einordnen kann.

Solche Fähigkeiten können auch missbraucht werden. Wie gehen Sie damit um?

Schuller: Wir haben von Anfang an sehr klar diskutiert, in welche Kundensegmente wir nicht gehen wollen. Anfragen aus dem Sicherheitsbereich, etwa ob man diese Technologie in Verhörsituationen einsetzen kann, haben wir immer abgelehnt. Nicht zuletzt, weil KI nie bei hundert Prozent Erkennungsleistung liegt. Wer Ihnen das sagt, lügt. Und in Situationen mit enormen Konsequenzen darf man nicht vollständig automatisieren. Der Mensch muss dominant in der Entscheidungsrolle bleiben. Das ist uns sehr wichtig.

Wenn wir uns einen bayerischen Radiosender vorstellen – klassisches Musikformat, 20 Moderator:innen, live auf Sendung. Wo würde audEERING-Technologie konkret andocken?

Schuller: Da gibt es spannende Varianten. Erstens könnte man dem Moderator oder der Moderatorin einen intelligenten Co-Moderator geben, der vollautomatisiert auf Basis der Gesprächssituation reagiert und auch mit den Hörer:innen interagiert. Zweitens könnten Sie die Stimmungslage messen: Wie fühlt sich gerade eine bestimmte Region, und welche Musik spielen Sie dazu? Und drittens – was ich sehr spannend finde – kann man Artefakte in aufgezeichneten Interviews erkennen: Ist das noch die echte Stimme, oder wurde hier ein Deepfake eingesetzt? Das wird für den Journalismus immer wichtiger.

Das El Dorado: lebendiges Medienökosystem in Bayern

Wo sind die Grenzen der Technologie? Was kann die Maschine nicht?

Schuller: Die Maschine kann kein Bauchgefühl erkennen. Kein schlechtes Gewissen. Sie erkennt das, was man ihr beigebracht hat und bildet ab, wie Menschen eben auch reagieren würden. In bestimmten Bereichen ist sie besser als ein Mensch, weil sie über mehr Daten verfügt: Betrunkenheit erkennen, bestimmte Krankheitsmerkmale. Aber wer weiß, worauf das System trainiert ist, kann es auch austricksen. Und das wird zwar mit besserer Datenlage schwieriger – aber nie unmöglich.

audEERING ist als Spin-off der TU München gestartet. Was gibt der Standort Bayern Ihnen konkret?

Schuller: Bayern ist in Deutschland das El Dorado für Startups, und München ist nicht ohne Grund unter den Top drei europäischer Standorte – nach London und Paris, manchmal sogar zwischen den beiden. Das Ökosystem rund um TUM, LMU, Bayern Innovativ, Munich Innovation ist extrem performant. Was uns besonders geholfen hat, sind die Talente, denn viele siedeln sich sehr gerne hier an. Und dann kommen auch noch die Lebensqualität und die Konzentration großer Techunternehmen dazu. Der einzige Nachteil: eine Wohnung zu finden ist teuer und schwer. 

Was wird KI-Audioanalyse in fünf Jahren verändert haben, das heute noch kaum jemand auf dem Schirm hat?

Schuller: KI-Audioanalyse wird ein wesentlicher Bestandteil der nächsten Generation großer Sprachmodelle sein. Was wir gerade sehen, ist eine Tendenz zur Multisensorialität. Audio, Video und Text fließen zusammen, und die Systeme werden deutlich kontextsensitiver. Und dann ist da noch Physical AI: wie wir mit unserer analogen Umgebung kommunizieren. Audio als natürlicher Input wird dabei eine ganz zentrale Rolle spielen. Was auch kommen wird: Die Umwandlung von Audio in Text und zurück wird zunehmend verschwinden. Wir werden Audio-zu-Audio sehen, es wurden kürzlich neue Modelle von OpenAI veröffentlicht, die End-to-End schon sehr performant sind. Das ist die nächste Welle.