Quassel ist ein Gerät, das schwer verständliche Sprache erkennt und den erkannten Satz laut und deutlich ausspricht. Gebaut für den Fall, dass die Aussprache nachlässt, das Sprechen selbst aber bleibt.
Warum es das braucht
Bei der amyotrophen Lateralsklerose (ALS) und ähnlichen neurologischen Erkrankungen verlieren die Muskeln nach und nach ihre Ansteuerung — auch die von Zunge, Lippen, Gaumen und Kehlkopf. Fachlich heißt das Dysarthrie: Der Mensch weiß genau, was er sagen will, und er sagt es auch. Nur kommt es verwaschen an.
Die Betroffenen merken das zuerst daran, dass Fremde nachfragen. Später verstehen nur noch nahe Angehörige zuverlässig, und irgendwann auch die nicht mehr durchgehend. Die meisten ALS-Erkrankten erleben das im Verlauf ihrer Erkrankung.
Die üblichen Hilfsmittel — Sprachcomputer mit Tastatur, Symbolfeldern oder Augensteuerung — tauschen dabei ein Problem gegen ein anderes ein: Sie sind verständlich, aber langsam. Ein Gespräch lebt vom Takt. Bis der Satz getippt ist, ist der Moment vorbei, in den er gehört hätte, und das Gegenüber hat weitergeredet.
Genau in dieser Lücke setzt Quassel an. Nicht bei denen, die nicht mehr sprechen können — sondern bei denen, die noch sprechen, aber nicht mehr verstanden werden.
Die Erkrankung schreitet fort. Jede Aufnahme, die heute entsteht, ist besser als jede, die in einem Jahr entstehen könnte — und in einem Jahr ist die heutige Aussprache nicht mehr nachzustellen. Deshalb beginnt dieses Projekt beim Mikrofon und nicht bei der Software.
Der Ansatz
Sprechen ist eine Kette: Gedanke, Satzbau, Ansteuerung der Muskeln, Schallwelle, Ohr des Gegenübers. Bei einer Dysarthrie ist nur das letzte Glied gestört. Alles davor funktioniert unverändert.
Quassel lässt deshalb alles stehen, was noch geht, und ersetzt nur das, was nicht mehr trägt: Taster drücken, sprechen, loslassen. Das Gerät erkennt den Satz und spricht ihn über einen Lautsprecher laut aus.
Der Taster ist dabei kein Behelf, sondern Absicht. Er zeigt dem Gegenüber, dass gleich etwas kommt — und er macht die Erkennung deutlich zuverlässiger, weil das Gerät nicht raten muss, wann eine Äußerung endet, sondern den ganzen Satz auf einmal auswertet.
Übliche Spracherkennung — Handy, Sprachassistent, Diktierprogramm — scheitert an dysarthrischer Sprache. In Studien liegt die Wortfehlerrate dort über 100 Prozent: Es kommen mehr falsche Wörter heraus, als überhaupt gesprochen wurden. Unbrauchbar.
Ein Modell dagegen, das ausschließlich auf eine einzelne Stimme trainiert wurde, erreicht schon mit ein bis zwei Stunden Aufnahmematerial Fehlerraten von 10 bis 16 Prozent. Das ist der ganze Unterschied — nicht mehr Technik, sondern Technik, die nur einen einzigen Menschen kennt.
Das größte Risiko einer Spracherkennung ist nicht, dass sie langsam ist — sondern dass sie flüssig etwas erfindet, das nie gesagt wurde. Eine Lücke merkt jeder Zuhörer und fragt nach; einen erfundenen, gut klingenden Satz glaubt er. Deshalb erscheint jeder Satz zuerst auf einer kleinen Anzeige und wird erst danach ausgesprochen. Und was das Gerät nicht sicher verstanden hat, sagt es lieber gar nicht.
Der Weg dorthin
Nur der erste kann nicht warten. Alles Technische lässt sich verschieben, das Sammeln der Aufnahmen nicht.
Mit einem guten Kopfbügelmikrofon entstehen rund drei Stunden Sprachaufnahmen: fest vorgegebene Referenzsätze, Alltagsphrasen, Namen und Fachbegriffe. In Sitzungen von etwa 15 Minuten, verteilt über Wochen — und bewusst über verschiedene Tageszeiten, auch die müden. Ein Modell, das nur die Bestform am Vormittag kennt, versagt abends.
Aus den Aufnahmen entsteht ein Erkennungsmodell, das nur diese eine Aussprache kennt. Gerechnet wird das auf einer leistungsfähigen Grafikkarte, für wenige Stunden — und zwar lokal. Die Aufnahmen verlassen den eigenen Bereich nicht.
Das fertige Modell kommt auf einen kleinen, stromsparenden Rechner — zusammen mit Mikrofon, Lautsprecher, Taster, Anzeige und Akku. Elektronik, Platine und Gehäuse entstehen im Eigenbau.
Software lässt sich nachbessern, Elektronik neu bestellen, ein Gehäuse zweimal fräsen. Eine Stimme nicht. Die Aussprache von heute gibt es in einem Jahr nicht mehr, und je früher und je sauberer das Material ist, desto länger trägt das fertige Gerät später. Deshalb steht am Anfang das Mikrofon.
Und selbst wenn Quassel als Gerät nie fertig würde, wären die Aufnahmen nicht umsonst: Aus ihnen lässt sich eine Computerstimme erzeugen, die nach dem Sprecher klingt — und die passt in jeden handelsüblichen Sprachcomputer. Der erste Abschnitt ist in jedem Fall gut angelegt.
Ehrlichkeitshalber
Stand des Projekts
Die Machbarkeit ist geprüft, die Aufnahmekette steht, ist eingemessen und eingefroren. Das Referenzset — jene festen Sätze, an denen später jeder Fortschritt gemessen wird — ist aufgenommen und liefert den Ausgangswert, gegen den alles Weitere antritt. Parallel dazu wächst die Liste der Alltagsphrasen, die das Gerät zuerst beherrschen soll.
Diese Seite wird mitwachsen. Sobald es etwas zu zeigen gibt, kommen hier Bilder der Hardware dazu — Aufnahmeplatz, Elektronik, Platine, Gehäuse — und die Erfahrungen aus dem Bau. Auch die, die nicht funktioniert haben.
Bilder der Hardware, Messreihen und Bauunterlagen, sobald das Projekt weiter ist.