KI-Stimme im Lernen: Sprachsynthese und Einwilligung

Moderne Sprachsynthese erzeugt aus Text eine Tonspur, die kaum von einer menschlichen Aufnahme zu unterscheiden ist. Sie berücksichtigt Satzmelodie, Betonung und Pausen und spricht viele Sprachen. Für Lernplattformen ist das ein großer Fortschritt: Kurse lassen sich vertonen, ohne Sprecher zu buchen, Änderungen kosten nur eine neue Erzeugung des betroffenen Satzes, und weitere Sprachen entstehen aus dem übersetzten Text.

Neben vorgefertigten Stimmen gibt es die Nachbildung einer bestimmten Stimme. Aus einer kurzen Sprechprobe lernt das System den Klang einer Person und spricht danach beliebige Texte mit dieser Stimme. So kann ein Dozent seine Kurse mit seiner eigenen Stimme vertonen lassen, ohne jeden Satz selbst aufzunehmen.

Die Tabelle zeigt typische Einsätze und worauf jeweils zu achten ist.

Eine Stimmaufnahme ist ein personenbezogenes Datum im Sinne der DSGVO. Wird sie verarbeitet, um eine Person eindeutig zu identifizieren, kann sie als biometrisches Datum unter die besonderen Kategorien nach Artikel 9 fallen. Für die Nachbildung einer Stimme in Lernkursen ist in der Praxis die ausdrückliche Einwilligung der Person die passende Grundlage. Sie muss freiwillig, informiert und für einen bestimmten Zweck erteilt werden und lässt sich nach Artikel 7 jederzeit widerrufen.

Im Arbeitsverhältnis ist Freiwilligkeit ein heikler Punkt, weil Beschäftigte sich unter Druck fühlen können. Eine Einwilligung sollte deshalb ohne Nachteile verweigert werden können, und es sollte eine Alternative geben, etwa eine vorgefertigte Stimme.

Die europäische KI-Verordnung verlangt in Artikel 50 unter anderem, dass KI-erzeugte oder manipulierte Bild-, Ton- und Videoinhalte, die echten Personen täuschend ähneln, offengelegt werden. Für Lernplattformen ist eine sichtbare Kennzeichnung der KI-Stimme der sichere Weg.

Eine Einwilligung ist nur so viel wert wie ihre Umsetzung. Sie sollte vor jeder Verarbeitung vorliegen, dokumentiert sein und technisch wirken: Ohne Einwilligung wird keine Stimme gebaut, und nach einem Widerruf spricht die Stimme nicht mehr.

Nachgebildete Stimmen lassen sich missbrauchen, etwa um einer Person Worte in den Mund zu legen, die sie nie gesagt hat. Lernplattformen sollten deshalb klare Regeln haben: Eine Stimme gehört zu genau einer Figur, eine Figur spricht nur mit ihrer eigenen Stimme, und es gibt keine automatische Ersatzstimme, die einspringt, wenn die eigene fehlt. Eine Figur, deren Stimme nicht verfügbar ist, sollte lieber schweigen und die Antwort als Text zeigen.

Ebenso wichtig ist, wer Stimmen anlegen und verwenden darf. Nur berechtigte Personen sollten Figuren und Stimmen freigeben können, und jede Verwendung sollte nachvollziehbar sein.

In Universe wird eine eigene Figur erst gebaut, wenn eine Einwilligung mit Name, Datum, Geltungsdauer und unterschriebenem Nachweis erfasst ist, getrennt für Bild und Stimme. Ein Widerruf wirkt sofort: Die Figur spricht nicht mehr. Jedes Gesicht spricht nur mit seiner eigenen Stimme; eine Ersatzstimme gibt es nicht, und diese Regel ist im Code durch automatische Wächter geschützt. Bei „Mein Avatar“ genügen etwa 30 Sekunden Sprechprobe; Bild und Stimme werden in der EU verarbeitet und nicht zum Training fremder Modelle verwendet. Alles, was eine Figur sagt, ist als KI-erzeugt gekennzeichnet.