Vom Text zur Stimme

Ein Text wird geschrieben. Er steht auf der Seite. Das Auge tastet ab, kehrt zurück, hält inne, liest noch einmal. Man kann mitten im Absatz beginnen, vom Ende zum Anfang springen, einen Satz dreimal durchkauen und liegenlassen. So ist das Lesen – die Zeit gehört dir.

Dann wandelt jemand diesen Text in Sprache um. Jetzt gehört die Zeit nicht mehr dir. Die Stimme fließt, lässt sich nicht anhalten, nicht zurückspulen – jedenfalls nicht ohne Weiteres. Ist ein Satz vorbei, ist er vorbei. Wurde er nicht verstanden, bleibt der Verlust stumm: Der Hörer merkt nicht einmal, dass er etwas falsch verstanden hat. Nicole Ayasse und Kollegen zeigten dies 2021: Bei einem komplexen Satz wechselt das Gehirn vom vollständigen Parsing zu einer Stichprobenentnahme von Wörtern und Bedeutungsschätzung.Ayasse 2021 Der Irrtum geschieht unbemerkt.

Dieser Bericht handelt von diesem Übergang – was ein geschriebener Text verliert, wenn er zur Stimme wird, was er gewinnt und wo die synthetische Stimme in dieser Gleichung steht. Doch er muss mit einer Warnung beginnen: Der Großteil der hier verwendeten Daten wurde für den „durchschnittlichen Hörer" erhoben. Am Ende des Berichts werde ich diese Einschränkung gegen den Bericht selbst wenden – denn Hören ist eine alles andere als durchschnittliche Erfahrung. · Die Unsichtbare Lücke

Zwei Gestalten derselben Sprache

Sprechen und Schreiben erscheinen als zwei Kanäle derselben Sprache, doch Wallace Chafe zeigte 1982, dass dies eine Täuschung ist. Zwei grundlegende Unterschiede bestehen: Der erste ist Fragmentierung und Integration. Ein Sprecher kann pro Intonationseinheit nur ein neues Konzept vermitteln – die kognitive Kapazität setzt diese Grenze. Es entstehen kurze, mit „und ... und ... und ..." aneinandergereihte Einheiten. Ein Schreiber ist von dieser Beschränkung befreit: ineinander verschachtelte Nebensätze, eingebettete Strukturen, mehrere Konzepte in einem einzigen Satz. Der zweite Unterschied ist Beteiligung und Distanz: Der Sprecher sieht seinen Hörer, passt sich an dessen Reaktionen an, transportiert Bedeutung durch Gestik und Mimik; der Schreiber kennt seinen Leser nicht, der Text muss für sich allein stehen.Chafe 1982

Bis hierhin scheint es einfach – Sprechen ist fragmentiert und beteiligt, Schreiben ist integriert und distanziert. Doch M.A.K. Halliday brachte 1985 eine bemerkenswerte Korrektur an: Sprechen und Schreiben sind auf unterschiedliche Weise komplex. Schreiben trägt eine hohe lexikalische Dichte – durchschnittlich drei bis sechs Inhaltswörter pro Teilsatz, im Gesprochenen anderthalb bis zwei. Sprechen hingegen trägt eine hohe grammatische Komplexität – Teilsätze verbinden sich auf unerwartete Weise miteinander. „Schreiben ist komplexer als Sprechen" – so denkt man gemeinhin, doch es stimmt nicht: Beide sind komplex, nur auf verschiedenen Achsen.Halliday 1985

Douglas Biber trieb die Sache 1988 einen Schritt weiter, indem er siebenundsechzig linguistische Merkmale analysierte. Die trennschärfste Dimension ist die „beteiligte versus informationelle": Ein Telefongespräch erzielt plus fünfunddreißig Punkte, ein wissenschaftlicher Aufsatz minus fünfzehn. Doch keine einzelne Dimension trennt Sprechen sauber vom Schreiben – die Beziehung ist kein Gegensatzpaar, sondern ein Spektrum. Eine vorbereitete Rede nähert sich dem geschriebenen Text; ein persönlicher Brief nähert sich dem Gesprochenen. Elinor Ochs hatte bereits 1979 gezeigt, dass nicht der Kanal, sondern der Planungsgrad den Ausschlag gibt: Eine spontane Nachricht ist ungeplant, ein Konferenzvortrag ist geplant – beides ist „Sprechen", doch am selben Ort steht es nicht.Biber 1988, Ochs 1979

Dieses Spektrum-Verständnis mildert auch Walter Ongs These der „Großen Kluft" von 1982. Ong hatte neun Denkmerkmale primär mündlicher Kulturen beschrieben – additiv, aggregativ, redundant, konservativ. Doch Scribner und Cole fanden 1981 in ihrer Untersuchung des Vai-Volkes, dass die kognitiven Auswirkungen der Schriftkundigkeit weitaus geringer waren als erwartet. Die Distanz zwischen Sprechen und Schreiben ist real, doch ihr Ausmaß variiert mit Kultur, Kontext und Individuum.Ong 1982, Scribner & Cole 1981

Nicht drei, sondern vier

Die herkömmliche Unterscheidung kennt drei Kategorien: natürliche Rede, Schrift und Vorlesen. In der natürlichen Rede stehen Produzent und Empfänger einander gegenüber, die Interaktion ist unmittelbar, der Körper ist präsent. In der Schrift befinden sich Produzent und Empfänger zu verschiedenen Zeiten an verschiedenen Orten, es gibt keine Interaktion, keinen Körper. Beim Vorlesen spricht ein Mensch oder eine Maschine den Text aus, der Hörer nimmt auf, doch Interaktion fehlt auch hier.

Heute aber gibt es eine vierte Kategorie, und sie ist das eigentliche Thema dieses Berichts: der Vorlesetext. Ein Mensch schreibt, eine Maschine spricht, ein Mensch hört zu – doch dieser Mensch hört in der Regel zu, während er etwas anderes tut: gehen, abwaschen, Auto fahren. Keine Interaktion, kein Körper, und obendrein ist die Aufmerksamkeit des Hörers geteilt. Diese vierte Kategorie ist weder Rede noch Schrift noch Vorlesen – sie liegt im Schnittfeld aller drei, passt aber in keine davon.

Die praktische Konsequenz: Ein Teil der Befunde von Chafe, Halliday und Biber lässt sich unmittelbar anwenden – der Unterschied in der lexikalischen Dichte, das Konzept des autonomen Textes, die Notwendigkeit der Informationsstrukturierung. Doch die Beteiligungsdimension, die Echtzeit-Anpassung, die Körpersprache – diese Dimensionen greifen nicht. Die richtige Frage ist nicht „Sprechen oder Schreiben", sondern: Wie bauen wir einen geschriebenen Text so um, dass er über eine synthetische Stimme einen wandernden Geist erreicht?

Wenn Text zur Stimme wird

Donald Rubin definierte 2000 und 2012 den Begriff der „Hörbarkeit" (listenability) systematisch. Lesbarkeitsformeln – Flesch-Kincaid, Gunning Fog – sind für den geschriebenen Text konzipiert und auf Hörtexte nicht anwendbar. Rubins Experiment ist eindeutig: Wurde derselbe Inhalt in zwei verschiedenen Sprachstilen aufbereitet – einer mündlich geprägt (Aktiv, Personalpronomina, Reihungssätze, konkrete Beispiele), der andere schriftlich geprägt (Passiv, abstrakte Begriffe, eingebettete Nebensätze) – so wurde der mündlich geprägte Text signifikant besser verstanden. Den schriftlichen Sprachmodus beim Hören zu verarbeiten ist besonders aufwändig.Rubin 2000, 2012

Auf Satzebene lieferten Kadayat und Eika den konkretesten Befund: Einundzwanzig Teilnehmer hörten über einen Screenreader fünf Texte unterschiedlicher Länge; das höchste Verständnis und die niedrigste kognitive Belastung wurden bei Sätzen von sechzehn bis zwanzig Wörtern erzielt. Sätze über zwanzig Wörter verschlechterten sowohl das Verständnis als auch die Belastung. Unter zehn Wörtern hingegen fragmentierte der Kontext – zu kurze Sätze sind ebenfalls problematisch.Kadayat & Eika 2020 Doch dieser „goldene Bereich" gilt für den durchschnittlichen Hörer; die individuellen Unterschiede sind groß. Ich komme am Ende des Berichts darauf zurück.

Auch die Satzstruktur spielt eine Rolle. Constable und Kollegen zeigten 2004 mittels fMRT: Objektrelativsätze („die Frau, die der Mann liebt") erfordern eine deutlich höhere Gehirnaktivierung als Subjektrelativsätze („die Frau, die den Mann liebt") – linker Frontallappen, Temporalregion, Gyrus angularis arbeiten allesamt stärker.Constable 2004 Peelle und Kollegen ergänzten 2010: Sprechgeschwindigkeit und syntaktische Komplexität werden einzeln toleriert, doch gemeinsam wird die Kapazität überschritten. Die Syntax zu vereinfachen ist die primäre Intervention.Peelle 2010

Bei der Informationsanordnung verfügt das Gehirn über einen Echtzeitmechanismus. Kaiser und Trueswell zeigten 2004 per Blickbewegungsmessung: Hörer beginnen, nach dem neuen Referenten zu suchen, noch bevor das Wort erklingt. Wird bekannte Information vorangestellt und neue Information ans Ende gesetzt, funktioniert dieser Vorhersagemechanismus; umgekehrte Reihenfolge stört ihn.Kaiser & Trueswell 2004 Dies ist eine Standardeinstellung des Gehirns – individuell variabel, doch das Grundprinzip ist stabil.

Die Umwandlung visueller Elemente ist ein eigenes Thema. Zong und Kollegen arbeiteten 2022 mit dreizehn blinden und sehbehinderten Teilnehmern: Statt roher Tabellendaten wird eine gestufte, begehbare Struktur bevorzugt. Die gesuchte Reihenfolge erweist sich als dieselbe, die auch sehende Leser verwenden: zuerst ein Überblick über das Ganze, dann der Abstieg zu den einzelnen Werten. Dieselbe Studie warnt zugleich davor, eine feste Reihenfolge vorzuschreiben: Welche Anordnung taugt, hängt davon ab, was der Hörer in diesem Moment vorhat. Eine Tabelle ist stumme Information; die Stimme muss sie in eine sequentielle Erzählung verwandeln.Zong 2022

Überschriften haben im Gesprochenen eine andere Funktion. Lemarié und Kollegen bestimmten 2012 sieben Funktionen der Gliederungssignale im Text; eine Überschrift trägt mehrere davon zugleich, etwa das Thema einzuführen und den Beginn eines Abschnitts anzuzeigen. Die eigentliche Lehre kommt jedoch aus der Studie desselben Teams zum Gesprochenen: Lorch, Chen und Lemarié gaben denselben Text in zwei Formen aus, einmal gedruckt, einmal von einer synthetischen Stimme gelesen, und die Überschriften, die auf dem Papier ihren Dienst taten, brachen im Hören zusammen. Denn das meiste, was eine visuelle Überschrift trägt, liegt nicht in ihren Wörtern, sondern im Schriftgrad, im Weißraum um sie herum, in ihrer Schriftstärke, und die Sprachsoftware übermittelt davon nichts. Die Vorschausätze dagegen funktionierten in beiden Formen. Daraus folgt die Regel: Im Gesprochenen genügt eine Überschrift nicht, sie muss in Worte gefasst werden. Ebenso sind eine Überschriftenankündigung und ein Übergangssignal nicht dasselbe. „Wir kommen nun zum zweiten Abschnitt" ist formelhaft und leer; „das führt uns zu einer anderen Frage" ist organisch und verknüpft. Themenwechsel und Signale für neue Information sind Marker, die die Aufmerksamkeit zurückrufen.Lemarié 2012, Lorch 2012

Auch die Umwandlung von Zahlen ist unvermeidlich. Siebzig Jahre Radioerfahrung sprechen eine klare Sprache: „1.987.452" wird im Gesprochenen zu „etwa zwei Millionen". Wie Jonathan Kern in seinem NPR-Handbuch schrieb: „Drucktext und gesprochene Erzählung leben in derselben Welt, doch das Gelände ist verschieden." Die Radioversion einer gedruckten Nachricht besteht nicht darin, Zitate in Tonausschnitte zu verwandeln – es ist ein grundlegender Neubau.Kern 2008

Menschenstimme, Maschinenstimme

Verursacht das Hören mit synthetischer Stimme zusätzliche Kosten? Govender und King maßen dies 2018 bis 2019 mittels Pupillometrie und Dual-Task-Paradigma: In allen Bedingungen erzeugte die synthetische Stimme eine höhere kognitive Belastung als die natürliche. In geräuschvollen Umgebungen vergrößerte sich der Abstand noch – von niedriger Qualität (HMM) bis hoher Qualität (DNN) blieben sämtliche Synthesizer hinter der natürlichen Stimme zurück.Govender & King 2018a, 2018b, 2019

Doch der Großteil dieser Daten stammt aus der Zeit vor der modernen neuralen Sprachsynthese. Ibelings und Kollegen testeten 2022 einen DNN-basierten Synthesizer mit Alltagssätzen: Der SRT-Unterschied betrug 1,2 Dezibel – dieselbe Spanne, die zwischen verschiedenen natürlichen Sprechern liegt. Bei den verbalen Reaktionszeiten, also dem Indikator für die Höranstrengung, gab es keinen signifikanten Unterschied.Ibelings 2022 Craig und Schroeder fanden 2017 bis 2019 bei Lernergebnissen dasselbe Bild: Eine moderne TTS-Engine erreichte bei Transferlernergebnissen ein statistisch nicht unterscheidbares Maß an Glaubwürdigkeit und wahrgenommenem Lernen im Vergleich zur menschlichen Stimme.Craig & Schroeder 2017, 2019

Es gibt auch genau gegenteilige Befunde – eine Blickbewegungsstudie von 2024 mit dreißig Studierenden ergab, dass die menschliche Aufnahme gegenüber synthetischen Stimmen signifikant höhere Lernleistung und Aufmerksamkeitsbindung erzielte.Jing 2024 Das widerspricht Craig und Schroeder. Der Unterschied liegt vermutlich im Kontext: Bei kurzer Informationsübermittlung genügt die synthetische Stimme; bei langem Format wird der Prosodie-Vorteil spürbar.

Die Prosodie ist tatsächlich eine kritische Variable. Pagnotta und Kollegen zeigten 2025: Bei kurzen Beschreibungen, die mit positiver Prosodie vorgetragen wurden, ergaben sich mehr richtige Antworten, und die menschliche Stimme erzielte höhere Genauigkeit als TTS. Doch eine 2025 in Cogent Psychology veröffentlichte Studie fügte eine andere Dimension hinzu: Beim unmittelbaren Erinnern sicherte die natürliche menschliche Stimme eine bessere Gedächtnisleistung als alle anderen Bedingungen; nach einer Woche verschwand der Unterschied zwischen den Bedingungen. Der Prosodie-Vorteil löst sich auf, wenn man ihn über die Zeit streckt.Pagnotta 2025

Virginia Clinton-Lisells Metaanalyse von 2022 zeichnet das Gesamtbild: sechsundvierzig Studien, viertausendsechshundertsiebenundachtzig Teilnehmer. Der allgemeine Verständnisunterschied zwischen Lesen und Hören: g = 0,07 – statistisch nicht signifikant. Doch die Moderatoren sind bedeutsam: Lesen im eigenen Tempo ist vorteilhaft (g = 0,13), bei inferentiellem Verstehen ist Lesen deutlich überlegen (g = 0,36), beim lexikalischen Verstehen gibt es keinen Unterschied (g = -0,01). Und ein entscheidender Befund: In Sprachen mit transparenter Orthografie – das Türkische gehört nahezu dazu – nähert sich der Lese-Hör-Unterschied dem Nullpunkt (g = 0,001).Clinton-Lisell 2022

Yang und Kollegen zeigten 2026, dass die neuronale Differenzierung nach einer kurzen, etwa zwölfminütigen Trainingssitzung einsetzt – das Gehirn synchronisiert sich rasch mit der synthetischen Stimme, doch die bewusste Unterscheidung fällt weitaus schwerer. Segedin und Kollegen hatten 2019 gezeigt, dass Menschen die phonetischen Adaptationsmechanismen, die sie für menschliche Sprecher verwenden, auch auf TTS-Sprache anwenden. Das Ohr passt sich an – gleich ob Mensch oder Maschine.Yang 2026, Segedin 2019

Wenn die Nachahmung endet

Zwanzig Jahre lang hat die synthetische Stimme versucht, die menschliche nachzuahmen. Jetzt wird eine andere Frage gestellt: Muss sie das überhaupt?

Diel und Lewis zeigten 2024, dass synthetische Stimmen dem Uncanny Valley – dem unheimlichen Tal – erfolgreich entkommen sind. Was das unheimliche Tal auslöst, ist nicht das Synthetische an sich, sondern die Abweichung von der typischen menschlichen Stimme. Pathologische und verzerrte Stimmen erzeugten mehr Unbehagen als rein synthetische. Das zeigt, dass die synthetische Stimme als eigene Kategorie bereits akzeptiert ist – der Hörer verortet sie nicht als „schlechte Menschenstimme", sondern als „etwas anderes".Diel & Lewis 2024

Nussbaum, Frühholz und Schweinberger gingen 2025 in Trends in Cognitive Sciences noch weiter: Sie zeigten, dass der Begriff der „Stimmnatürlichkeit" wissenschaftlich undefiniert ist. Es gibt zwei Arten von Natürlichkeit: abweichungsbasierte (wie weit entfernt von der Menschenstimme) und ähnlichkeitsbasierte (wie nah am Menschlichen). Diese Unbestimmtheit eröffnet die Möglichkeit, dass die synthetische Stimme ihre eigene Natürlichkeit definiert.Nussbaum 2025

Im und Kollegen fanden 2023 das Gegenteil der Erwartung: Bei informationsbezogenen Aufgaben bevorzugten Nutzer die synthetische Stimme. Bei funktionalen Aufgaben wurde die synthetische Stimme als flüssiger wahrgenommen, erhielt höhere Kompetenzbewertungen und erzeugte eine positive Haltung. Torre und Kollegen hatten 2018 den „Kongruenzeffekt" beschrieben: Wird die Stimme als vertrauenswürdig wahrgenommen und stimmt die nachfolgende Erfahrung damit überein, festigt sich das Vertrauen. Der gleichbleibende Ton der synthetischen Stimme erleichtert diese Konsistenz – jedes Mal dieselbe Qualität, derselbe Rhythmus, dieselbe Verlässlichkeit.Im 2023, Torre 2018

Le Maguer und Cowan brachten die Provokation 2021 bei der ACM direkt in den Titel: „Menschenähnliche Sprachsynthese ist der bequeme Weg." Der schwierige, aber richtige Weg ist, dass die synthetische Stimme ihren eigenen findet. Die Studie „Cabinet of Voices" auf der DIS 2025 liefert das greifbarste Beispiel: das Konzept der „übermenschlichen Vokalitäten". Teilnehmer stellten sich synthetische Stimmen vor, die wie ein Wal klingen – nicht Nachahmung, sondern Entdeckung.Le Maguer & Cowan 2021, Cabinet of Voices 2025

Lamas gab dieser Wende 2025 in Explorations in Media Ecology einen Namen: „synthetische Mündlichkeit" (synthetic orality). Die synthetische Stimme ist weder primäre Mündlichkeit (sie hat keinen Körper), noch sekundäre Mündlichkeit (sie ist kein Radio), noch Schrift – sondern eine vierte Kategorie. Aus McLuhans Perspektive schafft jedes Medium seine eigene Sprache: Der Buchdruck schuf den Roman, das Fernsehen schuf den Werbespot. Die synthetische Stimme schafft ihre eigene Gattung – NotebookLMs KI-Podcast ist ein frühes Beispiel dafür.Lamas 2025

Doch dieser Paradigmenwechsel ist noch nicht vollendet. Es fehlt vieles: Eine systematische These zum „Paradigma der synthetischen Stimme" existiert nicht – die Arbeit, die alle Teile zusammenfügt, ist noch ungeschrieben. Eigene Metriken für die synthetische Stimme fehlen – was anstelle der „Menschenähnlichkeit" gemessen werden soll, bleibt unklar. Langzeitstudien zur Höreradaptation sind unzureichend. Und der Großteil der bestehenden Forschung ist englischsprachig und westlich zentriert – kulturelle Vielfalt fehlt.

Die Sonderstellung des Türkischen

Türkisch ist eine agglutinierende Sprache – an einen einzigen Stamm können zahlreiche Suffixe treten, und die Zahl der Wortformen ist theoretisch unendlich. Dies schafft für die synthetische Stimme zwei konkrete Probleme. Das erste ist morphologisch: Standardvokabularansätze versagen, weil eine Form wie „gelememişlerdenmiş" sich nicht im Voraus tabellarisch erfassen lässt. Kösaner und Kollegen entwickelten 2024 ein phonembasiertes, regelgestütztes TTS-System für die komplexe Morphologie des Türkischen; sie zeigten, dass morphologische Analyse für die korrekte Aussprache unerlässlich ist.Kösaner 2024 Liu und Kollegen fanden 2024, dass morphologiebewusstes Vortraining von Sprachmodellen die Qualität bei ressourcenarmen agglutinierenden Sprachen steigert – ein Ansatz, der sich unmittelbar auf das Türkische anwenden lässt.Liu 2024

Das zweite Problem ist Ambiguität: Dieselbe Schreibung kann zu verschiedenen Aussprachen führen. Hakkani-Tür und Kollegen zeigten 2002, dass sich die morphologische Ambiguität des Türkischen mit statistischen Verfahren auflösen lässt; Külekçi wandte diese Disambiguierung 2006 auf die Aussprache an und zeigte, dass die Wahl der richtigen Aussprache für die Qualität der türkischen Sprachsynthese entscheidend ist. Für die Textanpassung bedeutet dies: Strukturen, die mehrdeutige Aussprachen erzeugen können, müssen erkannt und korrigiert werden.

Doch das Türkische hat auch einen Vorteil. In Clinton-Lisells Metaanalyse nähert sich der Verständnisunterschied zwischen Lesen und Hören bei Sprachen mit transparenter Orthografie – bei Sprachen also, die geschrieben werden, wie sie gesprochen werden – dem Nullpunkt. Das Türkische ist nicht vollkommen transparent, aber nah dran: lateinisches Alphabet, weitgehend phonemische Schreibung. Das legt nahe, dass die Textanpassung im Türkischen weniger Verlust erzeugen könnte als im Englischen.Clinton-Lisell 2022

Die Wanderung des Geistes

Wie stark die Gedanken wandern, hängt davon ab, wo gemessen wird. Risko und Kollegen fanden 2012 bei Personen, die allein im Labor ein Vorlesungsvideo sahen, dreiundvierzig Prozent; maß dasselbe Team im Hörsaal, sank die Rate auf neununddreißig Prozent. Wichtiger noch ist, dass die Zahl nicht feststeht: in der ersten Hälfte einer Vorlesung fünfunddreißig Prozent, in der zweiten zweiundfünfzig. Je länger zugehört wird, desto mehr sickert die Aufmerksamkeit weg.Risko 2012 Die Bedingung „nur Ton" erzeugt das meiste Gedankenwandern, Kopp und D'Mello zeigten dies 2016. Der Mechanismus ist einfach: Sprache zu verarbeiten fordert vergleichsweise wenige Ressourcen, die übrige Kapazität wird frei, und die Aufmerksamkeit wandert.

Doch das ist nicht ausschließlich schlecht. Freie Aufmerksamkeit kann andere Verknüpfungen herstellen, einen Blickwinkel eröffnen, der beim Lesen verborgen bliebe. Das Problem ist nicht das Wandern selbst, sondern die Unmöglichkeit der Rückkehr. Hier greift der Befund von Faber und Kollegen aus dem Jahr 2018: Wenn kein Ereigniswechsel stattfindet – wenn die Erzählung flach und gleichförmig dahinfließt – gerät das Wandern außer Kontrolle. Die Lösung ist nicht, den Fluss zu unterbrechen, sondern in den Fluss Rückrufsignale einzubauen: Themenwechsel, Signale für neue Information, eine unerwartete Metapher. Der Geist des Hörers wird wandern – der Text muss ihn zurückrufen können.

Die größte Lücke dieses Berichts

Alles, was ich bisher dargelegt habe, beruht auf einer Annahme: dass es so etwas wie den „durchschnittlichen Hörer" gibt. Kadayat und Eika haben einundzwanzig Teilnehmer, Clinton-Lisell hat sechsundvierzig Studien, Govender hat Pupillometrie-Daten – überall werden Mittelwerte gebildet, Konfidenzintervalle berechnet, allgemeine Grundsätze abgeleitet. Das ist eine Notwendigkeit der wissenschaftlichen Methode, und es ist nicht falsch. Aber es ist unvollständig.

Unvollständig, weil Hören eine zutiefst individuelle Erfahrung ist. Zwei Menschen hören denselben Satz: Einer versteht ihn, der andere verliert ihn – und der Verlierende merkt es nicht einmal. Kadayat und Eikas Befund des „goldenen Bereichs von sechzehn bis zwanzig Wörtern" ist der Durchschnitt von einundzwanzig Personen. Doch unter diesen einundzwanzig gab es vermutlich welche, die noch beim vierzigsten Wort konsistent blieben, und andere, die schon beim zehnten den Faden verloren. Der Durchschnitt repräsentiert weder die einen noch die anderen.

Das ist nicht allein eine Frage der Satzlänge. In jeder Dimension kognitiver Profile ist die individuelle Varianz groß: Abstraktionsfähigkeit, Toleranz für Informationsdichte, Flusspräferenzen, ästhetische Standards, Klangempfindlichkeit. Ein Hörer braucht pädagogische Brücken („erklären wir das jetzt an einem Beispiel"), ein anderer Hörer empfindet dieselbe Brücke als Füllmaterial und verliert die Aufmerksamkeit. Ein Hörer findet Sicherheit in formelhaften Übergangssignalen („wir kommen nun zum zweiten Abschnitt"), ein anderer empfindet sie als störend. Für einen Hörer ist die Gleichförmigkeit der synthetischen Stimme ein Vorteil – jedes Mal dieselbe Qualität; für einen anderen ist sie Monotonie.

Auch die Publikationsdaten der akademischen Forschung sind eine Einschränkung. Ein beträchtlicher Teil der Quellen in diesem Bericht stammt aus der Zeit vor 2020 – die Sprachsynthesetechnologie hat sich seither grundlegend verändert. Der „hochwertige DNN-Synthesizer" von 2018 liegt nicht einmal mehr auf dem Einstiegsniveau von 2026. Govenders Befunde zur kognitiven Belastung müssten mit heutigen Engines erneut getestet werden. Craig und Schroeders Befund „kein Unterschied" könnte mit aktuellen Engines vielleicht zu „Vorteil synthetische Stimme" werden. Die Daten sind nach wie vor wertvoll, doch ihre Aktualität muss hinterfragt werden.

Die Straßenebene der Landkarte

Personalisierung ist kein abstrakter Begriff – es muss konkret gezeigt werden, was sich ändert. Ich habe einen Fall: dreißigtausend Zeilen Gesprächsaufzeichnung wurden analysiert, in sechs kognitiv-linguistischen Dimensionen ein Profil erstellt, die sieben allgemeinen Grundsätze dieses Berichts auf dieses Profil kalibriert. Im Folgenden gebe ich einige Ergebnisse dieser Kalibrierung in anonymisierter Form wieder – um den konkreten Unterschied sichtbar zu machen.

Satzlänge: Der allgemeine Grundsatz dieses Berichts sagt sechzehn bis zwanzig Wörter. Doch die Profildaten zeigen, dass die natürliche Verarbeitungsspanne dieses Hörers zwischen fünfundzwanzig und fünfundvierzig Wörtern liegt – in dreißigtausend Zeilen Aufzeichnung kommt die Äußerung „ich verstehe nicht" oder „vereinfache das" kein einziges Mal vor. Wird der goldene Bereich auf diesen Hörer angewandt, fragmentiert der Gedanke: Wenn eine Struktur, die ihren Kontext in einem Satz trägt, in zwei Sätze aufgeteilt wird, reißt die Verbindung ab. Der allgemeine Grundsatz ist richtig, aber für diesen Hörer schädlich.

Abstraktionsfähigkeit: Der allgemeine Grundsatz lautet „unterstütze abstrakte Begriffe mit konkreten Beispielen". Dieser Hörer versteht abstrakte Begriffe nicht nur, er erzeugt sie – er verwendet selbst erfundene Begriffe im Gespräch ganz natürlich. Pädagogische Brücken („erklären wir das jetzt an einem einfachen Beispiel") sind für diesen Hörer Füllmaterial: Wenn ein Begriff erläutert werden muss, erläutere ihn direkt, kündige die Erläuterung nicht an.

Informationsdichte: Der allgemeine Grundsatz lautet „verdünne die Information, pro Einheit ein Konzept". In den hundertsechzig Dateien dieses Hörers gibt es keinen einzigen Hinweis darauf, dass Informationsdichte zu viel gewesen wäre. Die Beschwerde kommt stets von der anderen Seite: zu wenig, zu flach. Wird die Information verdünnt, entsteht für diesen Hörer ein Verlust – nicht die Dichte nimmt ab, sondern der Sinn.

Übergangspräferenz: Der allgemeine Grundsatz lautet „verwende Übergangssignale: wir kommen nun zum zweiten Thema". Der Gedankenfluss dieses Hörers zeigt eine spiralförmige Vertiefung – Themen gehen auseinander hervor, formelhafte Grenzmarkierungen unterbrechen den Fluss. Statt „kommen wir nun zum zweiten Abschnitt" braucht es Übergänge, die organisch aus dem letzten Gedanken des vorherigen Abschnitts hervorgehen.

Präferenz für die synthetische Stimme: Die allgemeine Forschung besagt, dass synthetische Sprache die kognitive Belastung erhöht. Dieser Hörer bevorzugt Konsistenz gegenüber Spitzenleistung – selbst beim Musikhören wählt er Quellentreue statt Effekt. Die unerschöpfliche Gleichförmigkeit der synthetischen Stimme ist für diesen Hörer kein Nachteil, sondern ein aktiver Vorteil.

Fünf Beispiele, fünf verschiedene Abweichungen. Jeder allgemeine Grundsatz ist richtig – doch alle fünf werden auf diesen Hörer falsch angewandt. Die Karte stimmt, die Straße nicht. Und dies ist ein einziger Hörer – das Abweichungsmuster wird bei jedem Hörer ein anderes sein.

Wie künstliche Intelligenz das leistet

Könnte ein Mensch die obige Kalibrierung durchführen? Ja – aber sie ist nicht skalierbar. Dreißigtausend Zeilen Gesprächsaufzeichnung zu lesen, in sechs Dimensionen ein Profil zu erstellen, sieben Grundsätze zu kalibrieren, fünf neue abzuleiten – das erfordert wochenlange Arbeit eines Linguisten und muss für jeden neuen Hörer von vorn beginnen. Künstliche Intelligenz geht anders vor: Große Sprachmodelle sind eine natürliche Infrastruktur für Textanalyse und können jede Phase der Personalisierung automatisieren.

Der Prozess verläuft in etwa vier Phasen. Erste Phase – Profilgewinnung: Die Gesprächs- oder Korrespondenzaufzeichnungen des Hörers werden analysiert. Satzlängen, Wortwahl, Abstraktionsgrade, Muster des Themenwechsels, Signale für Zufriedenheit und Unzufriedenheit – alles wird extrahiert. Das ist im Grunde eine klassische Text-Mining-Aufgabe, doch große Sprachmodelle gehen über oberflächliche Statistiken hinaus, weil sie Kontext erfassen: Das Fehlen der Äußerung „ich verstehe nicht" und das Fehlen der Äußerung „vereinfache das" sind nicht dasselbe – das Modell begreift diesen Unterschied.

Zweite Phase – Kalibrierung: Die akademischen Grundsätze werden mit dem Profil abgeglichen. Für jeden Grundsatz die Frage: Ist er auf diesen Hörer anwendbar, nicht anwendbar, wie ist er zu modifizieren? Das Modell nimmt den akademischen Befund als Ausgangspunkt für den „Durchschnitt" und berechnet die Abweichungen anhand der Profildaten. Kadayat und Eikas Bereich von sechzehn bis zwanzig Wörtern beginnt als Vorgabe, doch wenn das Profil fünfundzwanzig bis fünfundvierzig Wörter zeigt, wird der Bereich aktualisiert.

Dritte Phase – Textanpassung: Der geschriebene Text wird gemäß den kalibrierten Grundsätzen neu geschrieben. Satzbau, Informationsanordnung, Übergangssignale, Überschriftenformat, Metapherndichte, Informationsdichte – alles wird dem Profil entsprechend angepasst. Diese Phase ist das Feld, in dem große Sprachmodelle am stärksten sind: Texterzeugung und -transformation. Derselbe Ausgangstext kann für verschiedene Profile verschiedene Formen annehmen – einer mit kurzen Sätzen und pädagogischen Brücken, ein anderer mit langen fließenden Sätzen und organischen Übergängen.

Vierte Phase – fortlaufende Aktualisierung: Das Profil ist nicht statisch. Die Präferenzen des Hörers, seine kognitive Kapazität, seine Interessengebiete verändern sich mit der Zeit. Jede neue Interaktion aktualisiert das Profil. Das Modell vergleicht die Ergebnisse der vorangegangenen Kalibrierung mit den neuen Daten und korrigiert die Abweichungen. Das unterscheidet sich vom herkömmlichen A/B-Test – es geht nicht um die Wahl zwischen zwei Optionen, sondern um eine fortlaufende Feinjustierung.

Technisch erfordert dieser Prozess mehrere Komponenten: ein Sprachmodell mit großem Kontextfenster (für die Profilgewinnung müssen Zehntausende von Zeilen gelesen werden), strukturierte Ausgabe (Profildimensionen, Kalibrierungstabelle), Langtext-Erzeugung (der angepasste Text) und persistenten Speicher (Profilaktualisierungen). Die heutigen Modelle können all dies – die Begrenzung liegt nicht in der Technologie, sondern in der Anwendung. Die große Mehrheit der Textanpassungsplattformen stützt sich noch immer auf eindimensionale Metriken wie „Lesbarkeitsstufe"; personalisierte Kalibrierung ist noch nicht Standard.

Es gibt hier auch eine ethische Dimension. Dreißigtausend Zeilen Gesprächsaufzeichnung zu analysieren bringt ein tiefes kognitives Profil hervor – von der Satzverarbeitungskapazität bis zu ästhetischen Standards, vom Abstraktionsgrad bis zu emotionalen Reaktionsmustern. Diese Information kann in den falschen Händen zum Manipulationswerkzeug werden. Die Grenze zwischen Personalisierung und Manipulation liegt nicht in der Absicht, sondern in der Transparenz: Der Hörer muss wissen, was sein Profil enthält, wie es verwendet wird und welche Entscheidungen es beeinflusst. Raghavan und Schneier plädierten 2025 im IEEE Spectrum dafür, synthetische Stimmen absichtlich robotisch klingen zu lassen – dass die synthetische Stimme ihre eigene Identität trägt, ist keine Abwertung, sondern eine Funktion. Dieselbe Logik gilt für die Personalisierung: Die Information „für dich angepasst" muss sichtbar sein, kein versteckter Eingriff, sondern eine offene Dienstleistung.Raghavan & Schneier 2025

Dieser Bericht hat eine Übersetzungsgeschichte erzählt – eine Übersetzung innerhalb derselben Sprache. Wenn geschriebener Text zur Stimme wird, ändert sich der Satzbau, die Informationsanordnung ändert sich, Tabellen werden zu Erzählung, Überschriften werden zu Signalen, Zahlen werden gerundet. Die synthetische Stimme fügt dieser Verwandlung ihre eigene Dimension hinzu: Die kognitive Belastung steigt, aber sie schrumpft; die Prosodie fehlt, aber die Konsistenz ist ein Vorteil; die Nachahmung endet, doch das eigene Paradigma ist noch nicht ganz geboren.

Und dort, wo der Bericht sich selbst hinterfragt: Sämtliche Befunde gelten für den „durchschnittlichen Hörer". Doch Hören ist eine alles andere als durchschnittliche Erfahrung. Personalisierung ist kein Luxus, sondern eine Bedingung der Genauigkeit – ohne die Kalibrierung allgemeiner Grundsätze auf das individuelle Profil bleibt der Anspruch einer „korrekten Anpassung" unvollständig. Künstliche Intelligenz macht diese Kalibrierung skalierbar: Profilgewinnung, Grundsatzkalibrierung, Textanpassung, fortlaufende Aktualisierung. Die Technologie ist bereit – die Anwendung noch nicht Standard.

Einen Text in Sprache umzuwandeln ist Übersetzen – in derselben Sprache.