Dragon NaturallySpeaking ist eine Spracherkennungs-Software, die das gesprochene Wort in Text auf dem Bildschirm oder Steuerungsbefehle für den Computer umsetzt. Dragon NaturallySpeaking ist in verschiedenen Ausgaben für private und professionelle Nutzer zu kaufen, unabhängige Anbieter liefern zusätzliche Fachvokabulare. Seit der (nur intern verwendeten) Versionsnummer 14 wird die Bezeichnung „NaturallySpeaking“ vom Hersteller nicht mehr verwendet. Stattdessen erfolgt die Vermarktung unter dem Namen „Dragon“, gefolgt von der Bezeichnung der Edition wie z. B. „Dragon Professional Individual“. Die ähnliche, für das Betriebssystem macOS geschriebene Variante hieß zuletzt „Dragon Professional Individual für Mac“, wird aber seit Oktober 2018 nicht mehr vertrieben. Die Bezeichnung Dragon NaturallySpeaking wird hier zur besseren Abgrenzung zunächst beibehalten.
Anfänge Die Anfänge des Programms und des ursprünglichen Herstellers beruhen auf einem Prototyp von Software zur Spracherkennung, der Ende der 1970er, Anfang der 1980er Jahre von James und Janet Baker entwickelt worden war, während sie zunächst an der Carnegie Mellon University, später an einem IBM-Forschungszentrum tätig waren.Geschichte von Dragon Systems (englisch), aufgerufen am 2. Juli 2011 Die Bakers gründeten Dragon Systems im Mai 1982.„Speechless“ (Porträt über Janet McIver Baker), Tufts University Magazine, Herbst 2012 (englisch), aufgerufen am 6. Oktober 2012 Vorläufer von Dragon NaturallySpeaking war die Software DragonDictate, die für DOS geschrieben war und noch keine kontinuierliche Spracherkennung ermöglichte. Dragon NaturallySpeaking 1.0 erschien 1997. Im Jahr 2000 wurde das Unternehmen von Lernout & Hauspie übernommen. Aus dessen Insolvenzmasse erwarb 2005 das amerikanische Unternehmen ScanSoft die Rechte daran, welches heute Nuance Communications heißt.
Funktionsweise Dragon NaturallySpeaking ist eine Software zur Spracherkennung am PC. Die Software setzt Äußerungen, die in ein mit dem Computer verbundenes Mikrofon gesprochen werden, in Text oder Steuerungsbefehle um. Es handelt sich um ein sprecherabhängiges (eine Anpassung an den Nutzer erforderndes) Front-End-System, also eines, bei dem die Umsetzung der Sprache in Text auf dem Rechner des Nutzers erfolgt und unmittelbar nach dem Diktat der Äußerung sichtbar ist („what you say is what you see“). Im Verhältnis etwa zur Spracherkennungsfunktion von Smartphones, bei der die Umsetzung der über das Internet gesendeten akustischen Informationen auf zentralen Servern erfolgt und der Text dann zurück übertragen wird, ergeben sich hierdurch möglicherweise Vorteile bei Geschwindigkeit und Genauigkeit der Umsetzung sowie der Möglichkeit zur Anpassung an Wortschatz und Bedürfnisse des Nutzers. Je nach Version wird von DragonNaturally Speaking auch die Umsetzung zuvor (mit einem Diktiergerät oder einem Aufnahmeprogramm) aufgezeichneter Diktate unterstützt.
Die akustischen Signale werden zur Umsetzung – vereinfacht gesagt – digital abgetastet und im Rahmen eines „akustischen Modells“ nach Charakteristika eingeordnet, die eine ungefähre Zuordnung zu Lauten ermöglichen. Die Auswahl erfolgt statistisch unter Einsatz verschiedener Varianten von Hidden-Markov-Modellen. Ab der Version 15 rühmt sich Dragon, eine neue Spracherkennungsengine unter Einsatz von „Deep Learning“ zu verwenden.Dragon Professional 16 übertrifft alle Erwartungen – und ist besser als je zuvor Dieses akustische Modell wird bei einem (in aktuellen Versionen nicht mehr nötigen) anfänglichen Training und fortlaufend bei der Benutzung, insbesondere durch die Korrektur von Erkennungsfehlern, an die Stimme des jeweiligen Sprechers angepasst. Zu den „erkannten“ Lauten werden dann statistische Hypothesen über die jeweils am wahrscheinlichsten gesagten Worte angestellt. Bei ähnlich oder gleich klingenden Lauten/Worten entscheidet die Software somit anhand von Mehrwortfolgen innerhalb der Äußerung des Sprechers, welches Ergebnis als Text auf dem Bildschirm erscheint. Grundlage hierfür ist ein Sprachmodell (linguistisches Modell), welches diese Wahrscheinlichkeiten beschreibt. Einzelheiten sind im Artikel zur Spracherkennung näher erläutert. Der Erkennungsvorgang läuft auf aktueller Hardware normalerweise so schnell im Hintergrund ab, dass der gesprochene Text fast sofort nach Beendigung der Äußerung auf dem Bildschirm erscheint.
Im Auslieferungszustand enthält die Software Standard-Sprachmodelle für die jeweilige Eingabesprache, die auf einer Analyse der Wahrscheinlichkeit von Wortfolgen innerhalb eines sehr großen Text-Corpus durch den Hersteller beruhen. Bei der Einrichtung der Software am PC des Nutzers – der Anlage eines Benutzerprofils – kann dieses Standard-Sprachmodell durch die Analyse von vorhandenen Texten des jeweiligen Nutzers an dessen Schreibstil angepasst werden. Dies erfolgt auch fortlaufend während der Benutzung (sogenannte Modelloptimierung). Für diese fortwährende Verbesserung des linguistischen Modells (aber auch für die des akustischen Modells) ist dabei insbesondere die konsequente Korrektur der falsch erkannten Wörter und Wortkombinationen vermittels der entsprechenden Programmfunktionen wichtig. Dragon NaturallySpeaking verwendet bei dem in der älteren Version 11 vorherrschenden Sprachmodell „BestMatch IV“ Zusammenhänge von bis zu vier Wörtern, sogenannte Quadgramme. Ab der Version 12 richtete Dragon auf entsprechend leistungsstarken PCs (Mehrkernprozessoren und Arbeitsspeicher von mehr als 2 GB RAM) Benutzerprofile mit dem Sprachmodell „BestMatch V“ ein, welches Fünfwortfolgen analysieren sollte. Mit der Version 15 wurde das Sprachmodell wieder als „BestMatch IV“ bezeichnet, was im Zusammenhang mit der veränderten Erkennungstechnik stehen soll.
Das Sprachmodell funktioniert ausschließlich nach statistischen Methoden, nicht nach grammatikalischen Regeln. Die Erkennungsgenauigkeit ist aufgrund dieser Funktionsweise am besten, wenn zusammenhängende Äußerungen gesprochen werden, am besten ganze längere Sätze. Dementsprechend ist die Software auf die Erkennung von gut strukturierter Sprache ausgerichtet, wie für Diktate von Briefen, Berichten und sonstigen Sachtexten typisch, nicht aber etwa für die Umsetzung von aufgezeichneten mündlichen Alltagsäußerungen mit vielen Satzbrüchen, Auslassungen und Füllseln, erst recht nicht für die direkte Umsetzung von Gesprächen mehrerer Sprecher in Text.
Das Sprachmodell von Dragon NaturallySpeaking baut auf einem mitgelieferten Vokabular (Wort-Lexikon) auf, welches im Auslieferungszustand ca. 150.000 Wortformen (im aktiven Vordergrundvokabular) enthält. Da die Software keine grammatikalischen Regeln anwendet, sind im Vokabular nicht nur die Wortstämme, sondern alle einzelnen Wortformen hinterlegt. Dieses Vokabular lässt sich nutzerspezifisch durch Analyse eigener Texte auf unbekannte Wörter und Wortformen, aber auch durch die Korrektur bei Erkennungsfehlern um ca. weitere 150.000 Wortformen ergänzen. Um die Geschwindigkeit der Umsetzung in einem akzeptablen Bereich zu halten, ist das Vokabular in verschiedene „Slots“ gegliedert, also ein Vordergrundvokabular und ein Hintergrundvokabular (dessen Größe auf ca. 250.000–300.000 Einträge geschätzt wird). Zum aktiven Zugriff wird nur das Vordergrundvokabular im Arbeitsspeicher gehalten, Wörter aus dem Hintergrundvokabular werden hinzugefügt, nachdem sie einmal verwendet (und dabei fehlerhaft erkannt und dann korrigiert) wurden.
Das Sprachmodell der Software ist auf eine bestimmte Sprache ausgerichtet, das heißt, es ist nicht möglich, mit demselben Benutzerprofil Texte in verschiedenen Eingabesprachen zu diktieren. Um in einer anderen Sprache zu diktieren, muss vielmehr ein entsprechendes gesondertes Benutzerprofil angelegt sein und aufgerufen werden. Die deutsche Version von Dragon NaturallySpeaking ermöglicht die Anlage von Benutzerprofilen in Deutsch und Englisch. Die Software ist auch für Spanisch, Französisch, Italienisch, Niederländisch und Japanisch erhältlich, allerdings nicht in Form einzelner Module, sondern in Form separater Versionen.Verzeichnis der Sprachversionen auf der Herstellerseite (englisch), aufgerufen am 23. Februar 2013 Gebräuchliche Fremdwörter sind im mitgelieferten Vokabular enthalten; die Hinzufügung und zuverlässige Erkennung weiterer Fremdwörter, deren Aussprache nicht der üblichen Lautung im Deutschen entspricht, kann durch den Benutzer erfolgen, indem solche Wörter mit einer lautmalerischen „gesprochenen Form“ im Lexikon hinterlegt werden (Beispieleinträge: geschriebene Form „breakage“, gesprochene zum Beispiel „brehkitsch“, oder: geschriebene Form „CIA“, gesprochene „Ssie ei äi“).
Der bis zur Version 13 verwendete Name der Software „NaturallySpeaking“ leitet sich von der Eigenschaft einer kontinuierlichen Spracherkennung ab. Anders als bei Spracherkennungssystemen, die bis Mitte der Neunzigerjahre des 20. Jahrhunderts verwendet wurden, und auch noch anders als beim Vorgänger DragonDictate, muss der Sprecher zwischen den einzelnen Wörtern keine unnatürlichen Sprechpausen machen (diskrete Sprache), sondern kann kontinuierlich sprechen. Die Software kann aus den Lautfolgen die (wahrscheinlichen) Wortgrenzen anhand der beschriebenen Methoden selbst ermitteln. Gleichwohl ist eine strukturierte, deutliche (aber nicht übertrieben artikulierte) und flüssige Sprechweise der beste Erfolgsgarant (der Hersteller empfiehlt, sich an der Sprechweise von Nachrichtensprechern zu orientieren).
Systemanforderungen und Features Dragon NaturallySpeaking läuft unter dem Betriebssystem Windows ab Windows XP, unter 64-bit-Windows ab der Version 10.1. Für macOS vertrieb Nuance bis September 2018 eine auf demselben Spracherkennungskern aufbauende Software, die bis zur Version 4 auf den Namen Dragon Dictate hörte, aber nicht mit dem oben genannten Vorläufer von Dragon NaturallySpeaking zu verwechseln ist und in der letzten verfügbaren Version 6 „Dragon Professional Individual für Mac“ genannt wurde. Diese macOS-Fassung bleibt in der Funktionalität von Korrekturen und Steuerungsmöglichkeiten für den Computer hinter den Windows-Versionen von Dragon zurück. Vertrieb und Unterstützung der macOS-Version wurden von Nuance im Oktober 2018 eingestellt
Dragon NaturallySpeaking läuft nicht nativ auf Betriebssystemen mit Linux-Kern (z. B. Ubuntu, Red Hat, openSuSE etc.). Das API-Übersetzungssystem Wine ermöglicht aber einen stabilen Einsatz der Kernkomponenten einiger Versionen – vorausgesetzt, eine manuell angepasste Installation wurde von einem erfahrenen Linux-Nutzer durchgeführt, die Möglichkeit zur Steuerung von nativen Programmen ist allerdings nicht gegeben, ebenfalls in Wine laufende Programme wie das Wine-Wordpad-Clon oder das DragonPad sowie die automatische Verschriftlichung von MP3-Dateien funktionieren aber problemlos. Es wäre auch denkbar, die Windows-Version von z. B. LibreOffice und Firefox unter Wine durchzuführen, um diese dann mit Dragon steuern zu können.
Ab der Version 11 setzt NaturallySpeaking auf Mehrkern-Prozessoren eine Multipass-Technik ein, bei welcher die gleiche Äußerung parallel auf zwei Prozessorkernen analysiert und die wahrscheinlichste Äußerung unter Einsatz jeweils unterschiedlicher Hidden-Markov-Modelle ermittelt wird, um auf diese Weise die Zuverlässigkeit zu erhöhen. Um genügend Rechner-Kapazität für andere Aufgaben, insbesondere die Ziel-Anwendungen, in die hinein diktiert wird, zu behalten, empfiehlt sich daher der Einsatz auf modernen Prozessoren. Prozessor und Größe des Arbeitsspeichers sowie ein ausreichend großer 2nd bzw. 3rd Level Cache haben auch erheblichen Einfluss auf die Geschwindigkeit der Umsetzung. Bei einem leistungsfähigen aktuellen PC erscheint der Text zumeist unmittelbar, nachdem eine Äußerung ausgesprochen ist.