Mit einem Sprachdialogsystem (), auch IVR-System (Interactive Voice Response), können Anrufer über das Telefon oder andere akustische Medien teil- oder vollautomatisierte natürlichsprachliche Dialoge führen.
IVR schließt in der Praxis auch andere Eingabemöglichkeiten der Telefonie, wie das Mehrfrequenzwahlverfahren, ein („Für den Verkauf drücken Sie jetzt bitte die ‚1‘, für Service drücken Sie jetzt bitte die ‚2‘ …“). In der Telekommunikation ermöglichen es IVR-Systeme den Kunden, über das Tastenfeld eines Telefons oder durch Spracherkennung mit dem Hostsystem eines Unternehmens zu interagieren, sodass mithilfe des IVR-Systems Auskünfte eingeholt werden können. IVR-Systeme können mit vorab aufgenommenen Sprachbausteinen reagieren, um die Benutzer zur weiteren Vorgehensweise anzuleiten. In einem Netzwerk bereitgestellte IVR-Systeme sind für die Abwicklung eines großen Anrufaufkommens dimensioniert.
Moderne, KI-basierte Sprachdialogsysteme werden häufig auch als Voicebots bezeichnet, insbesondere wenn sie eine freie, natürlichsprachliche Interaktion ermöglichen.
Grundaufbau IVR-Systeme können folgende Module haben:nach: Jürgen Hoffmeister, Christel Müller, Engelbert Westkämper: Sprachtechnologie in der Anwendung – Sprachportale. Springer, Berlin/Heidelberg 2008, ISBN 978-3-540-72435-3, S. 85.: Spracherkennung (Automated Speech Recognition ASR) mit Grammatiken / Semantiken zur Interpretation von Spracheingaben (Natural Language Understanding NLU), Sprachsynthese (Text-to-Speech TTS) zur Wandlung von Texten in computergenerierte Stimmen zur Sprachausgabe, Dialogablauf-Interpreter (z. B. VoiceXML-Browser) als Frontend, Geschäftslogik zur Einbindung in Unternehmensprozesse als Backend, Datenbanken zu Speicherung und zur Abfrage Schnittstellen zu IP-Netzwerk, Telefonnetz, DECT-Anlagen oder Audioanschlüssen.
Architektur von IVR-Systemen, Daniel Wimpff, 2008
Abbildung 1: Architektur von IVR-Systemennach: Jürgen Henke, Ronny Egeler: Spracherfassung in industriellen EDV-Systemen. Folie 7, Vortrag Fraunhofer IPA, Stuttgart 2008,
Es sind biometrische Verfahren zur Sprecherauthentifizierung („Die Stimme als Passwort“) verfügbar und durch das Bundesamt für Sicherheit in der Informationstechnik (BSI) als sicher zertifiziert.
Wegen der Weiterentwicklung der Spracherkennung in den letzten Jahren sind aus ganzen Sätzen bestehende Dialoge möglich. Dies setzt eine gewisse Intelligenz der Systeme voraus. Moderne Sprachdialogsysteme nutzen hierfür häufig Verfahren des maschinellen Lernens, um Sprachverständnis und Dialogführung zu verbessern.
Entwicklung Seit den 2000er-Jahren hat sich die Technologie von Sprachdialogsystemen deutlich weiterentwickelt. Neben klassischen menügesteuerten Systemen (Interactive Voice Response, IVR) wurden zunehmend natürlichsprachliche Dialogsysteme erforscht und eingesetzt, die eine freiere Interaktion zwischen Mensch und Maschine ermöglichen. Frühe Systeme dieser Art entstanden häufig im wissenschaftlichen Umfeld und wurden im Rahmen von Forschungsprojekten sowie auf Fachveranstaltungen vorgestellt und ausgezeichnet.
Mit der Weiterentwicklung der Spracherkennung sowie durch den Einsatz von Verfahren des maschinellen Lernens haben sich die Möglichkeiten von Sprachdialogsystemen erheblich erweitert. Moderne Systeme ermöglichen eine flexiblere, kontextbezogene Dialogführung und werden in der Praxis häufig als Voicebots oder KI-basierte Sprachassistenten bezeichnet.
Neuere Entwicklungen im Bereich großer Sprachmodelle (Large Language Models) tragen zusätzlich zu einer verbesserten Verarbeitung natürlicher Sprache bei und ermöglichen zunehmend freiere Dialoge. Gleichzeitig hat die Akzeptanz sprachbasierter Systeme in vielen Anwendungsbereichen zugenommen.
Verwendung IVR-Systeme werden eingesetzt, um hohe Anrufvolumina zu verarbeiten und die Kosten zu reduzieren. Zunehmend kommen dabei auch KI-basierte Sprachdialogsysteme (sogenannte Voicebots) zum Einsatz, die eine freiere Interaktion ermöglichen. IVR-Systeme können für mobile Einkäufe, Bankdienstleistungen, Versorgungsunternehmen, Reiseinformationen und den Wetterbericht verwendet werden. Durch IVR-Systeme können Anrufende Daten relativ anonym abrufen. Dies ist auf gesteigerte CPU-Leistungen und die Migration der Sprachanwendungen von proprietärem Code hin zum VoiceXML-Standard zurückzuführen.
IVR-Systeme ermöglichen es, Sprache als weiteres Ein-/Ausgabemedium neben Tastatur, Maus und Monitor zu nutzen.
Die Anwendungsarten lassen sich technisch einteilen in reine Sprachdienste: bieten nur Interaktion über Sprache und multimodale Anwendungen: kombinieren Sprachinteraktion mit anderen Ein-/Ausgabemedien (z. B. grafischen Oberflächen).
Im Folgenden werden die Anwendungsarten weiter nach Nutzergruppen eingeteilt in kommerzielle Sprachdienste (Business2Consumer, Business2Business), innerbetriebliche Sprachdienste und geräteintegrierte Sprachdienste (Hardware- und Software-Steuerung, Computerspiele).
Kommerzielle Sprachdienste Reine Sprachdienste kommerzieller Natur stießen bei deutschen Konsumenten im Jahr 2009 meist noch auf Ablehnung. Da der Anwender nicht persönlich eingewiesen werden kann, die Funktionsweise der Systeme nicht kennt und sich durch eventuell über den Sprachdienst eingespielte Werbung belästigt fühlt, nehmen Endkunden häufig eine negative Haltung gegenüber Sprachdiensten ein. Mit der Weiterentwicklung der Spracherkennung und dem Einsatz von KI-basierten Systemen hat sich die Akzeptanz in den letzten Jahren jedoch deutlich verbessert.
Folgende Einsatzfelder waren exemplarisch für den kommerziellen Bereich:
Dienste für Endkunden (Business-to-Consumer)Vergleiche: Susanne Feldt, Kai-Werner Fajga, Christoph Pause: Voice Business Jahrbuch 2009, telepublic Verlag, Hannover 2008, ISBN 978-3-939752-01-1, S. 30–68.: Informationen und Auskünfte am Telefon, z. B. Fahr- und Flugpläne Automatische Bestellung/Reservierung am Telefon, z. B. Ticket-Hotline, Katalogbestellungen, Telefonbanking Automatische Telefonzentrale/Vermittlung Vorqualifikation/Autorisierung von Anrufern, z. B. Abfrage der Kundennummer bzw. PIN Intelligente Wartefelder von Call-Centern Stör-Ansage-Management Televoting, Gewinnspiele am Telefon
Dienste für zwischenbetriebliche Abläufe (Business-to-Business waren damals noch nicht bekannt).
Moderne Anwendungen umfassen heute KI-basierte Sprachdialogsysteme (Voicebots), die beispielsweise im Kundenservice zur automatisierten Bearbeitung von Anfragen, zur Terminvereinbarung oder zur Unterstützung von Serviceprozessen eingesetzt werden.
Innerbetriebliche Sprachdienste (für Mitarbeiter) Innerbetrieblich wurde Sprachverarbeitung früher kaum genutzt, obwohl hier bei großen Unternehmen Potenziale liegen: Der innerbetriebliche Anwender kann in die Bedienung eingewiesen werden und er arbeitet regelmäßig mit dem Sprachdienst. Dies führt zu effizienter Nutzung bei hoher Akzeptanz durch den Anwender. Die Prozesszeiten innerbetrieblicher Abläufe lassen sich stark beschleunigen bei gleichzeitiger Senkung der Fehlerraten bei der Dateneingabe durch reduzierte Medienbrüche.
Warenannahme Qualitätsprüfung, Laufprüfung, Produktendabnahme Inventur Inspektion von Anlagen prozessorientierte Ereignismeldung Fern- und Vorortdiagnose Inzwischen finden sprachbasierte Systeme auch zunehmend Einsatz in internen Prozessen, etwa zur Dokumentation, Unterstützung von Service- und Wartungsprozessen oder zur Interaktion mit IT-Systemen.
Geräteintegrierte Sprachdienste Nur wenig besser angenommen wurden 2009 geräteintegrierte Dialogsysteme. Allerdings erfordert eine qualitative Spracherkennung hohe Rechenleistung bei entsprechendem Energiebedarf, so dass zufriedenstellend funktionierende Lösungen zunächst nur in Bordsystemen einzelner Oberklassewagen, Computerspielen oder spezieller Anwendungssoftware anzutreffen waren.
Mit der zunehmenden Verfügbarkeit leistungsfähiger Hardware und cloudbasierter Verarbeitung haben sich jedoch auch hier deutlich verbesserte und weit verbreitete Anwendungen entwickelt.
Beispiele für geräteintegrierte Spracherkennung sind:
Freisprecheinrichtungen in Kraftfahrzeugen Navigationssysteme in Kraftfahrzeugen Rufnummernwahl in Mobiltelefonen über den Personennamen Computerspiele Anwendungs-Software für körperlich Behinderte kooperative Maschinensteuerung Engere Kooperation zwischen Mensch und Maschine, z. B. für den Einsatz von Industrierobotern in Handwerksbetrieben, war ein aktueller Forschungsgegenstand.Christopher Parlitz: PowerMate – Schrankenlose Mensch-Roboter-Kooperation. Fraunhofer IPA, 2005,
Vorteile und Grenzen interaktiver Sprachdialogsysteme Mittels Sprache kann gegenüber herkömmlichen grafischen Benutzeroberflächen direkt und natürlich kommuniziert werden:
Vorteile der Sprachinteraktion Die Hände und der Blick bleiben frei (verbessert Ergonomie und Prozesszeit). Sprache ist dem Menschen unmittelbar zugänglich (größere Qualifikationsmaßnahmen und längere Einlernzeiten zur Oberflächenbedienung entfallen). Die Anforderungen an das Endgerät sind gering (es genügt ein Telefon oder Headset mit gutem Mikrofon). Die allgemeine Verfügbarkeit von (Mobil-)Telefonen erlaubt neue Freiheitsgrade während der Interaktion mit Software-Anwendungen. Moderne sprecherunabhängige Erkennung versteht Äußerungen verschiedener Personen (mehrsprachige Applikationen möglich; bis zu einem gewissen Grad auch Dialekte toleriert). Alle Informationselemente sind direkt erreichbar (kein mühsames Durchlaufen hierarchischer Menüs und langer Listen). Innerhalb eines spezifischen Kontexts können komplexe Sätze verstanden und automatisch verarbeitet werden (zum Beispiel für die Reservierung eines Dienstwagens über einen Telefonanschluss: „Hallo. Ich hätte gerne einen Wagen für die Strecke Stuttgart – Darmstadt am Donnerstag von 6 bis 22 Uhr“). Visuelle Aufgaben erfordern hohe Aufmerksamkeit. Dialoge können praktisch „nebenbei“ geführt werden.
NLU ist eine fortgeschrittene Schnittstelle in der Computerinteraktion, dennoch sind die Möglichkeiten der Darstellung von Informationen im Vergleich zu visuellen Medien eingeschränkt:
Grenzen der Sprachinteraktion Keine 100-prozentige Erkennung Problematisch sind sehr umfangreiche Vokabulare (vermehrt Ähnlichkeiten in der Aussprache verschiedener Begriffe). Keine perfekte Erkennung durch die Variabilität der menschlichen Stimme. Raue Umweltbedingungen Wiederholt auftretende Umweltgeräusche können signaltechnisch und softwaretechnisch heutzutage gut herausgefiltert werden. Das Filtern menschlicher Stimmen im Hintergrund bleibt dagegen weiterhin problematisch. Navigation und Menüstrukturen Der Benutzer muss sich mit den Navigationsmöglichkeiten und Funktionen einer komplexen Sprachapplikation erst vertraut machen. Lösung: Abgestufte Anwendungs-Modi für Einsteiger und Fortgeschrittene zur effizienten Nutzung. Die menschliche Wahrnehmung kann lange Listen visuell gut überblicken; akustisch ist das Auflisten vieler Informationen an einem Stück jedoch schwer verständlich. Man muss „die Regeln“ kennen. Computer „verstehen“ nicht – es ist lediglich eine Sprach-„Erkennung“.