heise+ | KI verrät die Stimmung im Hörbuch schon vor dem Reinhören

Was geschehen ist – die Kernmeldung ausführlich

Die Suche nach dem passenden Audioinhalt für den individuellen Moment gestaltet sich für viele Nutzer von Hörbüchern und Podcasts als frustrierende Geduldsprobe. Oftmals verbringen Konsumenten mehr Zeit damit, durch unübersichtliche Kataloge zu scrollen und in kurze Hörproben hineinzuhören, als sie später tatsächlich mit dem eigentlichen Inhalt verbringen. Die derzeitigen Standards in den meisten Applikationen beschränken sich dabei auf eine klassische Kategorisierung nach Genres, eine einfache Volltextsuche in den Titeln oder die Auswertung von kurzen, oft wenig aussagekräftigen Beschreibungen. Ein Forschungsteam am Rechenzentrum der Universität Leipzig hat nun gemeinsam mit den Partnern Buchfunk und ifabrik im Rahmen des Projekts MANGAN – was für „intelligente Metadatenextraktion und intuitive Suche bei gesprochenen Audioinhalten“ steht – einen technologischen Durchbruch erzielt. Die Forscher entwickelten Verfahren, die es ermöglichen, Metadaten direkt aus dem Audiosignal gesprochener Texte zu extrahieren. Damit wird es künftig möglich sein, nicht nur nach Inhalten zu suchen, sondern gezielt nach der emotionalen Tonalität oder der spezifischen Stimmung eines Werkes zu filtern. Dies verspricht eine Revolution bei der Auffindbarkeit von digitalen Medien, da die KI den Inhalt quasi „versteht“, bevor der Nutzer ihn überhaupt angeklickt hat.

Die Einzelheiten – Zahlen, Namen und Orte

Das Projekt MANGAN, das unter der Leitung des Rechenzentrums der Universität Leipzig durchgeführt wurde, stützt sich auf eine enge Kooperation mit den Unternehmen Buchfunk und ifabrik. Die technologische Zielsetzung war es, die Lücke zwischen der reinen Textsuche und dem tatsächlichen Hörerlebnis zu schließen. Dabei wurden komplexe Algorithmen entwickelt, die in der Lage sind, verschiedene Parameter des Audiosignals zu analysieren. Zu den zentralen Metadaten, die das System extrahiert, gehören das Tempo des Sprechers, das individuelle Stimmprofil, der Tonfall sowie die inhaltliche Stimmung des Werkes. Die Forscher legten dabei besonderen Wert auf eine wirtschaftliche Skalierbarkeit der Verfahren. Das bedeutet, dass die automatische Generierung dieser Metadaten nicht nur präzise sein muss, sondern auch in der Lage sein sollte, große Mengen an Audioarchiven effizient zu verarbeiten. Das System berücksichtigt dabei nicht nur die Stimmung, sondern auch den Anspruch und die thematische Einordnung des gesprochenen Wortes. Die Ergebnisse zeigen, dass eine facettenreiche Suche möglich ist, die weit über die bisherigen, sehr begrenzten Möglichkeiten der Metadatenpflege hinausgeht und eine deutlich intuitivere Navigation durch umfangreiche Audio-Bibliotheken erlaubt.

Hintergrund – der bisherige Verlauf

Die Notwendigkeit für dieses Forschungsprojekt ergab sich aus der Beobachtung, dass die aktuelle Suchinfrastruktur für Audioinhalte stagniert. Während die Anzahl der verfügbaren Hörbücher und Podcasts exponentiell wächst, haben sich die Suchwerkzeuge kaum weiterentwickelt. Nutzer, die beispielsweise nach „etwas Ruhigem zum Einschlafen“ oder „etwas Spannendem für die Bahnfahrt“ suchen, sind bisher auf manuelle Empfehlungen oder den Zufall angewiesen. Die bisherigen Metadaten – also Titel, Autor und eine kurze Inhaltsangabe – sind oft zu oberflächlich, um die emotionale Wirkung eines Hörbuchs zu erfassen. Das Projekt MANGAN wurde ins Leben gerufen, um diesen Prozess zu automatisieren. Durch die Zusammenarbeit von akademischer Forschung an der Universität Leipzig und der praktischen Expertise der Firmen Buchfunk und ifabrik konnte das Projekt eine Brücke zwischen theoretischer KI-Forschung und marktreifer Anwendung schlagen. Ziel war es, die Hürden bei der Auffindbarkeit abzubauen und sicherzustellen, dass hochwertige Inhalte nicht in den Tiefen der Datenbanken verschwinden, nur weil sie nicht korrekt verschlagwortet wurden.

Die Beteiligten – wer entscheidet und wirkt

An der Spitze des Projekts steht das Rechenzentrum der Universität Leipzig, welches die wissenschaftliche Leitung innehat und die methodische Grundlage für die KI-gestützte Analyse liefert. Die Partner aus der Wirtschaft, Buchfunk und ifabrik, bringen die notwendige Infrastruktur und die spezifische Branchenkenntnis ein, um die Forschungsergebnisse in die Praxis zu überführen. Buchfunk, als Akteur im Bereich der Hörbuchproduktion und -verbreitung, liefert die notwendigen Datenmengen und das Verständnis für die Bedürfnisse der Endkunden. Die Firma ifabrik steuert die technologische Expertise bei, um die entwickelten Modelle in bestehende oder neue Suchumgebungen zu integrieren. Diese Allianz aus Forschung und Wirtschaft stellt sicher, dass die entwickelten KI-Modelle nicht nur akademisch fundiert sind, sondern auch den realen Anforderungen eines digitalen Marktes gerecht werden. Die Akteure arbeiten gemeinsam daran, die technologische Basis für eine neue Generation von Suchmaschinen zu schaffen, die den Nutzer in den Mittelpunkt stellt und die Qualität des Hörerlebnisses durch eine präzisere Vorselektion steigert.

Einordnung – was das bedeutet

Einzuordnen ist die Entwicklung des Projekts MANGAN als ein bedeutender Schritt hin zu einer „semantischen“ Suche in Audioinhalten. Bisher war die Suche nach Audioinhalten weitgehend auf die Analyse von Texten angewiesen, die den Audioinhalt beschreiben. Wenn diese Beschreibung unvollständig oder subjektiv war, blieb der Inhalt für den Nutzer unsichtbar. Die KI-gestützte Analyse des Audiosignals selbst ändert dieses Paradigma grundlegend. Den Berichten zufolge ermöglicht die Extraktion von Parametern wie Valenz, Erregung und Dominanz eine wesentlich feinere Abstimmung auf die Bedürfnisse des Hörers. Es ist davon auszugehen, dass diese Technologie nicht nur bei Hörbüchern Anwendung finden wird, sondern auch bei der Analyse von Podcasts, bei denen die Stimmung oft stark variiert. Kritisch zu betrachten ist jedoch, dass KI-Modelle bei der Interpretation von Nuancen in menschlicher Sprache an ihre Grenzen stoßen können. Während die technische Analyse von Tempo und Frequenz objektiv messbar ist, bleibt die Interpretation von „Stimmung“ eine Herausforderung, die auch bei modernsten Systemen zu Fehlern führen kann. Dennoch stellt die Automatisierung einen enormen Fortschritt gegenüber der manuellen Verschlagwortung dar.

Offene Fragen – was der Quelltext nicht beantwortet

Der Quelltext lässt einige wesentliche Fragen offen, die für die praktische Anwendung der Technologie von entscheidender Bedeutung sind. So wird nicht explizit erläutert, wie das System mit ironischen oder sarkastischen Inhalten umgeht, bei denen der Tonfall der Stimmung des Textes widerspricht. Auch bleibt unklar, wie hoch die Fehlerrate der KI bei der Kategorisierung ist und ab welcher Dauer eines Audioinhalts die Analyse zuverlässige Ergebnisse liefert. Zudem wird nicht detailliert darauf eingegangen, ob die Technologie bereits in konkreten kommerziellen Produkten integriert ist oder ob es sich derzeit noch um einen Prototypen handelt. Auch die Frage nach dem Datenschutz und der Speicherung der extrahierten Metadaten wird im Quelltext nicht thematisiert. Es bleibt offen, inwiefern die Nutzerprofile, die durch eine solche Suche entstehen könnten, für personalisierte Werbung genutzt werden könnten. Schließlich wird nicht geklärt, ob die KI auch in der Lage ist, die Qualität eines Hörbuchs zu bewerten oder ob sie sich rein auf die deskriptive Analyse der Stimmung beschränkt.

Wie es weitergeht – Ausblick und Schritte

Die Entwicklung im Bereich der KI-gestützten Suchfunktionen für Medieninhalte ist in vollem Gange. Während das Projekt MANGAN die Grundlagen für die Audioanalyse geschaffen hat, arbeiten andere Forschungsgruppen bereits daran, ähnliche Verfahren auf Videobestände zu übertragen. Dies deutet darauf hin, dass die Branche eine schrittweise Erweiterung der Suchfunktionen anstrebt, die weit über das heute übliche Maß hinausgeht. Die Integration dieser Technologien in bestehende Plattformen wird voraussichtlich der nächste große Schritt sein. Ob und wann die Ergebnisse des Projekts MANGAN in breiter Masse für Endnutzer in gängigen Hörbuch-Apps verfügbar sein werden, hängt von der weiteren Skalierung und der Akzeptanz durch die Plattformbetreiber ab. Die Forschungsergebnisse bilden jedoch das Fundament für eine Zukunft, in der die Suche nach Inhalten nicht mehr durch die Unzulänglichkeit von Metadaten, sondern durch die präzise Analyse des Inhalts selbst bestimmt wird. Die technologische Entwicklung ist hierbei als ein fortlaufender Prozess zu verstehen, der durch die ständige Verbesserung der KI-Modelle weiter an Präzision gewinnen wird.