Das Signal, das 1999 nicht zurückkam, und was Sprach-KI daraus lernen muss

Gesprächs-KI muss dem Menschen durch Sprachwechsel, Straßenlärm und abgebrochene Sätze folgen können. Wer vor jedem Satz erst Englisch oder Twi auswählen muss, verliert genau den Kontext, der eine natürliche Unterhaltung verständlich macht.

1999 wartete das Team des Jet Propulsion Laboratory in Pasadena auf ein Signal des Mars Climate Orbiter. Die Sonde sollte hinter dem Mars verschwinden und anschließend wieder Kontakt aufnehmen. Das Signal kam nicht zurück.

Die spätere Untersuchung zeigte einen folgenreichen Bruch zwischen zwei Systemen: Ein Teil der Navigationsdaten wurde in US-amerikanischen Maßeinheiten geliefert, ein anderer Teil verarbeitete metrische Einheiten. Das Problem lag im Übergang. Richard Cook, damals Projektmanager für den Mars Surveyor ’98, gehörte zu den Verantwortlichen, die den Verlust der Mission aufarbeiten mussten. Der NASA-Bericht zum Mars Climate Orbiter dokumentiert, wie fehlende Abstimmung und unzureichende Prüfungen dazu führten, dass widersprüchliche Einheiten unentdeckt blieben.

Der Vergleich hat kleinere Folgen, aber denselben Kern: Ein System kann jedes einzelne Signal verarbeiten und trotzdem den Menschen verlieren, wenn es beim Wechsel den Zusammenhang nicht mitnimmt.

Ein Satz beginnt auf Englisch und landet auf Twi

Stellen wir uns eine alltägliche Situation vor. Jemand steht vor einem Provision Shop in Kumasi und hält das Handy ans Gesicht. Motoren, Stimmen und Musik liegen hinter der Aufnahme. Die Person hat wenig Zeit und beginnt auf Englisch:

“Please help me tell him…”

Dann kommt die eigentliche Botschaft auf Twi. Nicht nach einer Pause, nicht als neuer Auftrag und nicht als bewusst gewählter Sprachmodus. Der Wechsel geschieht mitten im Gedanken, weil genau diese Formulierung in diesem Moment besser passt.

Eine herkömmliche Sprachoberfläche wartet häufig auf ein sauberes Eingangssignal: eine ausgewählte Sprache, einen vollständigen Satz, wenig Hintergrundgeräusch und eine Person, die sich an das System anpasst. So sprechen Menschen im Alltag selten.

Für viele Menschen in Ghana und in der ghanaischen Diaspora ist Code-Switching keine Störung. Es trägt Bedeutung. Englisch kann den Rahmen setzen, Twi kann Nähe, Nachdruck oder die passendere Formulierung liefern. Der zweite Teil ersetzt den ersten nicht. Beide Teile ergeben gemeinsam die Absicht.

Wer verstehen will, warum eine feste Sprachauswahl hier scheitert, findet denselben Gedanken ausführlicher in What Happens When a Voice Companion Forces You to Pick One Language Before You Speak?.

Die Aufgabe lautet: den Gedanken festhalten

Bei einer gemischten Sprachnachricht reicht es nicht, einzelne Wörter richtig zu erkennen. Das System muss den laufenden Gedanken behalten.

Worauf bezieht sich “him”? Ist der Twi-Teil die gewünschte Nachricht oder eine zusätzliche Erklärung? Hat die Person mitten im Satz ihre Absicht geändert, oder lediglich die Sprache gewechselt? Eine brauchbare Antwort hängt von diesen Beziehungen ab.

Nkomo ist für natürliche Gespräche in Twi und ghanaischem Englisch gedacht, gesprochen oder getippt. Im Sprachmodus hält die Person zum Sprechen gedrückt, kann natürlich unterbrechen und hört die Antwort. Diese Bedienung folgt dem Rhythmus eines Gesprächs, statt eine saubere Aufnahme im Stil eines Formulars zu verlangen.

Das bedeutet keine Garantie, dass jedes Wort unter jedem Lärmpegel erkannt wird. Nkomo soll Fehler auch nicht verstecken. Wenn etwas schiefgeht, wird der Fehler angezeigt. Das ist wichtig, denn eine sichtbare Unsicherheit lässt sich korrigieren. Eine selbstbewusst falsche Antwort kann den gesamten Sinn einer Nachricht verändern.

KasaSpeech zeigt, wie groß der Abstand zwischen Laborbeispielen und tatsächlichem Sprachgebrauch ist. Der Datensatz umfasst 54.855 manuell transkribierte Aufnahmen mit mehr als 95 Stunden Sprache von Menschen aus verschiedenen Teilen Ghanas. Die Aufnahmen decken natürliche Wechsel zwischen Englisch und Twi in Alltagsthemen und realistischen Kommunikationssituationen ab. Solche Daten machen sichtbar, was Sprachmenüs gern ausblenden: Menschen wechseln, vermischen, verkürzen und setzen neu an.

Kontext braucht auch klare Grenzen

Eine KI, die einem Gespräch folgt, verarbeitet zwangsläufig Kontext. Deshalb gehört zur Frage „Versteht sie mich?“ immer auch die Frage „Was geschieht mit meinen Daten?“

Nkomo trennt diese Entscheidung nicht vom Gespräch. Nutzer können festlegen, ob Inhalte niemals, nach Rückfrage oder nur für die aktuelle Sitzung an die Cloud gesendet werden dürfen. Der Verlauf liegt auf dem Gerät und lässt sich abschalten. Wird er abgeschaltet, wird er unmittelbar gelöscht. Datenexport und Kontolöschung sind jeweils mit einem Schritt erreichbar.

Auch die Anmeldung vermeidet ein weiteres kleines Hindernis: Statt eines zusätzlichen Passworts nutzt Nkomo einen Magic Link.

Diese Kontrollen lösen ein konkretes Spannungsfeld. Ein Gesprächssystem braucht genügend Zusammenhang, um einen Wechsel von Englisch zu Twi als Teil desselben Gedankens zu verstehen. Gleichzeitig sollte dieser Zusammenhang nicht länger oder weiter gespeichert werden, als die Person erlaubt.

Gute Sprach-KI zwingt niemanden in ein Menü

Der Mars Climate Orbiter ging verloren, obwohl beide beteiligten Einheitensysteme für sich genommen verständlich waren. Der entscheidende Fehler entstand dort, wo Informationen von einem System ins andere übergingen und niemand den Bruch rechtzeitig auffing.

Bei conversational AI liegt der kritische Übergang oft mitten im Satz. Die Person wechselt die Sprache, spricht schneller, lässt ein Wort weg oder nimmt den Gedanken nach einem Geräusch wieder auf. Das System muss erkennen, dass der Gesprächsfaden weiterläuft.

Für Entwickler ergibt sich daraus eine klare Prüfregel: Testet keine isolierten Sätze allein. Testet vollständige Absichten über Sprachwechsel, Unterbrechungen und hörbaren Alltag hinweg. Prüft außerdem, ob Unsicherheit sichtbar wird und ob Menschen selbst bestimmen können, welcher Kontext lokal bleibt und welcher die Cloud erreicht.

Für Nutzer gilt eine ebenso einfache Erwartung: Du solltest sprechen können, wie du sprichst. Die Sprachauswahl darf nicht wichtiger werden als das, was du sagen wolltest.