Übersetzer, Dolmetscher und Synchronsprecher

Auch wenn zwischen der Jobbeschreibung eines Übersetzers und der eines Synchronsprechers Welten liegen, sind sie technologisch dicht beieinander. Was erst einmal komisch klingt, wird bei der technischen Umsetzung offensichtlich. In Science-Fiction-Filmen und -Serien war die vollkommene automatische Übersetzung schon immer ein Traum. Doch bisher waren wir nicht in der Lage, Programme zu entwickeln, die das Niveau menschlicher Übersetzungen erreichen. Dennoch ist eins offensichtlich: Die maschinelle Übersetzung hat in den letzten Jahren enorme Fortschritte gemacht. Nahezu alle großen Spieler der IT-Industrie haben viele Ressourcen investiert, um eine eigene Übersetzungssoftware zu entwickeln. Der Grund dafür ist einfach: Der Markt für Übersetzungs- und Sprachdienstleistungen ist gigantisch. Laut des US-Marktforschungsunternehmens Common Sense Advisory (CSA) wird das weltweite Marktvolumen für Sprachdienstleistungen bis zum Jahr 2021 auf 56,18 Milliarden US-Dollar anwachsen. Wenn diese Übersetzungsdienstleistungen durch Software erbracht werden können, ist dies natürlich eine Goldgrube. Schon heute sind die Übersetzungsprogramme mächtig. DeepL, die aktuell beste Übersetzungssoftware, wird auf einem Supercomputer in Island betrieben und kann eine Million Wörter pro Sekunde übersetzen. Eine Anzahl, die ein menschlicher Übersetzer niemals auch nur annähernd erreichen könnte.

Dadurch, dass die Übersetzungen jedes Jahr durch immer bessere Datensätze optimiert werden, wird es für weniger gute Übersetzer immer schwieriger. Die einzige Möglichkeit für Übersetzer, um nicht in den Kampf mit den Übersetzungsprogrammen zu geraten, ist sich immer mehr zu spezialisieren und bestimmte Fachgebiete auszuwählen. Je spezieller das Fachgebiet, desto größer ist die Chance, dass die Übersetzungen von menschlichen Übersetzern auf diesem Gebiet deutlich besser sind als die Übersetzungen von einer Software. Doch gerade Übersetzer und Übersetzerinnen, die in den Job einsteigen, haben es schon heute schwer. Neben der Übersetzungssoftware besteht eine globale Konkurrenz. Auf Plattformen wie www.upwork.com bieten mehrere tausend Übersetzer ihre Dienste zu weit geringeren Preisen als deutsche Übersetzungsbüros an.

Dolmetscher leiden unter den gleichen Problemen. Schon heute gibt es verschiedene Softwarelösungen, die gesprochene Sprache simultan in andere Sprachen übersetzen. Hierbei wird die Aufgabe des Dolmetschens in verschiedene Tätigkeiten zerlegt und durch unterschiedliche Softwarekomponenten realisiert.

Als Erstes wird die Sprache in Text umgewandelt. Hierbei werden natürliche Algorithmen der künstlichen Intelligenz eingesetzt. Bereits im Jahr 2017 haben Google und Microsoft die Fünfundneunzigprozenthürde gemeistert. Genau wie bei der Bilderkennung liegt die menschliche Fehlerrate bei 5 %. Dies bedeutet, von hundert Wörtern werden ca. fünf Wörter falsch erkannt. Dies können auch kleine Fehler sein wie z. B. ein „s“ am Ende eines Satzes, das überhört wird. Bei der Bildererkennung wurde diese Hürde bereits im Jahr 2015 durchbrochen, sodass heute die Fehlerrate bei 2,3 % liegt. Dies lässt darauf schließen, dass die Fehlerquote in der Spracherkennung sich noch weiter verringern wird. Hier spielen Voice-Assistant-Systeme wie Alexa, Google Assistant und Siri eine große Rolle, denn durch sie wird eine Masse an Daten generiert. Fragt z. B. ein Nutzer Alexa nach der Uhrzeit und wird dabei falsch verstanden, besteht eine große Chance, dass der Nutzer die Frage wiederholt, bis das System ihn richtig verstanden hat. Dadurch bekommt in diesem Fall Amazon selbstverständlich gute Beispiele, mit denen das System verbessert werden kann.

Nachdem nun ein Satz von der Software in Text übertragen wurde, wird dieser Text von einem anderen System in die gewünschte Zielsprache übersetzt. Hierbei handelt es sich natürlich um eine anders geartete Software als die, die für die Erkennung von Sprache eingesetzt wird. Als letzter Schritt wird die Übersetzung an ein anderes Programm übertragen, das aus den Wörtern wieder eine natürliche Sprache erzeugt.

Für das Erzeugen von menschlicher Sprache gibt es zwei verschiedene Ansätze, die im Englischen mit „concatenative“ und „parametric“ bezeichnet werden. „Concatenative“ lässt sich einfach beschreiben. Ein Mensch geht in ein Tonstudio und spricht tausende von Wörtern und Sätzen ein. Diese werden als Soundschnipsel gespeichert. Das einzige, was eine Software nun noch machen muss: für die Wörter in einem Text die jeweiligen Soundschnipsel auswählen und zusammensetzen. Hierbei ist keine künstliche Intelligenz erforderlich. Bei dem Ansatz, der als „parametric“ bezeichnet wird, ist das anders. Dieses Verfahren erzeugt Wörter, indem es Parameter wie z. B. die Grundfrequenz und das Magnitudenspektrum kombiniert und zur Spracherzeugung verarbeitet. Welcher Ansatz besser ist, hängt von der Sprache ab, in die übersetzt werden soll. Im englischen Sprachraum bevorzugen Texthörer den Ansatz „concatenative“, wobei im chinesischen „parametric“ bevorzugt wird.

Doch egal, welches System eingesetzt wird, beide haben Nachteile: Ihren Erzeugnissen fehlt die richtige Betonung, die tatsächlich Emotionen auslösen kann. Gerade in diesem Bereich erleben wir aber starke Verbesserungen. Künstliche Intelligenz wird eingesetzt, um aus vorhandenen Audiodateien Betonungen und Artikulierungen zu erkennen und diese in der erzeugten Sprache zu modellieren. Im Vergleichstest zu den herkömmlichen Verfahren empfinden die Zuhörer diese betonte Sprache als deutlich angenehmer. Zwar liegt sie zum heutigen Stand noch hinter dem Niveau von professionellen Sprechern, doch der Abstand ist in den letzten Jahren deutlich kleiner geworden. Sollten sich diese Werte weiter verbessern, wäre dies in den nächsten Jahren das Aus für den Beruf des Synchronsprechers, denn die automatische Erzeugung von Sprache hat neben der offensichtlichen Kosten- und Zeitersparnis noch einen weiteren großen Vorteil. Diese Systeme können sich perfekt auf die Bedürfnisse ihrer Zuhörer einstellen. Der eine Zuhörer mag eine neutrale männliche Stimme, der andere lieber eine ruhige weibliche und ein weiterer bevorzugt eine tiefe, dunkle männliche Stimme. Einen Artikel in einer Vielzahl von Sprachstilen anzubieten ist durch die automatische Spracherzeugung kein Problem. Sogar Akzente hinzuzufügen ist mit dieser Technik ohne Weiteres möglich, wie der chinesische Suchmaschinenkonzern Baidu bereits im Jahr 2017 demonstriert hat.

Die Kombination der Systeme zur Texterkennung, Textübersetzung und Spracherzeugung zeigt, dass selbst das Synchrondolmetschen heute gelingt. Das bedeutet jedoch nicht, dass Übersetzer und Dolmetscher nicht mehr gebraucht werden. Gerade in regulierten Bereichen, wie z. B. Übersetzungen für Gerichte, in der Politik oder der Medizin, wird man in den nächsten Jahren nicht auf diese Jobs verzichten können. Doch es wird auch viele Anwendungsgebiete geben, wo die Übersetzungen komplett von automatischen Systemen übernommen werden können. Bei Synchronsprechern sieht es schlechter aus. Ab dem Moment, wo Systeme wie Alexa oder Google Wavenet als angenehmer beurteilt werden als ein menschlicher Sprecher, wird es nur noch wenige Ausnahmen geben, in denen ein Mensch bevorzugt wird.