Inhaltsverzeichnis
Wenn Ambition auf die Realität der Technologie trifft
Nicht jedes Projekt, das auf künstlicher Intelligenz basiert, endet mit einem spektakulären Erfolg. Manchmal liegt der größte Wert in dem, was wir auf dem Weg dorthin lernen. Genau so war es bei unserer Idee für den Podcast „KI in der Produktion“ und seine mehrsprachige Distribution mithilfe von KI-basierten Tools zur Übersetzung und zum Voice Cloning.
Das ist keine Geschichte über eine perfekte Implementierung. Es ist eine Fallstudie eines Experiments zur Podcast-Übersetzung mit generativer künstlicher Intelligenz, bei dem die Technologie sowohl ihr enormes Potenzial als auch ihre klaren Grenzen gezeigt hat.
Das Problem: In welcher Sprache sollte ein Technologie-Podcast aufgenommen werden?
Die Idee war einfach. Wir wollten einen Technologie-Podcast über den Einsatz von KI in Unternehmen erstellen. Ein natürlicher Schritt war es, Gäste einzuladen, mit denen wir bereits im Rahmen verschiedener Projekte zusammengearbeitet hatten. Doch schnell tauchte ein Problem auf, das bei internationalen Projekten sehr real ist: Unsere Gäste kommunizieren in unterschiedlichen Sprachen.
Die Wahl nur einer Sprache hätte die Gesprächsfreiheit eingeschränkt. Uns war wichtig, dass sich unsere Gesprächspartner wohlfühlen und ihre Erfahrungen frei teilen können – ohne Sprachbarrieren. Daraus entstand die Idee, den Podcast in der Sprache aufzunehmen, in der sich der Gast am wohlsten fühlt, und ihn anschließend mithilfe von KI in drei weitere Sprachen zu übersetzen. Ziel war es, Inhalte auf Polnisch, Englisch, Deutsch und Französisch zu erhalten.
Die englische Version sollte als Hauptversion auf YouTube veröffentlicht werden, da Englisch im Technologiebereich die universellste Sprache ist. Die Plattform selbst ermöglicht die Generierung von Untertiteln in Echtzeit in über 165 Sprachen, was zusätzlich die Zugänglichkeit der Inhalte für ein internationales Publikum erhöht.
Auswahl des Tools: ElevenLabs
Für die Umsetzung des Projekts nutzten wir eine Plattform zur Verwaltung von Stimme und Audio mithilfe von KI. Sie ermöglicht automatische Transkription, Übersetzung sowie die Generierung synthetischer Stimmen in der gewünschten Sprache. In der kostenlosen Version waren die Möglichkeiten jedoch stark eingeschränkt. Es konnten maximal zwei Minuten Material übersetzt werden, ohne Möglichkeit zur Bearbeitung, und die Anzahl der verfügbaren Credits war zu gering, um realistisch an einer vollständigen Podcast-Episode zu arbeiten.
Der Kauf des Pro-Pakets eröffnete den Zugang zum „Studio“-Modus, der eine Bearbeitung des Materials in Echtzeit ermöglichte. Das System erstellte automatisch eine Transkription der Aufnahme und übersetzte sie in eine zuvor definierte Zielsprache. Wichtig war dabei, dass sowohl in der Originalversion als auch in der übersetzten Version manuelle Korrekturen vorgenommen werden konnten. Das Tool trennte die Aussagen der Gesprächspartner korrekt, sofern zuvor die Anzahl der am Gespräch beteiligten Personen festgelegt wurde. Das Hochladen der Datei ins Studio war zwar in Bezug auf Credits relativ kostspielig, jedoch konnten alle bezahlten Ressourcen anschließend im Bearbeitungsprozess genutzt werden.
Wo traten die tatsächlichen Probleme auf?
Die größte Herausforderung erwies sich als die Qualität der Übersetzung im Kontext einer natürlichen Unterhaltung. Ein Podcast ist ein lockeres Format. Menschen wiederholen Wörter, korrigieren sich selbst oder wechseln mitten im Satz das Thema. Das Sprachmodell kam mit dieser Dynamik nicht immer gut zurecht. Manche Übersetzungen wirkten unlogisch, und einige Passagen mussten manuell korrigiert werden, um den ursprünglichen Sinn der Aussage zu bewahren.
Eine noch größere Herausforderung stellte die vom Modell generierte Stimme dar. Der Dubbing-Dienst nutzte automatisch Voice Cloning, es war jedoch auch möglich, eigene Stimmmodelle auf Basis bereitgestellter Aufnahmen zu erstellen. In unserem Fall wurden die ersten vier Episoden auf Polnisch aufgenommen, sodass das Modell hauptsächlich mit polnischem Material trainiert wurde und anschließend mit englischen oder deutschen Texten zurechtkommen musste. Deshalb entschieden wir uns, zusätzliche Stimmmodelle auf Grundlage von Aufnahmen unseres Gastes auf Englisch und Deutsch zu erstellen.
Das Ergebnis war gemischt. Die deutsche Version schnitt am besten ab, blieb jedoch weiterhin hinter unseren Erwartungen zurück. Die Stimme unterschied sich vom Original, die Tonlage schwankte und der Akzent war inkonsistent. Es kam vor, dass dieselbe Person in verschiedenen Abschnitten wie zwei unterschiedliche Personen klang. Manchmal wirkte die Stimme synthetisch und ohne natürliche Klangfarbe oder Emotionen, ein anderes Mal zu schnell oder unnatürlich moduliert. Da derselbe Satz in verschiedenen Sprachen unterschiedlich lang ist, versuchte das Modell die Unterschiede manchmal mit seltsamen, unlogischen Klangkombinationen zu „füllen“. Zwar konnte man eine bestimmte Aussage erneut generieren lassen, doch das Ergebnis war oft unvorhersehbar. Die nächste Version war selten besser.
Das Tool bot drei Regler zur Anpassung der Sprachparameter: Stil, Ähnlichkeit und Flüssigkeit. In der Praxis fühlte sich das Verändern dieser Parameter jedoch häufig wie ein Glücksspiel an. Eine Erhöhung des Stils führte oft zu einer unnatürlichen Intonation und einer höheren Stimmlage. Auch die Ähnlichkeit nahm nicht immer proportional zum Wert des Reglers zu. Dialoge konnten plötzlich leiser oder lauter werden – ohne erkennbaren Grund.
Das war der Moment, in dem wir uns die Frage stellen mussten, ob die Technologie bereits ausgereift genug ist, um einen Podcast vollständig professionell in mehreren Sprachen zu veröffentlichen.
Ethik und Zustimmung zur Nutzung von Stimmen durch KI
Bei Projekten, die auf Voice Cloning basieren, ist die Zustimmung der Gesprächspartner entscheidend. Wenn jemand der Nutzung von KI zur Modifikation seiner Stimme nicht zustimmte, respektierten wir diese Entscheidung vollständig. Das Image und der Komfort unserer Gäste sind für uns wichtiger als jedes technologische Experiment.
In solchen Fällen setzten wir auf traditionelle Untertitel. Auf YouTube und Spotify wurde die Originalversion mit automatisch generierten Untertiteln veröffentlicht, während wir auf unserer Website Untertitel in drei zusätzlichen Sprachen bereitstellten. Jede Episode, die mithilfe von KI übersetzt wurde, war deutlich mit dem Symbol „AI Voice“ gekennzeichnet, und der Einsatz künstlicher Intelligenz wurde offen kommuniziert. Transparenz war für uns ebenso wichtig wie Innovation.
Lohnt es sich, einen Podcast mit KI zu übersetzen?
Die Antwort ist nicht eindeutig, lautet aber: ja – unter der Voraussetzung realistischer Erwartungen. Die automatische Übersetzung eines Podcasts und die Generierung mehrsprachiger Dubbing-Versionen bieten eine enorme Chance, Inhalte zu skalieren und ein internationales Publikum zu erreichen, ohne das Material erneut aufnehmen zu müssen. Gleichzeitig muss man damit rechnen, dass das Ergebnis nicht perfekt ist und ein Teil des Publikums auf unnatürliche Intonation oder kleine sprachliche Fehler aufmerksam wird.
Je häufiger solche Lösungen genutzt werden, desto mehr Trainingsmaterial erhält das Modell, und die Qualität verbessert sich schrittweise. Plattformen zur Verwaltung von Stimmen und zur Audiobearbeitung bieten außerdem zusätzliche Funktionen, die die Qualität der finalen Aufnahme deutlich verbessern können. Deshalb lohnt es sich, zu testen, zu experimentieren und iterativ zu arbeiten.
Entdecken Sie den Podcast „KI in der Produktion“ und sehen Sie KI im realen Einsatz
Unser Podcast richtet sich an Technologie-Spezialisten, Business-Leader sowie an alle, die verstehen möchten, wie künstliche Intelligenz in echten Projekten und realen Situationen funktioniert. Es sind Gespräche über Implementierungen, Herausforderungen und praktische Erfahrungen – ohne Marketing-Floskeln, dafür mit konkretem Wissen und Beispielen aus der Praxis.
Wir laden Sie ein, die Ergebnisse unserer Arbeit selbst zu überprüfen. Hören Sie sich die Originalaufnahmen sowie die mithilfe von KI übersetzten Versionen an und beurteilen Sie selbst, inwieweit die Technologie heute bereits für eine professionelle Podcast-Produktion in mehreren Sprachen bereit ist. Wenn Sie sich für die praktische Entwicklung von KI interessieren, ist dieser Podcast genau das Richtige für Sie.
