Zehn Anwendungsfelder: So prägt Siri die interaktive Zukunft

Die Kritiken nach der Premiere des iPhone 4S   schwankten zwischen skeptisch und euphorisch. Für die einen ist der sprachgesteuerte Aufgabenmanager Siri   eine Revolution, ein zuhörender, intelligenter Agent, für die anderen nichts weiter als der Aufguss alter Technologien unter enormem Marketing-Getöse nach üblicher Manier des Hauses.

Die Wahrheit ist, dass Siris wahres Potenzial nicht in der neuartigen Technologie liegt, sondern in der Zusammenführung bestehender Konzepte zu einem spannenden, neuen Ganzen. Und das Ganze mit einem Apple-Aufkleber darauf. Damit hat Siri das Zeug, zum Katalysator für die an sich nicht neue Spracherkennungstechnologie zu werden und die Zukunft des Interfaces, vor allem des mobilen Interfaces, zu prägen.

Was Siri wirklich ist

Siri ist kein Agent, der intelligent komplexe Anliegen des Nutzers versteht und ausführt - auch wenn es im clever gemachten Werbevideo von Apple so aussieht. De facto beherrscht Siri ein eher überschaubares Repertoire an Fähigkeiten, wie es Blogger Jeff Wofford   in seiner ausführlichen und lesenswerten technischen Analyse des Gerätes auf den Punkt gebracht hat:

• Siri steuert den Kalender
  
• Sucht nach Kontakten
  
• Schreibt Nachrichten und liest sie auch vor
  
• Interagiert mit Kartendiensten...
  
• sowie mit einer handvoll weiteren - vorgegebenen! - Diensten wie Wetterdiensten, Börsennachrichten oder Online-Lexika.
  

Siri streckt die Waffen, wenn man ihr sagt, sie möge bitte Flüge für kommende Woche Dienstag heraussuchen und den günstigsten davon buchen, sowie eine Mail schicken, wenn sich an den Abflugzeiten etwas ändert. Dafür wäre eine komplexe Agentenlösung nötig, mit zahlreichen semantischen Verknüpfungen, Wenn-dann-Routinen und Datenbankschnittstellen. So etwas kann Siri nicht - noch nicht. Doch die Ansätze sind durchaus da. Denn Siri ist zwar weniger als ein hochkomplexer Agent - aber wiederum deutlich mehr als eine bloße Spracherkennung.

1. Siri ist eine Spracherkennung
   
2. Siri ist eine Sprachausgabe.
   
3. Siri ist ein semantisch arbeitendes Werkzeug.

Der Verdienst hinter Siri ist - und darauf darf Apple durchaus stolz sein: Diese Technologien zu bündeln und in einem populären Endgerät als Lösung für alltägliche Aufgaben an den Verbraucher weiterzureichen. Denn die Anwendung versucht zumindest ihren Bediener zu verstehen. Sagt der Nutzer Dinge wie "Erinnere mich, meine Ehefrau anzurufen" oder "Zeige mir einen Blumenladen in der Nähe", so versucht die semantische Intelligenz hinter Siri zu verstehen, welcher Kontakt meine Ehefrau ist oder per GPS anzupeilen, was genau "in der Nähe" meint.

Um besser zu verstehen, was mit bestimmten erkannten Worten gemeint ist, nutzt Siri Wolfram Alpha  . Eine semantische Suchmaschine, die aus Suchergebnissen Sinn herauszulesen versucht und dann (meist erstaunlich) sinnvolle Daten statt Seiten ausliefert, statt Links. Wer das Wetter in der Nähe wissen will, erhält die Vorhersage für den eigenen Rechnerstandort, statt Links zu Wetterseiten. Auch Suchmaschinenriese Google   implementiert zunehmend solche semantischen Antworten in seine Ergebnisseiten und lässt die organischen Ergebnisse nach unten rutschen.

Siri ist nun Apples großangelegter Versuch, Nutzer und Gerät stärker aneinander zu führen und alles Überflüssige in der Mitte zu eliminieren - Suche soll direkt zum Ergebnis führen, der ausgesprochene Wunsch resultiert in der direkten Bedienung.

Siri als Katalysator für sprachgetriebene Anwendungen und User Interfaces

Noch ist, was Siri im Sinne dieses hohen Anspruchs liefert, nicht voll ausgereift - das System operiert noch fehleranfällig. Im Test bei Techcrunch   zeigt sich: Siri versteht nichts, wenn der Nutzer nicht deutliche Aussprache und das Beschreiten vorgegebener Befehlspfade beherzigt. Doch für Experten wie Detlev Artelt, Geschäftsführer des Beratungsunternehmens Aixvox   aus Aachen und Herausgeber der Fachbuchreihe voice compass   spielt das auch eine eher untergeordnete Rolle: "Siri ist ein super Ansatz, um zu zeigen, was es schon länger gibt: Es macht uns bewusst, dass Sprache viel mehr als das Tippen die eigentliche kommunikative Stärke des Menschen ist!" Für Artelt, der auch den Sprachanwendungsblog DETart   betreibt, liegt Siris großes Potenzial in der Kombination intuitiver Sprachbedienung mit Semantik: "Zusammenhänge zu bauen ist die große Kunst." Und das gelingt zunehmend besser.

Auch Sven Schneider ist überzeugt: Mit Siri wird Apple den entscheidenden Beitrag liefern zu einer breiten Marktdurchdringung von Spracherkennungslösungen. Der geschäftsführende Gesellschafter beim auf interaktive Anwendungen spezialisierten Unternehmen Expectare   erklärt: "Sobald Apple dieses Thema pusht, werden bestimmt auch andere folgen. Apple hat ein wahnsinnig glückliches Händchen was die Positionierung von Produkten betrifft. Sie haben ein gutes Gespür, reichlich Erfahrung und wissen wie sie eigene Leistungen in Szene setzen." Microsofts   Kinect   sei auch eine Erfolgsstory, die Apples iPhone und iPad ebenbürtig ist. "Die Frage ist, ob man das nicht noch erfolgreicher hätte in Szene setzen können und wie hätte das Apple gemacht? Verstecken muss sich da Microsoft auf keinen Fall."

Er sieht zahlreiche Endkunden- und Business-Anwendungen für sprachbasierte Lösungen: "Die Massenerfassung von Dokumenten, etwa in Anwaltskanzleien; die technische Dokumentation über Spracheingabe, bei der aus den Worten eines Ingenieurs, der eine Fertigungsstraße beschreibt, direkt Text wird. Warum sollten Polizisten nicht künftig Unfallberichte und Zeugenaussagen per Spracherfassung aufnehmen - das anschließende Abtippen ist im Grunde eine Zeitverschwendung. Und im privaten Bereich, dem intelligenten Heim, wird es Einzug halten, in Autos oder auf Segelbooten, wo der Nutzer keine Hand zur Steuerung frei hat."
Zur Eroberung unseres Alltags, als sinnvolle Alternative oder Ergänzung zu Tastatur und Multitouch, müssen Sprachinterfaces noch einige Hindernisse nehmen.

Versprechungen und Versprecher: Fallstricke für Sprach-Interfaces

Die existierenden Fallstricke für den Markterfolg von Sprachinterfaces sind sowohl psychologischer als auch technischer Natur.

• Verbindungsprobleme:
  Je nach Komplexität der Aufgabe benötigen Spracherkennungsdienste noch eine Internetverbindung - so arbeitet die beliebte und weitgehend zuverlässige App Dragon Dictation  , eine Sprache-zu-Text-Anwendung für Smartphones, nur online. Das ist notwendig, weil Dragon Dictation auf eine Semantik-Datenbank zugreifen muss, die anhand von Wortgruppen die Bedeutung eines gesprochenen Wortes erkennt.
  
  

  Bild: Xing.com

  Dieu Hao Abitz, Geschäftsführerin Abitz.com GmbH

  Sagt der Nutzer etwas, das sich anhört wie "Pilts", so kann damit das Ding aus dem Fass oder das aus dem Wald gemeint sein. Sagt der Nutzer kurz davor oder danach das Wort "Wirt", "Kneipe" oder "Trinken" kann die semantische Online-Überprüfung dem Diktierprogramm sagen: Schreibe "P-I-L-S" (und nicht "P-I-L-Z"), denn der Nutzer wird wahrscheinlich das Getränk meinen. Offline streiken solche Programme - also etwa in Liften, Unterführungen, vielen Transportmitteln und sonstigen blinden Flecken des drahtlosen Internets, was zu Nutzerfrust führt. Dieses Problem wird nur durch eine lückenlose Netzabdeckung oder lokale Verfügbarkeit der Daten lösbar sein - wenn Handys so groß sind, um die gigantischen semantischen Datenbanken komplett aufzunehmen.
  Und es hat einen weiteren Nachteil, dass viele Anwendungen aktuell noch Onlinestatus benötigen. Der Onlinestatus wird umso verzichtbarer, je kleiner das Vokabular ist, das eine Anwendung beherrschen muss: Ein Navigationssystem etwa muss anstatt aller Wörter einer Sprache hauptsächlich nur Orts- und Straßennamen sowie Hausnummern erkennen können. Das erlaubt die lokale Speicherung der Referenzbibliothek an zu erkennenden Wörtern und ihrer Phonetik.
  

• Sprachprobleme:
  Siris semantische Datenbank Wolfram Alpha ist nur auf Englisch wirklich stark. Obwohl Siri auch auf Deutsch arbeitet, kommen Nutzer in Deutschland nur eingeschränkt in den Genuss des vollen Potenzials. Ein grundsätzliches Problem: die Funktion semantisch gestützter Sprachinterfaces ist immer abhängig davon, ob es das nötige, semantische Datenmaterial in entsprechender Übersetzung gibt. Und dabei gehört Englisch - Siris stärkste Sprache - noch zu den einfachsten Mundarten der Welt. Deutsch ist bereits deutlich komplexer - ganz andere Probleme werden etwa agglutinierende Sprachen mit sich bringen, bei denen aus Adjektiven und Nomen immer längere und längere Sprachungetüme zusammengeklebt werden. Die sind dann auch schwieriger zu verstehen. Oder was wird mit Sprachen sein, in denen die Wortbedeutung von der Wortbetonung abhängt - all das wird den Interfaces noch Probleme bereiten.
  
• Datenschutz:
  "Auf mobilen Lösungen wie etwa Smartphones diktierte Texte müssen erst über einen Server wandern. Daher ist es heikel, hier Spracherkennungslösungen für vertrauliche oder sogar geheime Informationen einzusetzen", sagt Dieu Hao Abitz von Abitz.com  , einem Unternehmen, das sich auf die Kombination von IT- und Spracherkennung spezialisiert hat.
  
• Technikschlacht:
  Sprachinterfaces fressen Unmengen an Speicherplatz, obendrein sind viele Endgeräte für komplexere Anwendungen rund um Sprache noch zu langsam.
  
• Fehlende Innovationsbereitschaft der Nutzer und Widerstand der Gatekeeper:
  "Die größte Wachstumsgrenze ist der Benutzer selber", glaubt Spracherkennungsexperte Detlev Artelt: "Deutschland ist ein Land der Ingenieure - wir erfinden alles mögliche und haben zugleich eine sehr verhaltene Akzeptanz für Change-Management". Dieu Hao Abitz glaubt darüber hinaus: "Besonders in den Sekretariaten wird es Widerstand geben - kein Wunder: Dort sind die Menschen stolz, wie schnell sie mit Zehn-Finger-System schreiben können und werden ihre Expertise nicht leichtfertig für ein Spracherkennungssystem aufgeben".
  Um diesen Wandel zu fördern, ist es nötig, Business-Anwender und Nutzer an die Hand zu nehmen und den Wandel zu vermitteln - eine große Aufgabe für Hersteller, Entwickler und Personalverantwortliche. Die Überzeugungsarbeit rund um Sprachtechnologie wird der Forschungsarbeit in nichts nachstehen.
  

Eingabe- und Ausgabelösungen: Sprache als Kern innovativer Interfaces

Macht Apple alles richtig, so wird Siri einen Ideenwettbewerb auslösen: Die spannenden Apps kommen auf den Markt, die das Leistungsspektrum des Sprachassistenten ergänzen, zum schlauen Agenten ausbauen oder sogar Entertainment-Anwendungen aufzeigen.

Zehn Anwendungsgebiete für intelligente Sprachlösungen
Anwendung	Verbindungsstatus	Per Sprache gelöste Aufgaben	Zeitfenster / Wahrscheinlichkeit
1. Diktat-Lösungen wie Dragon Dictation	Online	Sprache wird zu Text verwandelt Sprachvorteil: Geschwindigkeit, ideal zum massenhaften Erfassen von Datenbeständen (besonders durch ungeschulte Kräfte)	Gegenwart
2. Mobile Dolmetscher wie Jibbigo	Online, erste Offline-Ansätze	Übersetzung von diktierten Texten von der einen in die andere Sprache mit anschließender Sprachausgabe: der Dolmetscher für die Hosentasche. Sprachvorteil: Geschwindigkeit; die Sprachausgabe umgeht Ausspracheprobleme	Gegenwart
3. Automobile Applikationen wie sprachsteuerbare Navigationssysteme	Offline	Sprache als Fernbedienung - der Fahrer steuert das Radio, programmiert Zieleingaben im Navi, schreibt SMS an Kontakte und so weiter. Sprachvorteil: Ein zusätzlicher Eingabekanal entsteht, der mit beiden Hände am Lenker nutzbar ist	Gegenwart
4. Mobile Organisation wie sie Siri bereits bietet	Online	Setzen und Verschieben von Terminen, Vorlesen und Verfassen von Nachrichten, Einrichten kleinerer Aufgaben (Timer stellen), Abfrage festgelegter Online-Services (Wetter, Navigation, Börsendaten) Sprachvorteil: Löst das Problem mobiler Eingabe-Interfaces (Tastaturen zu klein und nervig), beim Joggen freihändig bedienbar	Gegenwart
5. Sprach-Agenten	Online	Beliebige, komplexe Aufgaben können über Spracheingabe erfasst und dank semantischer Intelligenz verstanden werden - "Bestelle mir das neue Stephen-King-Buch bei Amazon   und bezahle mit Kreditkarte!" Sprachvorteil: Sprache ist die einfachste Art, komplexe Tasks zu formulieren - keine Konfiguration anstrengender Wenn-dann-Befehlsketten ist nötig	Drei bis fünf Jahre / 90 Prozent
6. Ambient Living Lösungen existieren unter anderem von der European Media Laboratory GmbH   - und sind eher auf Messen zu besichtigen	Online wünschenswert / Offline realisierbar	Stationäre Lösung für das eigene Heim: Ein- und Ausschalten von Licht, Kaffeemaschine, Spüle und Trockner..., Regeln der Heizung, Regulieren der Lichtstimmung, des Fernsehers oder CD-Players. Sprachvorteil: Nie wieder aufstehen und die Fernbedienung holen müssen. Enorme Verbesserung der Lebensqualität für gebrechliche oder behinderte Menschen, die andere Interfaces nicht mehr bedienen können	Drei Jahre und länger / 85 Prozent
7. Sprach-Biometrie wie sie Hersteller wie Nuance  , Aixvox und andere anbieten.	Offline	Sprache als personalisierte, nicht fälschbare PIN und Zugangscode: Sprache regelt als Schlüssel den Zugang zu Gebäuden und öffnet das eigene Auto. Sie entriegelt das Handy oder ist meine Identifikation beim Onlinebanking. Besonderes und neues Potenzial ergibt sich aus dem Mega-Trend Cloud Computing: Das steigende Schutzbedürfnis für eigene Daten schafft neue Nachfragen nach Sprach-Biometrie. Sprachvorteil: Sprache ist nicht fälschbar und anders als PINs nicht verlier-, klau- oder kopierbar. Gegenüber anderen fälschungssicheren Lösungen wie Fingerabdruck- und Retina-Scan überzeugt Spracherkennung durch vergleichsweise niedrige Kosten	Breite Marktdurchdringung: ab drei Jahre / 80 Prozent
8. Sprach-Entertainment/-Gaming wie der interaktive Horror-Film von 13th Street	Offline	Sprachsteuerung unterstützt die Illusion: dort, wo in Filmen oder Spielen gesprochen wird, kann auch der Nutzer sprechen: Er redet auf Spielfiguren ein, die sich dementsprechend verhalten - bei Kriegsspielen könnte er etwa Kommandos an die untergebenen Soldaten ausgeben. In Filmen ist es schwieriger, den Zuschauer in die Handlung zu integrieren. Sprachvorteil: Eine weitere Dimension neben der visuellen dritten wird eröffnet - wer via Sprache mit den Protagonisten einer Fiktion interagiert	Gaming: 70 Prozent Film: 40 Prozent
9. Self-Service-Assistenten	Online	Eine "multimodale" Lösung: Ein sprechender, virtueller Assistent mit menschlichem Antlitz begleitet Kunden durch die Service-Bereiche von Firmen. Er hilft etwa, das Internet zu konfigurieren: Der Nutzer stellt Fragen und beschreibt Probleme. Dazu sieht er auf dem Bildschirm einen menschlichen Avatar - mit Mimik, der seine Tipps und Anleitungen via Sprachausgabe weitergibt. Größte Wachstumsbremse: Verbraucher hassen Sprachsteuerung in Servicehotlines - daher muss ein Sprachassistent vor der Anwendung im Kundenservice perfekt funktionieren und über menschliche Qualitäten verfügen. Sprachvorteil: Dank Semantik und Sprachausgabe führt der Kunde einen Kundendialog, welcher komfortabler und emotionaler ist, als das enervierende Stöbern ins FAQs	Fünf Jahre / 65 Prozent
10. (Sprachgesteuerte) Sprachsynthese	Online	Beide Welten - Sprachsteuerung und -synthese - treffen sich, wie bereits in Siri auf niedrigem Level angelegt. Eine mit der Stimme navigierbare Lösung, die jeden beliebigen Text vorliest und dabei sogar Sprecherrollenverteilungen in literarischen Texten durch verschiedene Stimmen abbildet, männliche von weiblichen Figuren in E-Books unterscheiden kann. Der Nutzer kann per Stimme vor- und zurückspringen, Lautstärken oder Sprecherstimmen beeinflussen. Sprachvorteil: Die Verwendung von Sprache bei Ein- und Ausgabe erschließt die Welt der Texte und ihre Navigation für sehbehinderte Menschen. Doch auch darüber hinaus würde eine intelligente Sprachsynthese einen weiten Hörbuchmarkt erschließen: Jeder Text kann hörbar gemacht werden.	Mehr als fünf Jahre 45 Prozent

Damit ein so breiter und vielfältiger Markt an Sprachinterfaces im Mainstream entsteht, müssen innere und äußere Umstände jedoch stimmen. Der Nutzer muss mitspielen und die Killer-Applikationen müssen auf den Markt kommen - Siri ist davon allenfalls die erste. Vier Szenarien sind denkbar, wohin sich die Zukunft von semantisch gestützter Sprachsteuerung entwickelt.

Vier Szenarien für die Zukunft sprachgesteuerter Anwendungen
Aktiv-Szenario	Star-Trek-Szenario Begünstigt durch den wachsenden Mobile-Trend wenden sich Nutzer dem alternativen Eingabetool Sprache zu. Es erlaubt den Verzicht auf die umständlichen Touch-Screen-Tastaturen. Verstärkt wird der Trend durch clevere Apps, die die Stärke der Sprache ausnutzen: in Sekunden Bedeutungsnuancen auszudrücken, für die lange und komplizierte Klickstrecken durch Menüs nötig wären ("Verschiebe das Farbspektrum des JPEG-Bildes Richtung lindgrün"). Semantisch hochkomplexe Agentenlösungen sind die Killer-Apps, die den Run auf Sprachlösungen zusätzlich anfeuern. Am anderen Ende des Nutzerspektrums stehen alte Menschen - die sind zwar wenig technikaffin, erkennen aber Komfort und Freiheiten, die sie durch Ambient-Living-Lösungen erhalten. Nutzer steuern vorwiegend mittels Sprache - wie bei Star Trek. Wahrscheinlichkeit: 40 Prozent	Sprachlos trotz App-Offensive Apple und die Industrie machen Druck und bemühen sich nach Kräften, interessante Siri-Upgrades / Sprach-Applikationen auf den Markt zu werfen. Das entscheidende Versäumnis jedoch: Die Industrie erkennt nicht, dass der Wechsel von Touchscreen zu Tastatur ein erheblicher Paradigmenwechsel ist - die Masse der Nutzerschaft muss darauf vorbereitet und beim Wechsel an die Hand genommen werden. Es bleiben erklärende Marketingkampagnen und Youtube-Videos aus, die Berührungsängste mit Sprach-Tools verringern. Ebenso eine breite Marketing-Offensive in der jungen Zielgruppe, die für Änderungen besonders offen ist - deswegen bleibt der Nutzer, der mit seinem mobilen Gerät spricht der Exot, eine Adoption der neuen Technik durch breite Nutzerkreise bleibt trotz interessanter Anwendungen aus. Wahrscheinlichkeit: 20 Prozent
Passiv-Szenario	Das Angebot ver-appt Klarer Fall: Wenn einer die Marketingmacht hat, Menschen für das Gespräch mit einem Stück Plastik zu begeistern, dann Apple. Doch die Initialzündung verpufft ohne Folgen, weil die interessanten Anwendungen ausbleiben. In den Monaten nach Siri kommen allenfalls ein paar Gimmicks auf den Markt - doch sprachsteuerbare Apps mit echtem Mehrwert bleiben aus: Die Agentenlösungen, die den ausgesprochenen Reisewunsch zur Buchung machen, die Anwendungen für das intelligente, von Barrieren befreite Heim bleiben ebenso aus. Siri wird der vielversprechende Start, an den die Entwickler dieser Welt anzuknüpfen verpassen. Und dabei wären die Nutzer durchaus interessiert gewesen. Wahrscheinlichkeit: 30 Prozent	Siri, Freund der Nerds Sowohl fehlende, vielversprechende Applikationen fehlen, als auch eine breite Akzeptanz in der Nutzerschaft. Keiner erklärt den skeptischen Nutzern, warum sie mit einer imaginären Frau in ihrem Handy sprechen sollten - vor allem gibt es aufgrund fehlender Anwendungen keinen Grund es zu tun. Siri bleibt ein Tool für Sprachsteuerungsnerds, die es toll finden, im echten Leben einen Gegenstand zu besitzen, wie sie ihn sonst nur aus "Star Trek" kannten. Doch das handtellergroße, sprachsteuerbare Gerät, das sich breit durchsetzt, bleibt Science-Fiction - in der Realität kommen Siri und seine Nachfolger nicht an, Multitouch und Keyboard bleiben die Interfaces der Welt. Wahrscheinlichkeit: 10 Prozent
	Best-Case-Szenario	Worst-Case-Szenario