DeepL Aure: Was die Übersetzung mit Emotion im Alltag bringt

DeepL hat mit Aure ein neues KI-Modell für die Übersetzung gesprochener Sprache in Echtzeit vorgestellt. Es soll nicht nur Wörter übertragen, sondern auch Tonfall, Gefühlsausdruck, Betonung und Sprechgeschwindigkeit, und dabei weiter nach dem jeweiligen Sprecher klingen. Dieser Artikel erklärt, was dahintersteckt, wer im Alltag etwas davon hat und was Sie jetzt prüfen können.

Die kurze Antwort: Für die meisten Haushalte ändert sich vorerst nichts. Interessant wird Aure, wenn Sie regelmäßig mehrsprachige Videotelefonate führen oder Gespräche mit Kunden und Partnern im Ausland haben und Ihre Sprachen unter den acht unterstützten sind.

Wichtig vorab: Alle Angaben stammen von DeepL selbst und aus den Berichten von t3n und ComputerBase. Wir haben Aure nicht selbst ausprobiert und können deshalb nichts über die Qualität im Alltag sagen.

Was ist DeepL Aure und was soll sich ändern?

Aure ist ein neues Sprachmodell innerhalb von DeepL Voice, dem Echtzeit-Übersetzer des Unternehmens für gesprochene Sprache. Nach Angaben von DeepL ist es das bisher dynamischste Voice-Modell des Hauses. Das Prinzip: Jemand spricht, die KI übersetzt, und die Gegenseite hört das Ergebnis in ihrer Sprache.

Der Unterschied zu früheren Modellen betrifft vor allem die erzeugte Stimme. Laut t3n richtete sich diese bisher nach einem Muster, das früh im Gespräch aufgenommen wurde. Wurde jemand später begeistert, gestresst oder nachdrücklich, spiegelte sich das in der übersetzten Stimme kaum wider. Sie klang über das ganze Gespräch hinweg ähnlich.

Aure soll das ändern. Laut ComputerBase analysiert das System die Stimme fortlaufend und überträgt Änderungen bei Tonfall, Gefühlsausdruck, Betonung und Sprechgeschwindigkeit in die Zielsprache. Der individuelle Klang des Sprechers soll dabei erhalten bleiben. Außerdem lernt das Modell nach Angaben von DeepL während eines laufenden Gesprächs weiter dazu, anders als frühere Modelle.

Wie funktioniert das, ohne Fachchinesisch?

Eine Stimme besteht aus zwei Dingen. Das eine sind dauerhafte Merkmale: Wer spricht, wie hoch oder tief, mit welchem Timbre. Das andere ist der Ausdruck in der Situation: ob jemand ruhig, aufgeregt, fragend oder genervt klingt. Laut t3n trennt Aure diese beiden Ebenen technisch voneinander. So kann es den Klang der Person beibehalten und trotzdem laufend anpassen, wie sie gerade spricht.

Dazu kommt eine Aufbereitung des Tons. Hintergrundgeräusche, Echos und Verzerrungen sollen herausgefiltert werden. Das ist im Alltag relevant, denn Videocalls laufen selten im Studio, sondern am Küchentisch, im Großraumbüro oder im Zug.

Für die Genauigkeit der Übersetzung und die Aussprache nennt DeepL außerdem Reinforcement Learning. Gemeint ist ein Trainingsverfahren, bei dem ein Modell Rückmeldungen zu seinen Ergebnissen bekommt und sich daran verbessert.

Ein Hindernis nennt t3n ebenfalls: Für das Training wären mehrsprachige Aufnahmen derselben Person ideal, doch die gibt es selten. Wie DeepL dieses Problem im Einzelnen löst, ist aus den vorliegenden Berichten nicht ersichtlich.

Welche Sprachen und welche Anwendungen sind betroffen?

Zum Start unterstützt Aure acht Sprachen, darunter Deutsch, Englisch und Spanisch. Bis dahin arbeitet DeepL Voice bei allen anderen Sprachen mit den älteren Modellen. Eine Sprachkombination ohne Aure funktioniert also weiter, nur ohne die neue Ausdrucksübertragung.

Die Aktivierung ist unkompliziert: Aure wird ohne zusätzliche Einrichtung eingeschaltet, sowohl in der Voice-Anwendung von DeepL als auch über die Entwickler-Schnittstelle. Wer DeepL Voice bereits nutzt, bekommt das neue Modell also nach Angaben des Unternehmens automatisch, sofern die Sprachen passen. Wer Voice über eine eigene Software eingebunden hat, sollte beim Anbieter nachfragen, ob dort die neue Version läuft.

Welche Videokonferenz-Programme DeepL Voice direkt anbinden und was die Nutzung in Deutschland, Österreich und der Schweiz kostet, geht aus unserem Material nicht hervor.

Wer hat im Alltag etwas davon?

DeepL nennt als Einsatzfeld die internationale Unternehmenskommunikation: Verhandlungen, Kundengespräche und mehrsprachige Teams. Dort spielt Betonung eine große Rolle. Ein ruhiger Satz kann eine Zusage sein, derselbe Satz mit Nachdruck eine Warnung. Eine übersetzte Stimme, die über das ganze Gespräch gleich klingt, nimmt solche Nuancen weg.

Für Sie zu Hause ist das vor allem dann relevant, wenn Sie in einer dieser Lagen sind:

• Sie arbeiten im Homeoffice mit Kollegen oder Kunden, die eine andere Sprache sprechen.
• Sie führen Videotelefonate mit Geschäftspartnern oder Dienstleistern im Ausland.
• Sie betreiben ein kleines Unternehmen, etwa einen Onlineshop, und sprechen mit Lieferanten in einer der unterstützten Sprachen.

Nicht gedacht ist die Meldung für Menschen ohne Auslandskontakte. Wer nur gelegentlich einen Text übersetzt, braucht keine Echtzeit-Stimme. Das Material nennt außerdem keine Anwendung für Sprachassistenten im Haushalt oder für Smart-Home-Geräte. Wie solche Funktionen allgemein in den Alltag kommen, behandeln wir im Bereich Assistenten & Agenten.

Was sollten Sie jetzt konkret tun?

Wenn Sie zu den Betroffenen gehören, reichen ein paar Schritte. Mehr ist derzeit nicht nötig.

1. Sprachen prüfen: Gehören Ihre Gesprächssprachen zu den acht unterstützten? Nur dann kommt Aure zum Einsatz, sonst bleibt es beim älteren Modell.
2. Anwendung prüfen: Nutzen Sie DeepL Voice direkt oder über eine andere Software? Fragen Sie beim Anbieter nach, ob dort das neue Modell läuft.
3. Mit einem unkritischen Gespräch starten: Testen Sie die Funktion zuerst in einem Termin ohne Druck, nicht in der entscheidenden Vertragsverhandlung. Ob Betonung und Emotion richtig ankommen, können Sie nur selbst beurteilen.
4. Die Gegenseite informieren: Sagen Sie Gesprächspartnern, dass eine KI Ihre Stimme übersetzt. Das ist höflich und verhindert Irritationen, wenn die Stimme leicht anders klingt als Ihre.
5. Datenschutzangaben lesen: Lesen Sie nach, wie DeepL Ihre Gesprächsdaten behandelt, bevor Sie vertrauliche Inhalte übersetzen lassen (mehr dazu im nächsten Abschnitt).

Wer keine Auslandskontakte hat, muss nichts unternehmen.

Wie steht es um Datenschutz und Stimmdaten?

Nach eigenen Angaben speichert DeepL keine Gesprächsprotokolle dauerhaft. Das ist eine Aussage des Unternehmens, die wir nicht überprüfen konnten.

Dass Aure den individuellen Klang eines Sprechers erhalten soll, macht die Frage nach der Stimme besonders wichtig. Eine Stimme kann eine Person identifizieren, und deshalb gilt sie nach allgemeinem Verständnis als personenbezogenes Datum. Gerade bei Gesprächen mit Kunden oder Kollegen sollten Sie also wissen, wer die Gespräche verarbeitet und ob alle Beteiligten damit einverstanden sind. In Unternehmen gehört das in die Hände der Datenschutzbeauftragten.

Wer lieber lokal arbeitet, findet im Bereich Lokale KI Alternativen und Hintergründe. Ob Aure ganz oder teilweise auf den Servern von DeepL läuft, nennen die vorliegenden Berichte nicht.

Was ist noch offen, und was spricht für Vorsicht?

Der wichtigste Punkt: Alle Aussagen zur Qualität stammen vom Hersteller. Berichte von t3n und ComputerBase geben wieder, was DeepL beschreibt und wie die Technik aufgebaut ist. Unabhängige Messungen, etwa zur Verzögerung zwischen Sprechen und Übersetzung oder zur Fehlerquote bei Fachbegriffen, liegen uns nicht vor. Auch heise online und Caschys Blog haben über die Vorstellung berichtet.

Dazu kommen grundsätzliche Abwägungen. Wenn eine KI Emotionen überträgt, muss sie diese zuerst richtig erkennen. Erkennt sie Nachdruck als Ärger oder Zurückhaltung als Desinteresse, kann das die Gegenseite in die Irre führen. Ob und wie oft das bei Aure vorkommt, lässt sich aus dem Material nicht sagen.

Und noch eine Frage bleibt: Der Bericht über die Vorstellung nennt einzelne Punkte, die bislang offenbleiben.

Auch ein Lerneffekt während des Gesprächs hat zwei Seiten. Er kann die Stimme besser treffen, doch wie das Modell dabei mit sehr kurzen Gesprächen umgeht, ist nicht belegt.

Wie passt Aure in die Entwicklung bei KI-Werkzeugen?

Aure zeigt, in welche Richtung sich KI-Werkzeuge bewegen: weg von reinem Text, hin zu Sprache, Stimme und Ausdruck, und zwar in Echtzeit. Für Nutzer ist das praktisch, weil sie dafür nichts Neues installieren müssen, wenn die Funktion in der bestehenden Anwendung aktiviert wird.

Ähnlich verhält es sich bei anderen Anbietern, die KI-Funktionen in vorhandene Dienste einbauen. Ein Beispiel dafür ist unser Beitrag dazu, was Acrobat in Google Drive für den Alltag bedeutet. Weitere Einordnungen und Praxistipps finden Sie in unserem Bereich KI-Tools.

Ein Hinweis zur Regulierung: Stimmen, die täuschend echt klingen, werfen Fragen zu Transparenz und Missbrauch auf. Ob und welche Pflichten das für Anbieter und Nutzer in Deutschland, Österreich und der Schweiz bedeutet, haben wir im Material nicht gefunden. Aktuelle Entwicklungen sammeln wir unter KI-Regulierung.