E-Learning-Stimmen: TTS oder Sprachaufnahmen?

Beim Erstellen von E-Learning-Plänen muss unbedingt darauf geachtet werden, dass die Materialien auch Audio-Komponenten enthalten. Experten für Learning & Development (L&D) wissen genau, dass Audio-Elemente unverzichtbar sind. Beim Hören können die Lernenden wichtige Punkte oder ganze Abschnitte besser aufnehmen.

Dadurch verbessern sich in vielen Fällen die Ergebnisse, z. B. bei Personen mit Dyslexie oder Sehbeeinträchtigungen. Aber auch Menschen, die Probleme beim Lesen und Schreiben haben oder die eine Fremdsprache lernen, haben Vorteile. Und sogar viel beschäftigte Geschäftsleute und Vielreisende schätzen die Alternativen zu geschriebenen Texten. Schließlich haben verschiedene Studien gezeigt, dass sich durch eine bimodale Ausgabe (z. B. akustisch und visuell) der Abruf von Erlerntem, das Leseverständnis, das Einprägen und die Dekodierfähigkeit verbessern.

Womit aber soll man beginnen, wenn die Entscheidung für eine Integration von Audio-Elementen in E-Learning-Materialien gefallen ist?

Es gibt zwei Möglichkeiten: Sie können für die Audio-Inhalte entweder Sprecher*innen engagieren oder aber auf Text-to-Speech-Technologie (TTS) setzen. In der Regel ist TTS die bessere Wahl, wie mehrere Studien belegen.

Aufnahmen mit Sprecher*innen sprengen Ihren Kostenrahmen für multimediale Lerninhalte? Lebensechte TTS-Stimmen von ReadSpeaker bieten eine Lösung. Nehmen Sie Kontakt mit uns auf und erfahren Sie mehr.

E-Learning-Stimmen: Probleme bei menschlichen Sprecher*innen

In der Vergangenheit wurden für Audio-Inhalte meist professionelle Sprecher*innen engagiert. Dieses Verfahren ist allerdings recht kompliziert: Bei der Entwicklung müssen sämtliche Aspekte – von den Gagen der Sprecher*innen über ihre Verfügbarkeit bis hin zu Akzent, Geschlecht und Sprache – berücksichtigt werden.

Nicht selten ergibt sich daraus ein riesiger Zeit- und Kostenaufwand, der weit über die Möglichkeiten eines Unternehmens hinausgeht. Vor allem dann, wenn mehrere Stimmen und Sprachen erforderlich sind.

Manche Unternehmen setzen deshalb bei der Erstellung von Audio-Inhalten auf eigene Ressourcen. Aber auch das hat Nachteile. Was, wenn Beschäftigte das Unternehmen verlassen oder krank werden? Solche unvorhergesehenen Faktoren führen dazu, dass die geplanten Aufnahmen nicht durchgeführt werden können und das laufende Projekt sich verzögert. Noch dazu sind nicht alle Unternehmen in der Lage, in eigener Regie Übersetzungen von Inhalten für eine mehrsprachige Belegschaft bereitzustellen.

Die Vorteile von TTS-Stimmen für E-Learning

Für Unternehmen, die die Kosten minimieren und maximale Konsistenz und Qualität gewährleisten möchten, gibt es eine einfache Lösung: TTS. Diese Technologie liefert eine konsistente und wiedererkennbare Stimme für sämtliche E-Learning-Inhalte.

Mit Text-to-Speech können Audio-Inhalte jederzeit bearbeitet werden, ohne dass zusätzliche Kosten für ein Studio oder eine*n Sprecher*in anfallen. Und dank neuester Entwicklungen bei der Sprachsynthese sind inzwischen sogar Änderungen bei der Tonhöhe, der Betonung, der Sprechgeschwindigkeit und den Pausen möglich. So sind die lebensechten Stimmen auch zu echten Emotionen in der Lage und sorgen beim Vorlesen für ein ansprechendes Erlebnis.

In einer neueren Studie wurde beleuchtet, warum Entwickler von Unterrichtsmaterial sich beim E-Learning für TTS anstelle von menschlichen Sprecher*innen entscheiden. Die Gründe waren sehr unterschiedlich. Einig war man sich aber darin, dass TTS einfacher in der Pflege und Aktualisierung ist. Ein Teilnehmer hatte in der Vergangenheit mit menschlichen Sprecher*innen diese Erfahrung gemacht:

„Es hat sich gezeigt, dass der Mehraufwand bei der Produktion, die Planung und die Notwendigkeit, für kleine Korrekturen wie den richtigen Ton ganze Abschnitte neu aufzunehmen, zeitlich und in Bezug auf die Kosten nicht mehr zu stemmen waren.“

Mit TTS haben Sie die volle Kontrolle über die Erstellung von Sprachinhalten für E-Learning-Materialien.

Beim E-Learning bietet TTS eine Vielzahl von Optionen. So können Sie:

1. Inhalte in mehreren Sprachen für eine vielfältige Belegschaft erstellen,
2. zu einem Bruchteil der Kosten für Sprecher*innen mit mehreren Stimmen arbeiten,
3. Skripts für die Aufnahme der Endprodukte mit menschlichen Sprecher*innen erstellen,
4. Audio-Inhalte streamen oder Text-to-Speech lokal in mobile Anwendungen, installierte Software oder Hardware integrieren, damit alle mit einem Klick auf den Button Vorlesen Ihre digitalen Inhalte anhören können.

Bei alledem stellt sich natürlich noch eine wichtige Frage: Ist E-Learning mit einer TTS-Stimme genauso effektiv wie mit Aufnahmen von menschlichen Stimmen?

Mit dieser Frage haben sich mehrere Wissenschaftler beschäftigt und ihre Ergebnisse mögen manch einen durchaus überraschen.

Untersuchungen zeigen: TTS-Stimmen sind beim Lernen genauso effektiv wie menschliche Stimmen

2017 haben die Wissenschaftler Scotty D. Craig und Noah L. Schroeder den Artikel “Reconsidering the voice effect when learning from a virtual human” (Neubewertung des Effekts der Stimme beim Lernen mit virtuellen Menschen) veröffentlicht.

Für die Studie wurden die klassische Speech Engine von Microsoft als Grundlage und die Stimme „Kate“ von NeoSpeech (inzwischen zu ReadSpeaker gehörend) als Vertreterin moderner Engines verwendet. Zu Kontrollzwecken kam eine menschliche Stimme zum Einsatz. Animierte „virtuelle Menschen“ präsentierten mit jeder der Stimmen einer Gruppe von Lernenden Informationen.

Dabei hat sich gezeigt, dass die Leistungen der modernen TTS-Stimme genauso gut oder sogar besser waren als die der menschlichen Stimme. Ein Fazit lautet unter anderem:

„Die moderne Sprach-Engine zeigt erheblich bessere Leistungen beim Lerntransfer sowie eine höhere Effektivität beim Training und wurde in Sachen Lernunterstützung und Glaubwürdigkeit genauso gut bewertet wie die menschliche Stimme. Die ältere Speech Engine konnte mit diesen Leistungen nicht mithalten. Die Ergebnisse stellen somit Studien mit älteren Sprach-Engines und den darin postuliertenStimmeffekt in Frage.” (Hervorhebung durch uns)

Diese Erkenntnis widerspricht also früheren Annahmen aus Vergleichen zur Wirkung von menschlichen und synthetischen Stimmen im Bildungswesen. Der sogenannte Stimmeffekt wurde also widerlegt. Was aber bedeutet das? Und warum ist der Effekt dank fortschrittlicher TTS-Technologie nicht mehr relevant?

Ein neuer „Stimmeffekt“ beim E-Learning

Beim Stimmeffekt (auch Stimmgrundsatz genannt) handelt es sich um eine Theorie von Richard E. Mayer, Professor für Psychologie an der University of California in Santa Barbara. Im Cambridge Handbook of Multimedia Learning führt Mayer aus:

„Der Stimmgrundsatz besteht darin, dass Menschen besser lernen, wenn die Wörter in einer multimedialen Botschaft von einer menschlichen anstelle einer maschinellen Stimme gesprochen werden.“

Für diese Schlussfolgerung hatte Mayer überzeugende Beweise vorgelegt. Allerdings sind vier der Studien, die den Stimmeffekt belegen, inzwischen mindestens 10 Jahre alt. In der Zwischenzeit hat sich die Sprachtechnologie rasant weiterentwickelt und text-to-speech software stark verbessert.

Frühe Untersuchungen von Mayer et al., vor allem die Studie „Multimedia learning: Role of speaker’s voice“ (Multimediales Lernen: die Rolle der Sprecherstimme) aus dem Jahr 2003, haben tatsächlich ergeben, dass menschliche Stimmen besser abschnitten als synthetische. Eine vergleichbare Studie von Mayer und DaPra aus dem Jahr 2012 mit fortschrittlicherer Sprachtechnologie ergab hingegen keine Lernunterschiede zwischen menschlichen und synthetischen Stimmen. Es ist also anzunehmen, dass der Stimmeffekt nicht mehr existiert.

Und Mayer, der Begründer der Theorie zum Stimmeffekt, ist nicht der einzige, der das erkannt hat.

Weiter oben haben wir bereits den Artikel „Reconsidering the voice effect when learning from a virtual human“ von Craig und Schroeder aus dem Jahr 2017 erwähnt. Im Jahr darauf haben die beiden die Folgestudie „a href=“https://journals.sagepub.com/doi/full/10.1177/0735633118802877″ target=“_blank“ rel=“noopener“>Text-to-Speech Software and Learning: Investigating the Relevancy of the Voice Effect” (Text-to-Speech-Software beim Lernen: eine Untersuchung der Relevanz des Stimmeffektes) veröffentlicht.

Dabei wurde erneut die Leistung einer modernen TTS-Stimme mit der einer älteren Speech Engine und der einer menschlichen Stimme verglichen. Und wieder ergaben sich keine statistisch relevanten Unterschiede bei „Aufnahme, Lernergebnissen und kognitiver Leistungsfähigkeit“ der Lernenden.“

Craig und Schroeder kommen somit zu folgendem Fazit:

„Unsere Ergebnisse lassen darauf schließen, dass Software-Technologien inzwischen so weit sind, dass sie Botschaften für multimediale Lernumgebungen glaubhaft und effektiv vermitteln können.“

Seither sind fast fünf weitere Jahre vergangen. Die Entwicklung der TTS-Technologie ist inzwischen weiter vorangeschritten. Die TTS-Stimmen von heute sind noch lebensechter als diejenigen, die Craig und Schroeder untersucht haben.

Für Bildungseinrichtungen und Entwickler von Unterrichtsmaterialien hat das weitreichende Konsequenzen. Mit einer dynamischen Aktualisierung sind TTS-Lösungen kosteneffizienter und viel schneller als Aufnahmen von menschlichen Stimmen. Und wenn sie auch noch genauso gut oder sogar besser funktionieren, ist die Entscheidung für E-Learning-Entwickler wohl klar.

Fortlaufende Studien haben inzwischen ergeben, dass Stimm-Engines ein Level erreichen, das einen Einsatz auch für Lerntechnologien möglich macht. Somit können mithilfe synthetischer Stimmen dynamischere und kostengünstigere Lerntechnologien für bessere Lernergebnisse entstehen. Bei der Entwicklung von E-Learning-Materialien sind TTS-Stimmen also die beste Wahl.

TTS-Stimmen von ReadSpeaker für E-Learning

ReadSpeaker entwickelt mit Leidenschaft die fortschrittlichsten hochwertigen TTS-Stimmen. Nicht umsonst werden die TTTS-Stimmen von ReadSpeaker von Branchenkennern als die genauesten auf dem Markt bewertet.

In einem Prozess aus mehreren Phasen entstehen bei uns Stimmen, deren Klang sich nicht von menschlichen unterscheidet. Die Grundlage dafür sind echte Sprachaufnahmen. Diese werden ausgewertet und verarbeitet. Mithilfe eines Rich Markup werden Wörter, Phoneme und Betonungen analysiert. Dabei kommt eine leistungsfähige Kombination aus künstlicher Intelligenz und Technologien für maschinelles Lernen zum Einsatz. All diese fortschrittlichen Methoden werden durch die Expertise von Sprachwissenschaftlern ergänzt.

ReadSpeaker bietet aber nicht nur erstklassige TTS in über 50 Sprachen und mit mehr als 200 Stimmen, die sämtlichen Kundenanforderungen gerecht werden. Unser Angebot umfasst außerdem:

• Standard- und individuelle Aussprachewörterbücher
• Prosodie-Anpassung und SSML-Support
• fortlaufende Unterstützung durch eigene Linguisten zur kontinuierlichen Verbesserung der TTS-Aussprache

Sie möchten mehr darüber erfahren, wie ReadSpeaker Ihre e-Lerninhalte aufwerten kann? Zum Beispiel mit Sprachproduktion, Online-Web-Reading oder eingebetteten Text-to-Speech-Lösungen für jedes erdenkliche E-Learning-Projekt?

Dann nehmen Sie am besten gleich Kontakt mit uns auf und erfahren Sie, wie TTS-Stimmen beim E-Learning für bessere Ergebnisse sorgen.