Ein Roboter „spricht Vietnamesisch“ erst dann überzeugend, wenn er unter realen Bedingungen zuhört, den Satz richtig transkribiert, sinnvoll antwortet und verständlich ausgibt. Eine schöne Stimme allein reicht nicht. Vietnamesische Töne, regionale Aussprache, Eigennamen, Zahlen und der Wechsel zwischen Vietnamesisch, Deutsch und englischen Technikbegriffen machen die gesamte Kette entscheidend.
Technische Anleitung auf Basis öffentlich dokumentierter Modelle und Sprachdienste. WahlTop verspricht keine perfekte Erkennungsquote; jedes Modell wird mit demselben eigenen Satzsatz, Mikrofon und Raum verglichen. Cloud-Dienste können Kosten und Datenübertragung verursachen.
Die vier Stufen müssen getrennt geprüft werden
Vor der Spracherkennung entscheidet eine Voice-Activity-Detection, ob überhaupt gesprochen wird. Für den ersten Prototyp ist eine Sprechtaste oft zuverlässiger als ein Wakeword: Sie vermeidet, dass der Roboter durch Fernseher oder eigene Lautsprecher aktiviert wird. Erst nach einem stabilen Audioweg lohnt sich ein vietnamesisches Aktivierungswort.
Speech-to-Text erzeugt eine Transkription. Whisper ist mehrsprachig; PhoWhisper wurde speziell für Vietnamesisch trainiert. Google Cloud und Azure listen Vietnamesisch ebenfalls für Spracherkennung und Sprachsynthese. Daraus folgt aber nicht, dass alle Varianten auf demselben Mikrofon, Akzent oder Raspberry Pi gleich gut laufen. Verfügbarkeit, Modellnamen und Preise müssen vor dem Einsatz in der jeweiligen Dokumentation geprüft werden.
| Stufe | Typischer Fehler | Messwert |
|---|---|---|
| Mikrofon/VAD | Satzanfang abgeschnitten, Lüfter wird als Stimme erkannt | Pegel und Zahl falscher Aktivierungen |
| STT | Töne, Namen oder Zahlen falsch transkribiert | Wort-/Satzfehler im festen Testsatz |
| Dialog | Richtiger Text, aber unpassende Antwort | Erfüllte Absicht und Antwortgrenze |
| TTS | Aussprache korrekt, aber zu leise oder blechern | Verständlichkeit in 80 cm Abstand |
| Gesamtsystem | Antwort fühlt sich langsam an | Zeit vom Satzende bis zum ersten Ton |
Lokal, Cloud oder hybrid: Drei unterschiedliche Kompromisse
Lokal bedeutet nicht automatisch offline und privat. Modell, Protokolle und Updatepfad müssen ebenfalls lokal bleiben. Dafür kontrolliert man Audiodaten und laufende Kosten besser, benötigt aber genügend Rechenleistung, Speicher und ein Modell, das auf der eigenen Hardware schnell genug ist. Ein Raspberry Pi kann kleine oder optimierte Modelle ausführen; große Konfigurationen können deutlich zu langsam sein.
Cloud-Dienste lassen sich schnell vergleichen und bieten fertige vietnamesische Stimmen, übertragen jedoch Audio oder Text an einen Anbieter. API-Schlüssel gehören nie in Browser-Code oder öffentliches Git. Ein hybrider Aufbau kann STT lokal ausführen und nur bereinigten Text an einen Dialogdienst senden, oder umgekehrt. Datenschutz und Ausfallverhalten werden pro Stufe festgelegt, nicht mit einem einzigen Etikett.
| Ansatz | Vorteil | Grenze | Geeignet für |
|---|---|---|---|
| Lokal | Audio bleibt kontrollierbar, offline möglich | Mehr Einrichtung und begrenzte Pi-Leistung | Private Befehle, reproduzierbare Basis |
| Cloud | Schneller Start, breite Stimmwahl | Internet, Kosten und Datenübertragung | Vergleichsprototyp mit Zustimmung |
| Hybrid | Kritische Datenstufe lokal wählbar | Komplexere Fehler- und Datenschutzgrenzen | Schrittweise Optimierung |
Was Vietnamesisch im Test schwierig macht
Ein Testsatz darf nicht nur aus kurzen, sauber gesprochenen Standardsätzen bestehen. Nord-, Zentral- und Südaussprache, leise und schnelle Stimmen sowie typische Räume müssen vertreten sein. Besonders aufschlussreich sind Personennamen, Ortsnamen, Uhrzeiten, Maße, Produktnamen und Sätze mit englischen Begriffen wie Raspberry Pi oder Wi-Fi.
Die Transkription wird nicht nur nach jedem Akzentzeichen bewertet. Entscheidend ist, ob die Absicht erhalten bleibt. Aus „bật đèn bàn“ darf nicht „tắt đèn bàn“ werden, weil genau ein Wort die Aktion umkehrt. Sicherheitskritische Befehle benötigen zusätzlich eine Bestätigung und dürfen nicht allein durch ein unsicheres Sprachmodell ausgelöst werden.
- Mindestens zehn feste Sätze verwenden und Modellversion, Mikrofon, Abstand und Raum mitprotokollieren.
- Gegensatzpaare wie bật/tắt sowie Zahlen und Einheiten gezielt aufnehmen.
- Eigennamen in einem separaten Wörterbuch oder Kontextfeld hinterlegen, sofern der Dienst dies unterstützt.
- Bei gemischter Sprache nicht automatisch übersetzen, wenn Produktname oder Befehl unverändert bleiben muss.
- Antworttexte kurz halten; lange TTS-Ausgaben verschärfen Echo und Wartezeit.
Ein reproduzierbarer Aufbau für den ersten Vergleich
- Audioaufnahme festlegen
16-kHz-Mono ist für viele Sprachmodelle ein sinnvoller Ausgangspunkt; die konkrete Modellanforderung bleibt maßgeblich.
- Gold-Transkript anlegen
Jeder Testsatz erhält die erwartete Schreibweise und die gewünschte Absicht, etwa Licht einschalten oder Temperatur nennen.
- Zwei STT-Wege vergleichen
Zum Beispiel Whisper/PhoWhisper lokal gegen einen Cloud-Dienst – mit identischer WAV-Datei statt neuer Aufnahme.
- Latenz pro Stufe messen
Satzende, fertige Transkription, Antworttext und erster TTS-Ton erhalten Zeitstempel.
- TTS blind beurteilen
Mehrere vietnamesische Personen hören dieselben Ausgaben ohne Kenntnis des Dienstes und markieren unklare Wörter.
- Echo absichern
Während der Roboter spricht, Mikrofon pausieren oder Echo-Unterdrückung verwenden; danach Wakeword separat testen.
- Datenweg dokumentieren
Festhalten, welche Audiodatei, Transkription und Logs gespeichert oder an welchen Anbieter gesendet werden.
Stärken
- Vietnamesische STT- und TTS-Optionen existieren lokal und als Cloud-Dienst.
- Eine modulare Pipeline erlaubt den Austausch nur der schwachen Stufe.
- Ein fester Testsatz macht Verbesserungen und Verschlechterungen sichtbar.
Grenzen und Nachteile
- Aussprachequalität hängt stark von Akzent, Mikrofon, Raum und Modellversion ab.
- Cloud kann laufende Kosten und Datenschutzpflichten verursachen.
- Lokale Modelle können auf Raspberry Pi zu langsam oder speicherintensiv sein.
FAQ zur vietnamesischen Robotersprache
Ist Whisper automatisch die beste Wahl?
Nein. Es ist ein starker mehrsprachiger Ausgangspunkt. PhoWhisper oder ein Cloud-Dienst kann beim eigenen Akzent und Mikrofon besser sein; nur derselbe Testdatensatz liefert einen fairen Vergleich.
Braucht der Roboter ein großes Sprachmodell?
Nicht zwingend. Für klar definierte Befehle sind Regeln oder ein kleiner Intent-Parser schneller und leichter zu kontrollieren. Ein LLM ist für offene Gespräche sinnvoller.
Kann TTS vollständig offline laufen?
Ja, mit einer lokalen Engine und verfügbarer vietnamesischer Stimme. Stimme, Lizenz, Hardwarebedarf und Wartungsstatus müssen vor der Integration geprüft werden.
Wie verhindert man, dass der Roboter sich selbst hört?
Für V1 ist Half-Duplex am einfachsten: Während TTS läuft, hört STT nicht zu. Später sind akustische Echo-Unterdrückung, Mikrofonposition und Lautsprecherpegel zu optimieren.