Zum Inhalt
AMANi DUNiA research
DE

Die Fragen auf dieser Website haben KI-Sprachmodelle gestellt; auch die Erklärtexte und Übersetzungen stammen von KI-Modellen. Wer was geprüft hat, steht jeweils dabei. → Über die Fragen

← Alle bewerteten Quellen
deepmindohne Datum · Q004451

WaveNet

deepmind.google · Originalbericht öffnen ↗

Zusammenfassung

Kurz

Der Bericht beschreibt WaveNet als neuronales Sprachmodell, das Audiosamples Schritt für Schritt erzeugt und damit natürlichere Stimmen ermöglichen soll. Er nennt beschleunigte Sprachsynthese, den Einsatz in Google-Diensten und die Wiederherstellung einer synthetischen Stimme für Tim Shaw als Beispiele; die Zahlen und Wirkungsbehauptungen werden nicht näher methodisch belegt.

Mittel

Der Bericht stellt WaveNet als neuronales Modell zur Erzeugung natürlicher klingender Sprache vor. Frühere Text-to-Speech-Verfahren hätten Sprachaufnahmen aus einzelnen Lauten zusammengesetzt oder Vocoder eingesetzt; die Ergebnisse klängen oft mechanisch und Änderungen erforderten neue Aufnahmen. WaveNet sagt dagegen Audiosamples nacheinander voraus und soll dadurch auch Atem- und Lippenlaute, Intonation, Akzente und Emotionen abbilden. Für erste englische und chinesische Stimmen sei der Abstand zu menschlicher Sprache laut Bericht um 50 Prozent gesunken.

Anfangs habe die Erzeugung einer Sekunde Audio Stunden gedauert. Durch Destillation sei WaveNet 1.000-mal schneller geworden und habe eine Sekunde Sprache in 50 Millisekunden erzeugt. Das parallel entwickelte WaveRNN sei leichter und könne auch auf Mobiltelefonen laufen. Beide Technologien seien in Google-Dienste wie Assistant, Maps Navigation und Cloud Text-to-Speech eingeflossen; WaveNetEQ habe Duo-Anrufe verbessert. Als Beispiel nennt der Text Tim Shaw, dessen durch ALS beeinträchtigte Stimme mithilfe von WaveRNN, weiterer Sprachtechnik und archivierten Interviews rekonstruiert worden sei. Die Leistungs- und Wirkungsangaben sind im Bericht nicht durch nähere Messmethoden oder unabhängige Belege erläutert.

Ausführlich lesen

Der Bericht beschreibt WaveNet als einen von Google DeepMind entwickelten Ansatz zur Erzeugung natürlicher klingender Sprache. Ausgangspunkt sei, dass frühere Text-to-Speech-Systeme meist Sprachaufnahmen in einzelne Laute zerlegt und neu zusammengesetzt oder digitale Signalverarbeitung mit sogenannten Vocodern eingesetzt hätten. Die Stimmen hätten dadurch oft mechanisch geklungen und Störartefakte wie Knacken, Summen oder Pfeifen enthalten. Änderungen hätten zudem neue Aufnahmen erfordert und seien deshalb zeitaufwendig und teuer gewesen.

WaveNet gehe anders vor: Das generative neuronale Modell werde mit menschlicher Sprache trainiert und erzeuge Sprachwellenformen, indem es einzelne Audiosamples nacheinander vorhersage. Laut Bericht können dabei bis zu 24.000 Samples pro Sekunde entstehen. Das Modell bilde auch Merkmale wie Lippen- und Atemgeräusche sowie Intonation, Akzente und Emotionen ab. Bei der ersten Vorstellung seien amerikanisches Englisch und Mandarin-Chinesisch umgesetzt worden; dadurch sei der Abstand zwischen menschlichen und computergenerierten Stimmen laut Bericht um 50 Prozent verringert worden.

Die frühen Versionen waren dem Bericht zufolge sehr langsam: Für eine Sekunde Audio hätten sie Stunden benötigt. Durch Destillation, also die Übertragung von Wissen aus einem größeren in ein kleineres Modell, sei WaveNet so überarbeitet worden, dass es 1.000-mal schneller als der Forschungsprototyp lief und eine Sekunde Sprache in 50 Millisekunden erzeugte. Parallel entstand WaveRNN, das einfacher, schneller und recheneffizienter gewesen sei und auch auf Geräten wie Mobiltelefonen statt nur in Rechenzentren laufen könne.

WaveNet und WaveRNN seien laut Bericht in Dienste wie Google Assistant, Maps Navigation, Voice Search und Cloud Text-to-Speech eingeflossen. Eine Erweiterung namens WaveNetEQ habe außerdem die Gesprächsqualität in der Videoanruf-App Duo verbessert. Als persönlichen Anwendungsfall schildert der Text Tim Shaw, einen früheren NFL-Linebacker, dessen Stimme sich infolge von ALS verschlechtert habe. Google Project Euphonia habe an besserer Erkennung seiner beeinträchtigten Sprache gearbeitet. Durch die Kombination von WaveRNN mit weiteren Sprachtechnologien und archivierten Medieninterviews sei eine natürlich klingende Version seiner Stimme erstellt worden, mit der er wieder sprechen konnte.

Der Bericht schreibt WaveNet darüber hinaus zu, neue Forschung und weitere Technologien für natürlich klingende Stimmen angestoßen zu haben. Er nennt Übersetzung, individuelle Audioinhalte und Unterstützung bei Kommunikationsbarrieren als mögliche beziehungsweise erreichte Anwendungsfelder. Die Aussagen zu Leistungsverbesserungen, Verbreitung und Wirkung werden im Text berichtet, aber nicht durch unabhängige Messdaten oder nähere methodische Angaben belegt. Der Bericht erläutert insbesondere nicht, wie die 50-Prozent-Angabe ermittelt wurde oder welche Einschränkungen die beschriebenen Anwendungen haben.

Luna (gpt-6-luna, Denkstufe high), ChatGPT-Abo · 2026-11-19

Gegengeprüft von Claude Haiku 5.5: kleine Mängel

Bewertet wurde die mittlere Zusammenfassung; die kurze ist ebenfalls treu, lässt aber die Zahlen zu 50 Prozent und zur 1.000-fachen Beschleunigung aus. Lunas Stufen und Anteilswerte wurden unabhängig neu vergeben. Teilfragen gab es nicht.

Im Bericht, aber nicht in der Zusammenfassung

  • Die Aussage, WaveNet sei vom Forschungsprototyp zu einem Produkt geworden, das von Millionen Menschen genutzt wird
  • Die Angabe von bis zu 24.000 Audiosamples pro Sekunde
  • Der Ausblick, dass WaveNet eine neue Generation von Sprachsyntheseprodukten angestoßen hat

Automatische Gegenprüfung mit dem vollständigen Originaltext (Batch, 20.11.2026). Ungeprüft durch Menschen.

Wie die Modelle den Bericht einordnen

Je Sammelfrage und Teilfrage die häufigste Stufe (0 bis 7) und ihr Anteil, geordnet nach Fragenfamilie (Farbe) oder nach den Wegen des Atlas. Ab Stufe 4 liefert der Bericht Belege, Stufe 3 ist Hintergrund (gestrichelt). Was die Stufen bedeuten, steht in der Legende.

Ansicht
Filter
Modelle 8 von 8
Angezeigte Modelle
Vorfälle melden
Fähigkeiten messen
Unabhängig prüfen
Tempo und Grenzen
  1. SF-T3 Woran erkennt man, dass KI beginnt, ihre eigene Weiterentwicklung voranzutreiben, und wer darf das erlauben?
    • clef 100 %kein Bezug
    • Luna 30 %Hintergrund, keine Belege
    • JEV 100 %kein Bezug
    • amos 52 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 78 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug
    • Haiku-Prüfung kein Bezug
Vertrauen in Modelle
  1. SF-V4 Was für ein Wesen ist ein Modell, und was folgt daraus für den Umgang mit ihm und für den Wert des Menschseins?
    • clef 100 %kein Bezug
    • Luna 29 %Hintergrund, keine Belege
    • JEV 59 %einzelne zitierbare Belege
    • amos 45 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 55 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug
Modelle teilen und schützen
  1. SF-H3 Wie lässt sich nachverfolgen, woraus ein Modell entstanden ist und was in ihm steckt?
    • clef 100 %kein Bezug
    • Luna 39 %Hintergrund, keine Belege
    • JEV 51 %einzelne zitierbare Belege
    • amos 28 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 47 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug
    • Haiku-Prüfung nur am Rande erwähnt
Frieden und Sicherheit
Beteiligung und Gemeinwohl
  1. SF-E4 Wie bleibt KI ein gemeinsames Gut, statt Abhängigkeit und Marktmacht zu vertiefen?
    • clef 100 %kein Bezug
    • Luna 50 %Hintergrund, keine Belege
    • JEV 31 %gleiches Oberthema, hilft nicht
    • amos 46 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 54 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug
    • Haiku-Prüfung gleiches Oberthema, hilft nicht
Information und Öffentlichkeit

Weitere Berichte zu diesen Fragen

Eigene Zusammenfassungen und Einordnungen von AMANi DUNiA. Fremde Originalberichte behalten ihre eigenen Rechte.

Sprache und Prüfstand

Haupttext: DE. Prüfvermerke gelten nur für den jeweils genannten Inhalt.

Vorhandene Prüfvermerke stehen am jeweiligen Inhalt.

Sprachabdeckung und Datenstand ansehen →