PROJEKTEINBLICK ·
Als mein Computer zum ersten Mal mit mir sprach
Schon als Jugendlicher wollte ich mit meinem Computer sprechen können. Viele Jahre später saß ich vor einer selbst gebauten Anwendung und hörte tatsächlich die ersten Worte aus den Lautsprechern. Ich verstand kein einziges davon. Trotzdem war es ein großartiger Moment.
Mein Computer hat mich schon früh fasziniert. Ich konnte Programme starten, Code schreiben und ihm ziemlich genau sagen, was er tun sollte. Aber mit ihm sprechen? Einfach eine Frage stellen und eine gesprochene Antwort bekommen? Das war lange etwas, das ich aus Filmen kannte und selbst gerne gehabt hätte.
Als ich Jarvis zum ersten Mal in einem Film sah, war dieser Gedanke sofort wieder da. Genau das fand ich cool: ein Computer, mit dem man sich unterhalten konnte. Einer, den man ansprach, statt für jeden Handgriff erst das passende Programm oder Menü zu öffnen.
Natürlich war mir klar, wie viel Filmfantasie darin steckte. Trotzdem blieb der Wunsch. Und irgendwann wollte ich herausfinden, wie weit ich mit meiner eigenen Hardware kommen würde.
Erst einmal nur eine Antwort
Mein erster Schritt war eine kleine Konsolenanwendung in C#. Sie lief im Terminal und kam zunächst ohne grafische Oberfläche aus. Ein Terminal, eine Texteingabe und die Verbindung zu einem lokalen Sprachmodell. Mehr brauchte ich für den Anfang nicht.
Die Frage war überschaubar: Bekomme ich überhaupt eine Antwort zurück?
Ich wollte zunächst die Verbindung zum Laufen bringen. Text eingeben, an das Modell schicken, die Antwort entgegennehmen und im Terminal ausgeben. Bevor ich über eine Stimme oder ein Gespräch nachdenken konnte, musste dieser einfache Weg funktionieren.
Für meine ersten Versuche ließ ich ein kleines Qwen-Sprachmodell lokal auf meinem Rechner laufen. Die Berechnungen übernahm meine RTX 2080. Das hatte für mich einen besonderen Reiz: Die Antwort entstand auf meinem eigenen Rechner. Ich konnte selbst ausprobieren, was damit möglich war und wo die Grenzen lagen.
Schon eine Textantwort war ein wichtiger Schritt. Aus dem alten Wunsch wurde etwas, an dem ich tatsächlich arbeiten konnte. Und sobald dieser Teil funktionierte, lag die nächste Frage ziemlich nahe: Wie bringe ich den Computer dazu, seine Antwort auszusprechen?
Aus Text sollte eine Stimme werden
Damit kam die Sprachausgabe ins Spiel, also Text-to-Speech, kurz TTS. Dafür verwendete ich Piper. Zunächst ging es darum, die Antwort auf meine Texteingabe hörbar zu machen. Der Weg über das Mikrofon sollte danach folgen.
Für ein späteres Gespräch brauchte ich auch die Gegenrichtung: gesprochene Sprache in Text umzuwandeln. Dafür sollte Whisper dazukommen. Das lokale Sprachmodell würde den erkannten Text verarbeiten und eine Antwort erzeugen, die Piper anschließend aussprach.
Das Ziel war damit ein auf dem Papier einfacher Ablauf:
| Schritt | Aufgabe |
|---|---|
| Mikrofon | Meine gesprochene Frage aufnehmen |
| Whisper | Die Aufnahme in Text umwandeln |
| Lokales Qwen-Sprachmodell | Den Text verarbeiten und eine Antwort formulieren |
| Piper | Den Antworttext in gesprochene Sprache umwandeln |
| Lautsprecher | Die erzeugte Sprachausgabe wiedergeben |
In der Umsetzung musste ich diese einzelnen Teile erst miteinander verbinden. Eine Antwort im Terminal bedeutete noch nicht, dass am Ende auch etwas aus den Lautsprechern kam. Dafür brauchte es zusätzlich eine funktionierende Sprachsynthese und die Wiedergabe des erzeugten Audios.
Für mich war genau dieser letzte Schritt besonders spannend. Text auf einem Bildschirm war vertraut. Eine Stimme aus meiner eigenen Anwendung würde sich anders anfühlen.
Er sprach. Nur verstand ich ihn nicht.
Dann kam tatsächlich der Moment, in dem ich zum ersten Mal ein Wort aus den Lautsprechern hörte.
Allerdings klang das weder nach Deutsch noch nach Englisch. Zumindest konnte ich nichts davon verstehen. Ich hatte also endlich eine Stimme — nur noch keine, mit der ich etwas anfangen konnte.
Im Rückblick passt dieser Moment ziemlich gut zu meinen Projekten: Man verbindet mehrere Bausteine, arbeitet auf ein bestimmtes Ergebnis hin und bekommt zunächst etwas, das gleichzeitig Erfolg und Fehler ist. Es kommt Ton heraus. Die Richtung stimmt. Aber irgendwo fehlt noch ein entscheidendes Detail.
Meine Begeisterung hat das damals nicht kleiner gemacht. Ich hatte gehört, dass es grundsätzlich ging. Jetzt gab es etwas Konkretes, das ich untersuchen und verbessern konnte.
Der Anfang meines eigenen Assistenten
Mit diesen ersten Worten war natürlich noch kein Jarvis aus dem Film entstanden. Aber ich hatte einen Anfang: eine eigene Anwendung, ein lokales Sprachmodell und eine Pipeline, die Antworten hörbar machen konnte.
Das war für mich genug, um weitermachen zu wollen.
Diese Serie erzählt, wie daraus mein persönlicher KI-Assistent wurde. Ich möchte dabei auch die Schritte festhalten, die im fertigen System kaum noch zu erkennen sind: kleine Versuche, falsche Annahmen und Fehler, über die ich später lachen konnte.
