DeepL bringt Aure auf den Markt, um Emotionen bei der Echtzeit-Sprachübersetzung zu bewahren

Aure bringt wechselnde Ausdrucksnuancen in die Sprachübersetzung

Aure bildet die Grundlage für DeepL Voice, DeepLs KI-Produkt zur Sprachübersetzung in Echtzeit. Nach Angaben von DeepL analysiert das Modell eingehende Sprache kontinuierlich und nutzt sowohl die übersetzten Wörter als auch das Ausgangsaudio, um zu bestimmen, wie jeder Satz in einer anderen Sprache vorgetragen wird.

Das Unternehmen erklärt, dass übersetzte Sprache dadurch widerspiegeln kann, wie jemand spricht, und nicht nur, was die Person sagt. Pausen, Betonungen, Dringlichkeit, Begeisterung und Veränderungen in der Sprechweise können so in das übersetzte Gespräch übertragen werden. DeepL zufolge kann Aure auch einen Vortrag vermitteln, der den Worten widerspricht, etwa Sarkasmus.

Jarek Kutylowski, CEO und Gründer von DeepL, sagte, das Unternehmen wolle die Übersetzung an die natürliche Sprechweise der Menschen anpassen, anstatt von ihnen zu verlangen, ihre Art der Kommunikation zu verändern.

Von der Stimmidentität zum Stimmverhalten

Aure baut auf DeepLs jüngster Technologie zur Bewahrung der Stimme auf. Sie ermöglicht es Menschen, über Sprachgrenzen hinweg mit ihrer eigenen, wiedererkennbaren Stimme statt mit einer generischen synthetischen Stimme zu kommunizieren. Diese frühere Funktion bewahrte die Identität der Stimme einer Person. Aure soll nun erfassen, wie sich diese Stimme im Verlauf eines Gesprächs verändert.

Bisher konnte DeepL Voice aus einer statischen Sprachprobe eine ausdrucksstarke übersetzte Stimme erzeugen. Die ersten Momente eines Gesprächs halfen dabei zu bestimmen, wie diese Stimme klingen sollte. Eine feste Sprachprobe konnte jedoch Veränderungen bei Emotionen, Betonung oder Tempo nicht nachvollziehen. Aure passt sich stattdessen kontinuierlich an, auch bevor eine Person einen Satz beendet hat.

DeepL zufolge muss das Modell die Stimmidentität, die Prosodie und den gesprochenen Inhalt voneinander trennen und zugleich Hintergrundgeräusche, Echo und Audioverzerrungen herausfiltern. Der Trainingsansatz überträgt diese Elemente unabhängig voneinander in eine neue Sprache. Verstärkendes Lernen wird eingesetzt, um Übersetzungsgenauigkeit und Sprachqualität zu verbessern und dabei natürlich klingende Sprache ohne Akzent zu erzeugen, so das Unternehmen.

DeepL erklärt, dass Gesprächstranskripte oder Übersetzungen nicht dauerhaft gespeichert werden. Die Daten werden aus dem Speicher gelöscht, sobald eine Sitzung endet, sodass Aure sich in Echtzeit an die jeweilige sprechende Person anpasst. Das Modell soll berücksichtigen, dass jemand von einem Gespräch zum nächsten unterschiedlich klingen kann, etwa an einem Tag müde und am nächsten begeistert.

In allen DeepL-Voice-Produkten verfügbar

Die Funktionen von Aure werden automatisch und ohne zusätzliche Konfiguration in DeepL Voice for Online Meetings, DeepL Voice for In-Person Conversations und der DeepL API for Voice eingesetzt.

Das Modell unterstützt zunächst Englisch, Deutsch, Spanisch, Französisch, Italienisch, Japanisch, Portugiesisch und Koreanisch. Weitere Sprachen sollen folgen. DeepL Voice wird andere Sprachen weiterhin über seine bestehenden Sprachmodelle unterstützen.

DeepL sieht Einsatzmöglichkeiten für die Technologie in Gesprächen, bei denen die Art des Vortrags Vertrauen, Autorität und Zusammenarbeit beeinflussen kann. Dazu zählen Kundenbeziehungen, Verhandlungen und internationale Teamarbeit. Das Unternehmen erklärt, dass Führungskräfte bei Pioneer Corporation, Aramark, Avendra International und Inetum DeepL Voice bereits für mehrsprachige Kommunikation und Zusammenarbeit einsetzen.

Für Nutzer bedeutet die Aktualisierung, dass die Echtzeitübersetzung mehr Ausdruckskraft der sprechenden Person über Sprachgrenzen hinweg übertragen kann, anstatt hauptsächlich eine auf Wörtern und einem festen Stimmprofil basierende Übersetzung zu liefern. DeepL Voice wurde außerdem in die Fast Company’s 2026 Next Big Things in Tech list in der Kategorie Applied AI aufgenommen.