All About Voice

Konzeption, Design und Vermarktung von Anwendungen für digitale Sprachassistenten - inkl. Arbeitshilfen online

Tim Kahle, Dominik Meißner

• Verlag: Haufe
• Jahr: 2020
• ISBN drucken:
  9783648134641
• eBook-ISBN:
  9783648134658
• Thema: Negocios y empresa
• Thema: Publicidad

Der Markt der digitalen Sprachassistenten hat sich in den letzten Jahren stark weiterentwickelt und erfordert eine neue Bestandsaufnahme der Möglichkeiten und Chancen für Unternehmen und Marken. Tim Kahle und Dominik Meißner sind Experten auf dem Gebiet der Voice Technologie und liefern die Grundlagen für eigene Voice Strategien und Voice App Projekte sowie die Vermarktungsmöglichkeiten über digitale Sprachassistenten, wie Amazon Alexa oder Google Assistant.Inhalt- Begriffseinordnung, die Entwicklungen rund um Sprachassistenten und deren Einfluss auf unseren Alltag- Strategische Aspekte in der Konzeption von Anwendungen für Sprachassistenten- Konzeption und Design für Voice User Interfaces- Prototyping: Tools, Best Practices, Testing-Methoden, Bedeutung der Multimodalität- Best Practices zur Umsetzung von Anwendungen für die Sprachassistenten Amazon Alexa und Google Assistant- Marketing auf Sprachassistenten: Auffindbarkeit der eigenen Voice Anwendungen, Möglichkeiten der Vermarktung kennen und nutzenMit eigenem Voice Guru als Arbeitshilfe online: - Companion Voice App für Amazon Alexa und Google Assistant mit demonstrativen Inhalten- Praktische Online-Tools zur Optimierung des Arbeitsworkflows an Voice Projekten- Checklisten, Links, Events

[19]1 Das Zeitalter der unsichtbaren Benutzeroberfläche

Vor allem seit der Einführung von Amazon Alexa in Deutschland im Frühjahr 2017 müssen wir uns als Unternehmen neuen Herausforderungen im Marketing stellen. Nachdem wir mit der Mobiloptimierung unseres Internetauftritts gekämpft und eine Social-Media-Strategie entwickelt haben, wurde in den vergangenen Jahren vielleicht noch über den Einsatz eines Messenger-Chatbots nachgedacht. Nun stehen wir plötzlich einem weiteren neuen, komplexen Ökosystem gegenüber, das (grundsätzlich) ohne Bildschirm daherkommt und mit dem Nutzer per Sprache interagieren kann. Verfallen wir in Schockstarre oder nehmen wir die neue Herausforderung an? Die letzten technologischen Entwicklungen wie Augmented Reality (AR) und Virtual Reality (VR) haben zunächst für ein ähnliches Bild in den Medien gesorgt, aber von Leuchtturmprojekten großer, internationaler Unternehmen abgesehen bis jetzt keine Breitenwirkung in Deutschland erzielt. Warum sollten wir uns jetzt also mit Voice User Interfaces (VUI) beschäftigen?

In diesem Kapitel grenzen wie Begrifflichkeiten voneinander ab, werfen einen Blick auf die nationalen und internationalen Marktzahlen und Akteure im Markt der digitalen Sprachassistenten. Wir erfahren außerdem, wofür diese bisher vorzugsweise genutzt wurden. Damit erhalten wir die Grundlage für eine Einschätzung, ob auch Ihre Inhalte, Services und Produkte in Zukunft dialogfähig werden sollten.

1.1 Die Magie von digitalen Sprachassistenten

Die Steuerung unserer Umgebung per Sprache hat bis vor wenigen Jahren nur in Film- oder Fernsehproduktionen reibungslos funktioniert. In diesem Zusammenhang verweisen wir gerne auf Serienklassiker wie Star Trek und Knightrider oder das Hollywood-Drama »Her« (2013), in dem sogar eine romantische Beziehung mit einem digitalen Sprachassistenten gesellschaftlich anerkannt war. Bewusst oder unterbewusst, unsere Gesellschaft treibt die Faszination für die Sprachsteuerung von Maschinen und Computern schon seit Jahrzehnten um.

Es gleicht zuerst einem surrealen Erlebnis, wenn sich die Technologie dem Menschen anpasst und – wie bei Sprachassistenten – auf unsere Stimme reagiert. Vor allem, wenn wir uns alleine in unseren eigenen vier Wänden befinden. Unter Calm Technology verstehen wir Systeme, die sich unauffällig und natürlich in unsere Umgebung einbetten. Digitale Sprachassistenten zählen dazu und können uns in Zukunft auf Zuruf zielgerichtet unterstützen. Sie zeichnen sich dadurch aus, dass sie im Vergleich [20]zu anderen Technologien wie Smartphones einen weniger stark ausgeprägten Lockin-Effekt erzeugen und damit ein geringeres Ablenkungspotenzial aufweisen.

1.2 Die Funktionsweise von digitalen Sprachassistenten

Um Anwendungen für Sprachassistenten zu entwickeln, ist es unerlässlich, dass wir das Grundprinzip der technischen Abläufe im Hintergrund verstehen. Einerseits, um die Infrastruktur auf Anwendungsseite ordnungsgemäß einrichten zu können, andererseits, um auf mögliche Fragen der Projektbeteiligten, Kunden oder anderer Stakeholder besser vorbereitet zu sein.

Lassen Sie uns einen Blick auf die Funktionsweise des Sprachassistenten Amazon Alexa werfen. Ein ähnliches Prinzip kommt auch bei Google Assistant, Samsung Bixby und anderen Sprachassistenten zum Tragen. Nachfolgend umreißen wir die wesentlichen Technologien, die bei der Interaktion mit Ihrem Sprachassistenten involviert sind:

a) Automatic Speech Recognition (ASR) und Natural Language Understanding (NLU)

Wenn wir mit unseren Amazon-Echo-Gerät sprechen, wird der Audiomitschnitt der Eingaben nach Nennung des Aufwecknamens (Wakeword) »Alexa« an den Alexa Voice Service (AVS) gesendet. Dort wird das gesprochene Wort in Text umgewandelt (Speech-To-Text, kurz STT). Vereinfacht gesagt sorgt ASR und NLU dafür, dass der Sprachassistent unsere Eingaben grundsätzlich entgegennehmen und verstehen kann.

b) Natural Language Processing (NLP)

Für jeden digitalen Sprachassistenten ist es das Herzstück, natürliche Sprache verarbeiten zu können. Im täglichen Umgang mit unserem Assistenten merken wir, wie gut oder weniger gut das gelingen kann. In unserem Beispiel sorgt der Alexa Voice Service dafür, dass aus dem durch NLU erkannten Text eine Intention erkannt wird. Der transkribierte Text wird dann in Form einer Anfrage (Request) der Anwendungsfunktion bereitgestellt. Dieser Request enthält neben der erkannten Absicht (Intent) Informationen wie beispielsweise eine Nutzer-ID, Zeitstempel, verschiedene Geräteinformationen des Nutzers oder die eingestellte Sprache auf Nutzerseite.

c) Natural Language Generation (NLG)

Mithilfe des Datensatzes, der bei der Nutzeranfrage an unsere Anwendungsfunktion übergeben wurde, können wir wiederum die Antwort bereitstellen und zurück an den Alexa Voice Service übergeben. Wir senden im Wesentlichen die Antwort als Text zurück und optional auch Zusatzinformationen zur Anzeige auf Geräten mit Bildschirm.

[21]NLG hilft nun dabei, dass aus dem geschriebenen Text wieder gesprochenes Wort wird (Text-To-Speech, kurz TTS). Alexa spricht zum Nutzer und antwortet auf die Anfrage.

All das passiert im Bruchteil einer Sekunde.

Die folgende Abbildung zeigt den Informationsfluss und die technischen Abläufe einer Wetter-Anwendung für Amazon Alexa (sog. Alexa Skill).

Abb. 1: Vereinfachte Darstellung der Funktionsweise des Sprachassistenten Amazon Alexa

1.3 Der richtige Jargon – Einordnung der Begriffe

Jede technologische Neuerung bringt in der Regel neue Begrifflichkeiten mit sich. Diese finden sich in Handbüchern zur Hardware oder Dokumentationen zur Software-Erstellung wieder. Außerdem werden viele der Fachbegriffe durch eine Community geprägt, die sich intensiv mit der Technologie beschäftigt. Diese Begriffe werden in einem Glossar am Ende dieses Buches erläutert. Hier möchten wir Ihnen die wichtigsten Begrifflichkeiten kurz vorstellen:

Begriff	Erläuterung
Natural Language Understanding (NLU)	Ermöglicht das Verständnis natürlicher Sprache durch einen digitalen Sprachassistenten
Natural Language Processing (NLP)	Hauptverantwortlich für die Erkennung der Nutzerabsicht
Natural Language Generation (NLG)	Ermöglicht die Sprachausgabe durch Nutzung einer künstlich generierten Stimme
[22]Text-To-Speech (TTS)	Text zu gesprochenem Wort Generierung
Speech-To-Text (STT)	Gesprochenes Wort zu Text Generierung
Voice Assistant	Digitaler Sprachassistent (Software)
Smart Speaker	Smart Lautsprecher, Hardware zum Zugriff auf einen Voice Assistant
Wakeword	Aufweckwort, um einen Sprachassistenten zu aktivieren
Prompt	Ausgabe des Sprachassistenten
Reprompt	Ausgabe des Sprachassistenten, wenn der Nutzer nicht antwortet, z. B. auf Fragen/Aufforderungen
Multimodal	Ausgabe von Zusatzinformationen (z. B. visuell) zusätzlich zur Sprachausgabe bzw. Interakation mit dem Sprachassistent über Touch- oder Gestensteuerung
Card	Text oder Bild auf einem Gerät mit Bildschirm (Smartphone oder Smart Speaker mit Bildschirm) zur Anzeige unterstützender Informationen
Endpoint	Adresse (URL) der Anwendungsfunktion zur Erfüllung der gewünschten Aufgabe. Enthält einen Großteil der Business-Logik der Voice-Anwendung.
Intent	Erkannte Nutzerabsicht, die der Anwendungslogik entsprechend zugeordnet wird, um Datenbank- und Schnittstellenanfragen durchzuführen und die Antwort an den Nutzer vorzubereiten
Interaction Model	Modell der gesamten Intents inkl. Beispieleingaben. Maßgeblich verantwortlich für die korrekte Zuordnung der Nutzerabsichten zu Intents in der Anwendungsfunktion
(Sample) Utterances	Beispielformulierungen, durch die Intents in der Anwendungsfunktion angesprochen werden können
Slots, Entities	Dynamische Werte/Platzhalter in Utterances
Voice User Interface (VUI)	Sprachbenutzeroberfläche zur Interaktion per Sprache
VUI-Diagramm	Grafische Darstellung des Entscheidungsbaumes bzw. der Nutzerführung in einer Anwendung für Sprachassistenten

Tab. 1: Das richtige Vokabular im Zusammenhang mit der Realisierung von Voice-Assistant-Anwendungen

[23]1.4 Verbreitung von digitalen Sprachassistenten

Digitale Sprachassistenten sind die komplexe Software, die Benutzereingaben verarbeiten und uns auf unsere Wünsche und Bedürfnisse antworten. 2019 wurde der Gesamtmarkt der digitalen Assistenten hinsichtlich der potenziellen Reichweite durch Apple, Google und Microsoft angeführt.

Siri, der Sprachassistent von Apple, ist mittlerweile auf jedem iPhone, iPad und tragbaren sowie stationären Computern neuerer Generationen verfügbar. Von Google wissen wir, dass die Verbreitung des Betriebssystems »Android« mit dem vorinstallierten Google Assistant in achtzig Ländern mit mehr als 25 unterstützten Sprachen auf über eine Milliarde Geräte angestiegen ist. Microsofts Betriebssystem Windows 10 mit dem Sprachassistenten Microsoft Cortana lässt sich auf über 700 Millionen Geräten nutzen.

Amazon Alexa schaut auf mehr als 100 Millionen Geräte, die den Sprachassistenten beherbergen. Dazu zählen neben den eigenen Amazon-Echo-Geräten auch die Hardware verschiedener Drittanbieter wie Harman/Kardon, Bose, Sonos oder Anker. Im Vergleich zu den meisten Anbietern digitaler Sprachassistenten können Hardwarehersteller unter Berücksichtigung verschiedener Auflagen den Alexa Voice Service (AVS) in ihre Geräte integrieren und auf den Markt bringen. Sie sind mit der Kennzeichnung »Works With Alexa« ausgezeichnet.

Abb. 2: Verbreitung von digitalen Sprachassistenten in sprachaktivierten Geräten

1.5 Verbreitung von Smart Speakern

In der Vergangenheit wurden die Begrifflichkeiten »Sprachassistent« und »Smart Speaker« häufig als Synonym genutzt. Das hängt vor allem mit den enormen Marketinginvestitionen von Amazon zusammen. Millionen Echo-Geräte sind vor allem zu den Shopping-Events Black-Friday und Prime-Day über die Ladentheke gegangen. Die Schlagzeilen verwiesen auch auf den Amazon Echo Dot als meist gekauftes Produkt auf ...

Inhaltsverzeichnis

• Inhaltsverzeichnis
• Hinweis zum Urheberrecht
• Impressum
• Einführung
• 1 Das Zeitalter der unsichtbaren Benutzeroberfläche
• 2 Erfolgsstrategien für Sprachassistenten
• 3 Konzeption von Voice User Experiences
• 4 Gestaltung von Voice User Interfaces
• 5 Prototyping und Testing-Methoden für Voice-Anwendungen
• 6 Herausforderungen bei der Entwicklung von Voice-Anwendungen
• 7 Monetarisierung von Voice-Anwendungen
• 8 Digitaler Paradigmenwechsel durch das Ökosystem »Voice«
• Schlusswort
• Glossar der wichtigsten Fachbegriffe
• Quellenverzeichnis
• Abbildungsverzeichnis
• Tabellenverzeichnis
• Stichwortverzeichnis
• Arbeitshilfen Online