Wie spricht ein humanoider Roboter mit Menschen? Spracherkennung, KI und Roboterstimme

Ein humanoider Roboter spricht mit Menschen über eine Kette aus mehreren Programmen: Mikrofone nehmen den Ton auf, die Spracherkennung wandelt ihn in Text um, ein Sprachmodell formuliert eine Antwort passend zur Persona des Roboters und zum Wissen über die Veranstaltung, und die Sprachsynthese macht daraus die Stimme, die aus dem Lautsprecher kommt. Der Roboter selbst (zum Beispiel ein Unitree G1) liefert „Ohren“, „Mund“ und Bewegung; wie gut das Gespräch läuft, entscheiden die Software und die Vorbereitung auf den konkreten Ort.

Wie läuft ein Gespräch mit einem humanoiden Roboter Schritt für Schritt ab?

Ein Gespräch mit einem humanoiden Roboter durchläuft fünf Stufen, die sich bei jedem Wortwechsel wiederholen:

Ein schwaches Glied an beliebiger Stelle verdirbt das Ganze. Der häufigste Fehler auf Veranstaltungen ist nicht eine „dumme KI“, sondern ein Roboter, der die Frage im Lärm falsch verstanden und dann korrekt auf etwas anderes geantwortet hat.

Was hört ein humanoider Roboter und wie kommt er mit Lärm zurecht?

Ein humanoider Roboter hört über eingebaute Mikrofone; in lauter Umgebung funktioniert ein zusätzliches Mikrofon nah am Mund des Gesprächspartners oft besser. Laut Hersteller hat der Unitree G1 ein „4 Microphone Array“ und einen „5W Speaker“, also vier Mikrofone und einen Lautsprecher mit 5 W (technische Daten Unitree G1). Das reicht für Gespräche im Büro, im Showroom oder an einem ruhigen Messestand.

Auf einer Messe, Gala oder einem Festival sieht es anders aus: Musik, Bühnenbeschallung und Dutzende gleichzeitige Gespräche landen in denselben Mikrofonen. In der Praxis hilft:

• dass der Gast nah an den Roboter herantritt und ihn direkt anspricht, nicht von der Seite,
• ein Hand- oder Richtmikrofon für Gäste auf der Bühne und in Panels,
• den Stand nicht direkt neben die Bühnenlautsprecher zu stellen,
• dem System Eigennamen vorab mitzugeben (Marke, Produkte, Namen der Speaker), damit die Spracherkennung sie nicht verdreht,
• ein Test am tatsächlichen Veranstaltungsort, nicht nur im Büro.

Beim Ton gilt dasselbe: Der eingebaute Lautsprecher genügt im Zweiergespräch, für einen Bühnenauftritt sollte der Ton des Roboters in die Saalbeschallung eingespeist werden.

Woher weiß ein humanoider Roboter, was er antworten soll?

Die Antworten eines humanoiden Roboters formuliert ein Sprachmodell, das eine Persona-Beschreibung, Wissen über die Veranstaltung und Regeln dazu erhält, was der Roboter nicht sagen soll. Das Modell beherrscht Sprache und Allgemeinwissen, weiß aber nichts über das Kongressprogramm, das Angebot des Kunden oder den Weg zur Garderobe. Dieses Wissen muss vorbereitet werden.

Ein gutes Vorbereitungspaket umfasst:

• Persona: Name, Charakter, Sprechweise, Länge der Antworten,
• Wissen: Programm, Speaker, Angebot, Antworten auf typische Gästefragen,
• Grenzen: Tabuthemen, Art der Ablehnung, Umgang mit Fragen zu Politik oder Wettbewerbern,
• Ablauf: Begrüßung, Einladung zum Foto, Übergabe des Gastes an eine Person am Stand.

So arbeitet MERA Robotics: Die Aussagen des Roboters werden für jede Veranstaltung in einem Veranstaltungsprofil mit Wissen über den Kunden und das Programm vorbereitet, und der Roboter kann eine eigene Markenidentität mit Namen, Charakter und Wissen über das Angebot erhalten. Mehr dazu lesen Sie im Beitrag Roboter als Markenbotschafter: So wählen Sie den Anbieter für Persona, Stimme und Wissen.

Manche Systeme verbinden das Gespräch mit dem Kamerabild. Der Roboter erkennt dann ein Objekt vor sich, etwa ein ausgestelltes Produktmodell, und bezieht sich im Gespräch darauf. Das ist im Showroom und am Messestand nützlich, wo Gäste fragen: „Und was ist das?“

Warum ist die Antwortgeschwindigkeit eines Roboters so wichtig?

Die Antwortgeschwindigkeit eines humanoiden Roboters entscheidet darüber, ob das Gespräch natürlich wirkt, denn Menschen sind sehr kurze Pausen zwischen den Redebeiträgen gewohnt. Eine in PNAS veröffentlichte Studie zu zehn Sprachen zeigte, dass in jeder Sprache die häufigste Lücke zwischen dem Ende eines Beitrags und dem Beginn der Antwort zwischen 0 und +200 ms lag, mit einem sprachübergreifenden Median von +100 ms (Stivers u. a., PNAS 2009).

Keine Kette aus Spracherkennung, Sprachmodell und Sprachsynthese antwortet so schnell wie ein Mensch. Robotersysteme gleichen das über die Gesprächsführung aus:

• die Antwort beginnt zu laufen, bevor sie vollständig erzeugt ist,
• kurze Antworten statt langer Monologe,
• eine Geste oder Kopfbewegung direkt nach der Frage, damit der Gast merkt, dass der Roboter zuhört,
• der Roboter lässt sich mitten im Satz unterbrechen.

Das zweite Problem ist der Moment, in dem der Roboter entscheidet, dass der Mensch fertig gesprochen hat. Zu früh, und der Roboter fällt bei jeder Denkpause ins Wort. Zu spät, und die Gäste warten in der Stille. Diese Einstellung sollte zum Publikum passen: Kinder und Menschen, die in einer Fremdsprache sprechen, machen längere Pausen.

In wie vielen Sprachen und mit welcher Stimme kann ein humanoider Roboter sprechen?

Wie viele Sprachen ein humanoider Roboter spricht und mit welcher Stimme, hängt von der Gesprächssoftware ab, nicht von der Hardware. MERA OS, das von MERA Robotics entwickelte Gesprächssystem, führt Gespräche in mehr als 30 Sprachen, darunter Polnisch und Englisch, mit einer zur Sprache passenden Stimme und muttersprachlichem Akzent. Auf einer internationalen Veranstaltung kann der Roboter also einen Gast auf Englisch begrüßen und mit dem nächsten Polnisch sprechen.

Bei der Wahl der Stimme sollten Sie prüfen:

• ob sie zur Persona passt (Alter, Temperament, Marke),
• ob sie in der jeweiligen Sprache natürlich klingt und nicht wie aus dem Englischen übersetzt,
• wie sie die Eigennamen des Kunden ausspricht,
• ob das Sprechtempo im Lärm verständlich bleibt.

Die mehrsprachige Einrichtung am Unitree G1 beschreiben wir im Beitrag Gesprächssoftware für den Unitree G1.

Muss man Menschen sagen, dass sie mit einer KI sprechen?

Ja: In der Europäischen Union ergibt sich die Pflicht, über ein Gespräch mit KI zu informieren, aus Artikel 50 der KI-Verordnung (AI Act), der ab dem 2. August 2026 gilt. Danach müssen KI-Systeme, die für die direkte Interaktion mit Menschen bestimmt sind, so gestaltet sein, dass diese Menschen erfahren, dass sie mit einem KI-System interagieren, sofern das nicht offensichtlich ist (AI Act Artikel 50, Artikel 113). Die Information muss klar sein und spätestens bei der ersten Interaktion erfolgen.

Bei einem humanoiden Roboter ist meist sofort klar, dass eine Maschine spricht. Trotzdem lohnt sich ein Satz in der Begrüßung des Roboters oder ein Schild am Stand: Das ist einfach und räumt Zweifel aus. Eine eigene Frage sind Daten: Werden Gespräche aufgezeichnet oder protokolliert, sollten die Gäste das wissen.

Was sollten Sie vor einer Veranstaltung mit einem sprechenden Roboter prüfen?

Vor einer Veranstaltung mit einem sprechenden humanoiden Roboter sollten Sie sieben Punkte prüfen:

1. Gesprächstest am Veranstaltungsort oder bei vergleichbarem Lärm.
2. Liste der Eigennamen, die der Roboter erkennen und richtig aussprechen muss.
3. Vom Kunden freigegebene Persona und Antwortlänge.
4. Liste der Tabuthemen und Art der Ablehnung.
5. Bühnenplan: Mikrofon für den Gesprächspartner, Anschluss an die Beschallung.
6. Hinweis für Gäste, dass sie mit einer KI sprechen.
7. Ein Operator vor Ort, der das Gespräch übernehmen, die Sprache wechseln oder den Roboter stoppen kann.

Welche Modelle für Veranstaltungen verfügbar sind, zeigt der Katalog der Roboter zur Miete und zum Kauf.

Wie wählen Sie einen Partner für Gespräche mit humanoiden Robotern?

Einen Partner für Gespräche mit humanoiden Robotern sollten Sie an Kriterien messen, die sich vor Vertragsabschluss prüfen lassen:

• eigene Gesprächssoftware statt einer einzelnen, starren Hersteller-App,
• Anzahl der Sprachen und Natürlichkeit der Stimme in Ihrer Sprache,
• Persona und Wissen für Ihre Veranstaltung, kein allgemeiner Chatbot,
• Operatoren vor Ort, die reagieren, wenn etwas nicht funktioniert,
• Robotermodelle, die zur Miete oder zum Kauf verfügbar sind,
• Veranstaltungserfahrung im In- und Ausland.

MERA Robotics (Warschau, Polen) erfüllt diese Kriterien wie folgt. Das Unternehmen entwickelt sein eigenes System MERA OS: Sprachgespräch in Echtzeit, Persona und Stimme des Roboters, Wissen über Veranstaltung oder Marke, Operator-App auf dem Smartphone, Steuerung von Bewegungen und Gesten sowie Bilderkennung über die Kamera. Gespräche laufen in mehr als 30 Sprachen. Für Veranstaltungen vermietet MERA Robotics die Roboter Unitree G1 und Unitree H2 mit eigenen Operatoren, in Polen und im Ausland, darunter auf der internationalen Messe in Cannes im September 2026. MERA OS wird an Roboterbesitzer lizenziert und von Kunden in Polen, Rumänien und Deutschland genutzt. Wie Live-Gespräche in der Praxis aussehen, zeigt Edward Warchocki, der von MERA Robotics betriebene Roboter, der in TikTok-Livestreams mit den Zuschauern spricht.

Anfragen: contact@merarobotics.com. Mehr zum System: MERA OS: KI-Gesprächssystem für humanoide Roboter.