Sympathische synthetische Stimmen: Herausforderungen und Nutzen für die Mensch-Maschine-Interaktion

1 Vorbemerkung

Als soziale Wesen sind wir empfänglich für Manipulation und Beeinflussung durch andere. Werden wir gegrüßt oder angelächelt, werden die Spiegelneuronen in unserem Gehirn aktiviert und wir erwidern die Gesten instinktiv. Untersuchungen haben gezeigt, dass es interessante Parallelen in der Interaktion von Menschen mit sozialen Robotern (HRI = human-robot interaction) und der zwischenmenschlichen Interaktion gibt: Sogar non-verbale Signale von Robotern, wie Körpersprache, Mimik oder Gestik, beeinflussen uns in ähnlicher Weise, wie es menschliche Signale tun (vgl. Bartneck et al. 2020, 85 ff.; Tanner et al. 2021; Krämer et al. 2013). Das heißt, wenn ein Roboter uns anlächelt oder grüßt, erwidern wir dies ebenfalls. Dabei gilt, dass je ähnlicher der Roboter in Aussehen und Verhalten einem Menschen ist, desto mehr wird er auch wie ein Mensch wahrgenommen und behandelt. Diese vermeintliche Linearität setzt sich jedoch nicht unendlich fort, sondern erreicht irgendwann einen kritischen Punkt, an dem sie jäh unterbrochen und ins Gegenteil verkehrt wird: Der ‚Uncanny-Valley‘-Effekt beschreibt ein bekanntes, wenn auch nicht ganz unumstrittenes Phänomen in der Robotik. Der Begriff des ‚unheimlichen Tals‘ bezeichnet einen plötzlichen Abfall in der Akzeptanzkurve von Robotern und ähnlichen humanoiden Entitäten. Dieser tritt ein, wenn die Ähnlichkeit zwischen Roboter und Mensch beinahe, aber eben nicht ganz nivelliert ist. Die minimalen Unterscheidungsmerkmale, die den Roboter dann als solchen ‚entlarven‘ – wie z. B. eine unpassende Bewegung –, führen dazu, dass sich die bis dahin positive Wahrnehmung abrupt ins Negative verkehrt und beim Betrachter^[1] Unbehagen auslöst (vgl. Mori 2012). Doch bis dieser Wendepunkt erreicht wird, gilt die Norm: je ähnlicher, desto besser.

Vor diesem Hintergrund sind Sympathien für humanoide Roboter einfach zu wecken: Aufgrund unserer anthropomorphischen Tendenzen (der Übertragung menschlicher Eigenschaften auf nicht-menschliche Entitäten (vgl. Fink 2012; Stapels/Eyssel 2021, 239) und des Media-Equation-Effekts (die Tendenz, auf technische Geräte wie auf menschliche Interaktionspartner*innen zu reagieren (vgl. Reeves/Nass 1996, 251) reicht es bereits aus, wenn uns der Roboter anlächelt, damit wir ihn sympathisch(er) finden (vgl. Johanson et al. 2020). Anders sieht es nun aber aus, wenn wir mit einem nicht-humanoiden Gerät interagieren, dem zur Interaktion lediglich eine Stimme zur Verfügung steht, wie dies z. B. bei einem Sprachassistenten der Fall ist. Um hier Sympathien zu wecken, müssen diese zwangsläufig durch die Stimme des Sprachassistenten konstituiert werden, da er über keine anderen Interaktionsmöglichkeiten (wie eine ansprechende Mimik (Lächeln) oder einen beweglichen Körper (Grüßen)) verfügt. Doch ist die Stimme allein überhaupt ausreichend, um Sympathien für eine Maschine auszulösen? Der Frage, wie Stimme und Sympathie zusammenhängen und welche Herausforderungen und Chancen sich dabei im Kontext der Mensch-Maschine-Interaktion ergeben, soll im folgenden Artikel nachgegangen werden. Dazu zunächst einige einleitende Worte zu Sympathie und Stimme als solche.

Sympathien entstehen oft schon innerhalb eines kurzen Augenblicks: Basierend auf nur wenigen Informationen bilden wir uns einen ersten Eindruck von unserem Gegenüber und bewerten die Person als sympathisch oder nicht. Ein wichtiger Informationsträger ist dabei die Stimme – selbst ohne zusätzliche visuelle Stimuli vermittelt sie Eigenschaften über die sprechende Person, z. B. ihr Geschlecht oder ob die Person eher jung oder eher alt ist. Einzelne Studien verweisen sogar darauf, dass die Stimme Hinweise auf äußerliche Attribute (wie die Attraktivität) und die Persönlichkeit des Sprechenden geben kann (vgl. Collins/Missing 2003; Stern et al. 2021; Zuckerman/Driver 1989). Dieses Phänomen, lediglich anhand einer Stimme Attribute über den Sprechenden abzuleiten, lässt sich in der Praxis gut bei einem Telefongespräch beobachten: Wenn wir mit einer uns unbekannten Person telefonieren, neigen wir dazu, in unserer Vorstellung ein Bild von dieser Person lediglich aufgrund ihrer Stimme zu entwerfen.^[2] Die Stimme ist also mehr als nur ein individuelles Ausdrucksmittel; sie ist auch ein soziales Werkzeug. Als solches beeinflusst sie nicht nur unsere Wahrnehmung von, sondern auch unsere Haltung gegenüber und dadurch unsere Interaktion mit Gesprächspartner*innen. Verfügt unser Gegenüber z. B. über ein hohes Maß an vokaler Attraktivität, verhalten wir uns ihm gegenüber kooperativer:„[T]he higher the ratings of voice attractiveness, the more the speaker is judged to be similar to the rater and the more the rater would like to affiliate with the speaker“, schreiben Hughes et al. (2004, 302) und beziehen sich dabei auf die Studie von Miyake/Zuckerman (1993). In einer anderen Studie von Shang/Liu (2022), in welcher der Einfluss der stimmlichen Attraktivität auf kooperatives Verhalten in einem Vertrauensspiel untersucht wurde, waren Teilnehmer eher dazu bereit, mit Personen zu kooperieren, welche über attraktive Stimmen verfügten, was Beweise für einen „beauty premium“ (Shang/Liu 2022, 2), umgangssprachlich auch als ‚pretty privilege‘ bekannt, (dt. ‚Schönheitsbonus‘) liefert (vgl. Shang/Liu 2022, 10).

Natürlich spielen persönliche Vorlieben sowie subjektive Erfahrungen ebenso eine Rolle dabei, welche Stimmen wir mögen und welche nicht. Dennoch unterliegt die vokale Attraktivität, ähnlich wie die visuelle Attraktivität, keiner rein subjektiven Wahrnehmung, sondern ist bis zu einem gewissen Grad empirisch messbar. So lassen sich in der Stimmforschung in Bezug auf menschliche Stimmen bestimmte universelle Präferenzen feststellen; ähnlich wie auch symmetrische Gesichter im Allgemeinen als schöner empfunden werden als asymmetrische. Wie sich Attribute wie Attraktivität oder eben Sympathie von Stimmen experimentell eruieren lassen und auf was dabei geachtet werden soll, wird zu einem späteren Zeitpunkt in diesem Artikel noch ausführlicher diskutiert.

Doch zuerst wird in Bezug auf diese universellen Präferenzen im nächsten Kapitel ein kurzer Überblick zur vokalen Attraktivität von menschlichen Stimmen präsentiert. Ob und wie diese universellen Präferenzen beim Voice-Design für Sprachassistenten wie Alexa oder Siri Anwendung finden, wird im dritten Kapitel des Beitrags diskutiert. Im vierten Kapitel werden dann zwei empirische Studien präsentiert, in welchen Stimmen nun hinsichtlich ihrer Sympathie bewertet werden – in der ersten Untersuchung (N=107) geht es dabei um menschliche, in der zweiten (N=435) um synthetische Stimmen. Die erste Studie verfügt über einen eher explorativen Charakter mit kleinerer Stichprobe und soll hauptsächlich dazu dienen, erste Tendenzen zur Sympathiewahrnehmung bei menschlichen Stimmen sichtbar zu machen. Das Hauptaugenmerk dieses Aufsatzes liegt auf der zweiten, größer angelegten Studie, in der eruiert werden soll, welche synthetischen Stimmen als sympathisch wahrgenommen werden und welche nicht. Anhand der Ergebnisse beider Studien soll einerseits aufgezeigt werden, dass es eindeutig Stimmen gibt, die sympathischer wahrgenommen werden als andere, und andererseits, dass diesbezüglich ein Unterschied zwischen natürlichen und künstlichen Stimmen besteht. Ein weiterführendes Ziel der zweiten Studie ist es, den Fokus darauf zu lenken, wie Sympathie evozierende Stimmen für die Mensch-Maschine-Interaktion künftig konstruiert werden und in welchen Bereichen (z. B. der Alten- und Krankenpflege oder im E-Learning-Bereich) sie mit welchen Effekten zur Anwendung kommen könnten, was im letzten Kapitel diskutiert wird. Gesamthaft möchte dieser Aufsatz sowohl die Herausforderungen als auch das Potenzial von synthetischen Stimmen im Kontext der Mensch-Maschine-Interaktion beleuchten.

2 Vokale Attraktivität bei Menschen

Die Stimme ist ein inhärenter Bestandteil der Identität einer Person, so individuell wie ein Fingerabdruck. Aus diesem ‚vocal print‘ (dt. akustischer Fingerabdruck) lassen sich einerseits statische biologische und biografische Eigenschaften – wie das Geschlecht oder die regionale Herkunft – entnehmen, andererseits werden durch sie aber auch situative, soziale Informationen, wie z. B. die akute Befindlichkeit des Sprechenden wiedergegeben (vgl. Graddol/Swann 1989, 13). So hört man es der Stimme des Sprechenden zumeist an, ob die Person gerade traurig, wütend oder fröhlich ist (vgl. Owren/Bachorowski 2007, 240).^[3] Eine wichtige Rolle spielt in diesem Zusammenhang die Grundfrequenz: „Previous studies have confirmed F₀ as a reliable indicator of human emotions like fear, happiness, anger, sorrow, fatigue etc.“ (Sondhi et al. 2015, 42). Es besteht also ein enger Zusammenhang zwischen Stimme und Person.^[4] Wie stark Stimmen die Wahrnehmung von Personen beeinflussen, zeigt der sogenannte ‚Halo-Effekt‘: Dabei handelt es sich um ein kognitives Phänomen der Wahrnehmungspsychologie, bei dem von besonders positiv oder negativ empfundenen bekannten Merkmalen (wie der Stimme) auf weitere, noch unbekannte Merkmale (wie Charaktereigenschaften) geschlossen wird (vgl. Spektrum 2024). Demnach wird eine Person, die über eine attraktive Stimme verfügt, mit weiteren positiven Persönlichkeitsmerkmalen assoziiert (vgl. Kiese-Himmel 2016, 32; Lange et al. 2017). Der sogenannte ‚vocal attractiveness stereotype‘ – ‚what sounds good, is good‘ – zeigt, dass Hörer*innen bei einer attraktiven Stimme intuitiv auf weitere, positive Eigenschaften schließen.^[5] So werden Personen mit attraktiven Stimmen z. B. in einem Call-Center-Setting, in welchem der Kontakt nur qua Stimme erfolgt, als kompetenter wahrgenommen als Personen mit vergleichsweise unattraktiven Stimmen (vgl. Bartsch 2008, 59 ff.).^[6]

Um eine Stimme als attraktiv oder unattraktiv zu bewerten, reicht bereits ein kurzes akustisches Signal von ~390 Millisekunden aus (vgl. McAleer et al. 2014). Ein einfaches ‚Hallo!‘ genügt demnach, um sich ein Urteil über eine Stimme (und den Sprechenden) zu bilden.^[7] Die Attraktivität einer Stimme wird dabei vor allem durch die ‚Grundfrequenz‘ (eng. fundamental frequency = F₀)^[8] festgelegt: Diese variiert im Gegensatz zu Sprachrhythmus, Sprechgeschwindigkeit und Lautstärke – drei Faktoren, die ebenfalls Einfluss auf die vokale Attraktivität haben, – in der Regel weniger stark. Die Grundfrequenz ist somit eines der wichtigsten Kriterien bei der Beurteilung, ob wir eine Stimme als attraktiv wahrnehmen oder nicht: „Numerous empirical studies have investigated how artificial manipulation of vocal acoustic parameters affects perceptions, especially how the alteration of fundamental frequency […] can shape assessments of speaker attractiveness and formidability“ (Hughes/Puts 2021, 1). Dies macht sie folglich zu einem prominenten Untersuchungsgegenstand in der Forschung zur vokalen Attraktivität (vgl. Zheng et al. 2020; Jones et al. 2010). Der zuvor angesprochene Nexus zwischen Person und Stimme tritt hier erneut zu Tage: Denn Stimmen divergieren in ihren Grundfrequenzen je nach Geschlecht, Kultur und sogar gesprochener Sprache stark voneinander.^[9] Aufgrund dieser kulturellen und sprachlichen Unterschiede lassen sich für Mann und Frau nur sehr schwer Spektren festlegen, auf denen ihre jeweils ‚typischen‘ Stimmhöhen rangieren. Christiane Kiese-Himmel, Fachärztin für Phoniatrie und Pädaudiologie, gibt als durchschnittliche Spektren an, dass Männerstimmen i. d. R. zwischen 85–180 Hz und Frauenstimmen zwischen 165–255 Hz liegen (vgl. Kiese-Himmel 2016, 39).^[10] Bezüglich der durchschnittlichen Grundfrequenz für Männer und Frauen finden wir bei Ujvary et al. (2022), die sich ihrerseits auf Studien von Kovačić/Balaban (2009), Traunmüller/Eriksson (1995) und Fouquet et al. (2016) beziehen, folgende Werte: „The average healthy fundamental frequency for men is reported at 115 Hz, while for women the average is reported as being around 210 Hz“ (Ujvary et al. 2022, 7). Von diesen Zahlen ausgehend könnte gesagt werden, dass Männer- bzw. Frauenstimmen, die darunter oder darüber angesiedelt sind, als ‚überdurchschnittlich‘ tief bzw. hoch bezeichnet werden können. Allerdings ist diese Aussage ebenso mit Vorsicht handzuhaben und im jeweiligen (kulturellen, geografischen, sprachlichen) Kontext zu betrachten wie die durchschnittlichen Spektren zuvor. Denn selbst die durchschnittliche Grundfrequenz derselben Person kann variieren, z. B. in Korrelation mit anderen Faktoren, wie der Lautstärke (vgl. Jessen et al. 2003).^[11]

Trotz dieser zu beachtenden Einflussfaktoren wird aus dem Forschungsstand zu stimmlicher Attraktivität ersichtlich, dass eine attraktive Grundfrequenz meist stereotypisch für ihr jeweiliges Geschlecht ist. So gelten z. B. bei Männern besonders tiefe Stimmen als attraktiv (vgl. Feinberg et al. 2005; Collins 2000). Dies lässt sich einerseits auf biologische, aber andererseits auch auf soziologische Weise begründen. Einer biologischen Argumentation folgend könnte dies damit erklärt werden, dass tiefe Männerstimmen möglicherweise auf einen größeren Resonanzkörper hindeuten^[12] und Männer mit tieferen Stimmen einen höheren Testosteronspiegel aufweisen (vgl. Puts et al. 2012; Dabbs/Mallinger 1999). Dadurch könnten tiefe Männerstimmen auf unbewusster Ebene mit evolutionären Vorteilen assoziiert werden. Dieses biologische Argument wird durch Untersuchungen wie die von Feinberg et al. (2006) gestützt, die belegen, dass sich Frauen in der fruchtbaren Phase ihres Zyklus besonders stark zu Männern mit tiefen Stimmen hingezogen fühlen. Diese biologischen Attribute (Größe, Testosteronlevel) werden nun soziologisch mit weiteren, genuin männlich-attraktiven Merkmalen wie Potenz, Autorität und Dominanz in Verbindung gebracht.^[13] Männerstimmen mit einer tieferen Grundfrequenz werden demnach bevorzugt, da sie mit Sicherheit und Kompetenz assoziiert werden – Eigenschaften, die nebst dem privaten Bereich auch in der Geschäftswelt und der Politik mit Vorteilen einhergehen (vgl. Sorokowski et al. 2019, 258).^[14]

Was die Präferenz von Frauenstimmen betrifft, so herrscht in der Forschung hingegen weitaus größerer Dissens: Überwiegend gilt jedoch dass – analog zu den Männerstimmen – Frauenstimmen, die genderspezifische Stereotypie aufweisen, bevorzugt werden, ergo: je höher, desto besser (vgl. Zheng et al. 2020; Re et al. 2012; Jones et al. 2010; Jones et al. 2008; Apicella/Feinberg 2009; Feinberg et al. 2008; Collins/Missing 2003). Einige, wenn auch deutlich wenigere, Studien stehen dem jedoch diametral gegenüber: Sie sprechen sich mit ihren Ergebnissen genau für das Gegenteil und somit für die Attraktivität besonders tiefer Frauenstimmen aus (siehe z. B. Leaderbrand et al. 2008). Möglicherweise kann diese Ambivalenz soziophonetisch damit erklärt werden, dass beide Varianten bekannte ‚vokale Klischees‘ (piepsige Kleinmädchenstimme vs. rauchige femme fatale) bedienen, die mit Attraktivität in Verbindung gebracht werden, und die Resultate deshalb – je nach Zusammensetzung und Präferenz der Probandengruppe – variieren.^[15] Denn obwohl die Grundfrequenz eine sehr zentrale Rolle in der Attraktivitätsbewertung einnimmt – siehe dafür z. B. Jones et al. (2008, 192): „[I]ncreasing women’s voice pitch alone is sufficient to increase vocal attractiveness“ –, spielt auch die Erwartungshaltung eine große Rolle bei der Bewertung von vokaler Attraktivität: So erstellen wir nicht nur aufgrund der Stimme Vermutungen darüber, wie eine Person aussieht etc. (Telefon-Beispiel), sondern hegen auch aufgrund externer Merkmale (Aussehen, sozialer Status etc.) Erwartungen an die Stimme einer Person.^[16] Passt die Stimme nun zur Sprecherin und erfüllt meine perzeptiven Erwartungen, empfinde ich sie folglich als attraktiver, als wenn meine Erwartungen enttäuscht werden. Dass solche auditiven Erwartungshaltungen dabei nicht nur bei menschlichen, sondern auch bei maschinellen Gegenübern, wie Roboter und Sprachassistenten, bestehen (vgl. McGinn/Torre 2019; Cambre/Kulkarni 2019), wird im nächsten Kapitel noch ausführlicher diskutiert.

Um den Bogen zurück zu der Dichotomie in der Attraktivitätsbewertung von Frauenstimmen zu schlagen, möchte ich an dieser Stelle auf die Frage eingehen, weshalb die Antworten bei einem Forschungsgegenstand, der sich sowohl phonetisch messen als auch empirisch überprüfen lässt, so unterschiedlich ausfallen können. An dieser Stelle sei auf fünf Ursachen hingewiesen, die zu dieser Inkongruenz innerhalb dieses spezifischen Forschungsfeldes geführt haben könnten:

Auf den letzten Punkt sei etwas genauer eingegangen: Borkowska und Pawlowski (2011) stellten bei einem Wahrnehmungsexperiment erstmals fest, dass ab einem bestimmten Frequenzbereich die Wahrnehmung von sehr hohen Frauenstimmen ins Negative kippt und sie als ‚schrill‘ und ‚unangenehm‘ wahrgenommen werden. Ein Grund für diese negative Wahrnehmung sehr hoher Stimmen könnte sein, dass diese mit negativen Emotionen wie Angst oder Panik in Zusammenhang gebracht werden: „[T]his study indicated significant increase in mean pitch […] under anxiety/embarrassment“ (Sondhi et al. 2015, 42). Ein hoher Schrei wird von weitem gehört und kann frühzeitig vor Gefahr warnen, weshalb sehr hohe Stimmen als Indiz für drohendes Unheil interpretiert werden können. Ein anderer Grund könnte hingegen auch die Assoziationen von sehr hohen Stimmen mit Babys oder Kleinkindern sein (vgl. Borkowska/Pawlowski 2011, 58 f.). Beides sind jedenfalls Faktoren, die sich negativ auf die Attraktivitätsbeurteilung auswirken.

Dass es also einen solchen Scheitelpunkt gibt, blieb in einer Vielzahl von Studien unbemerkt, weil nur Stimmen, die im durchschnittlichen Frequenzbereich lagen, evaluiert wurden, d. h. da, wo ein positiver, linearer Zusammenhang noch besteht. Borkowska und Pawlowski (2011) hingegen untersuchten die Attraktivität von weiblichen Stimmen in ihrer Studie in einem sehr breiten Frequenzbereich (von 184.6 Hz bis 310.2 Hz), wodurch dann dieser Scheitelpunkt bei 260 Hz^[19] festgestellt werden konnte.

Folgende beiden Abbildungen zeigen auf, wie sich die Forschungslandschaft durch die Untersuchung von Borkowska/Pawlowski (2011) verändert hat:

Abbildung 1:

Vermutete Korrelation F₀/vokale Attraktivität

In Abb. 1 besteht noch eine lineare Korrelation zwischen Grundfrequenz und Attraktivität. Der Scheitelpunkt bei 260 Hz (Abb. 2) zeigt nun aber, dass nicht nur Stimmen, die darunter liegen, sondern auch Stimmen, die darüber liegen, als weniger attraktiv wahrgenommen werden. Ergo: je weiter sich von dieser Idealfrequenz entfernt wird – ungeachtet dessen, ob die Stimme dabei höher oder tiefer wird –, desto weniger attraktiv wird die Stimme empfunden.

Abbildung 2:

Effektiver Zusammenhang F₀/vokaler Attraktivität

Hier möchte die nachfolgende Untersuchung anschließen. Aufgrund der vielen Parallelen zwischen der Wahrnehmung von menschlichen und synthetischen Stimmen ist davon auszugehen, dass sich in einer Attraktivitätsstudie bei synthetischen Stimmen ein Scheitelpunkt in einem ähnlichen Frequenzbereich zeigen würde. Doch noch gänzlich unbekannt ist, wie es sich bezüglich der Sympathie verhält. Während Attraktivität in Stimmen (‚vocal attraction‘) bereits relativ gut erforscht ist, besteht hinsichtlich vokaler Sympathie noch ein großes Forschungsdesiderat – bei menschlichen, aber insbesondere bei synthetischen Stimmen. Die Fragen, die sich vor diesem Hintergrund und in Hinblick auf die beiden Experimente stellen, lauten deshalb wie folgt: i) Existiert, analog zur Attraktivität, eine optimale Grundfrequenz auch für Sympathie? ii) Wenn es eine ideale Frequenz gibt, liegt sie dann in einem ähnlichen Frequenzbereich (260 Hz)? iii) Gelten für menschliche und synthetische Stimmen die gleichen Präferenzen oder zeigen sich Unterschiede?

Diesen Fragen soll in Kapitel vier nachgegangen werden. Doch zuvor möchte ich noch auf die weibliche, synthetische Stimme eingehen, wie man sie z. B. in Sprachassistenten integriert antrifft. In diesem Zug sollen auch einige Spezifika des Voice-Designs für Maschinen hervorgehoben, sowie Überlegungen zu der Rolle der weiblichen Stimme bei Sprachassistenten und Co. angestellt werden; insbesondere zu den Herausforderungen und potenziellen Gefahren, die beim Diskurs über die ‚optimale weibliche Stimme‘ mitbedacht werden sollten.

3 Alexa, Siri, Cortana – die ‚Assistentinnen‘ des digitalen Zeitalters?

Sprachassistenten sind natürlichsprachige Dialogsysteme, die in einem Smartphone (z. B. Siri) oder in einem Smart Speaker (z. B. Alexa) integriert sein können und auf Aufforderungen ihrer Nutzer reagieren – entweder durch das Ausführen einer Handlung (z. B. einen Wecker stellen) oder einer verbalen/schriftlichen Antwort.^[20] Wird dabei dieselbe Stimme für mehrere Geräte (z. B. mehrere Smart Speaker) verwendet, werden diese als dieselbe ‚Person‘ (bzw. sozialer Akteur) wahrgenommen, auch wenn die Geräte eine andere äußere Erscheinungsform – z. B. unterschiedliche Farbe oder Form – besitzen (vgl. Cambre/Kulkarni 2019, 3 f.). Besitzt eine Person hingegen zwei Smart Speaker, einen mit männlicher und einen mit weiblicher Stimme, werden diese entsprechend auch als zwei verschiedene Akteure wahrgenommen. Dies zeigt, dass dieser enge Nexus zwischen Stimme und Identität des Sprechenden nicht nur für Menschen, sondern auch Maschinen gilt.

Dass die Stimme ein so wichtiges Element in der Wahrnehmung von technischen Entitäten ist, stellt somit einige Herausforderungen an die Stimmarchitekten solcher Geräte. In der Robotik hat sich herausgestellt, dass Stimme und (attribuierte) Persönlichkeit möglichst kongruent sein sollten, damit der Roboter gut angenommen wird: „If people attribute traits and intentions to robots as if they were humans, then it is likely that the design of a robot’s appearance and voice should go hand in hand to create a cohesive image of this agent“ erklären McGinn/Torre (2019, 222). Die Stimmwahl für einen Roboter hat somit viel mit der bereits zuvor erwähnten menschlichen Erwartungshaltung zu tun, da er dieser entsprechen sollte. Denn genauso wie wir erwarten, dass ein Staubsaugroboter Staub saugt, so erwarten wir bei einem rosafarbenen Roboter mit langen Haaren, der sprechen kann, dass er dies mit einer weiblichen Stimme tut: „People use visual gender cues as a basis for their judgments about social robots […] such as a robot’s hair length in order to make gendersterotypical inferences about the robot“ (Eyssel et al. 2012, 1). Spricht uns nun ebendieser langhaarige, rosafarbene Roboter mit einem tiefen Bariton an, löst er Irritationen aus, die möglicherweise zur Ablehnung des Roboters führen können,^[21] denn „users expect a robot’s voice to match its appearance“ (Cambre/Kulkarni 2019, 8).^[22] Für das Design von Stimmen muss also beachtet werden, welche Vorannahmen existieren und welche Erwartungen an das Gerät gestellt werden. Diese Relation von Erwartungshaltung und Stimmwahl wirft an dieser Stelle die Frage auf: Sprachassistenten tragen meist einen weiblichen Vornamen und sprechen mit – deutlich erkennbar – weiblicher Stimme. Bedeutet dies, dass wir intuitiv erwarten, dass eine Maschine, die uns assistiert, weiblich ist?

An dieser Stelle lohnt es sich, darüber nachzudenken, ob z. B. ein Sprachassistent, der mit weiblicher Stimme spricht, auch tatsächlich als ‚Frau‘ wahrgenommen wird. Natürlich wird eine Maschine, die mit einer weiblicher Stimme (oder weiblichen äußerlichen Attributen) ausgestattet wird, i. d. R. weiblich gelesen. Dennoch ist diese Perzeption der Maschine als ‚weiblich‘ ontologisch betrachtet noch lange nicht dasselbe wie die Wahrnehmung der Maschine als Frau. Somit ist auch der Begriff ‚Frauenstimme‘ im Mensch-Maschine-Kontext faktisch inkorrekt, und es müsste von einer (synthetischen) ‚weiblichen Stimme‘ gesprochen werden.^[23] Im sprachlichen Diskurs um Sprachassistenten und in der Praxis verschwimmt diese Grenze zwischen Frau/weiblicher Maschine jedoch zunehmend, wenn für Siri und Alexa Bezeichnungen wie ‚Assistentin‘ genutzt werden, anstatt ‚Assistenzsystem‘, was zwar kaum zu vermeiden, aber dennoch bedenklich ist. Besonders mit Blick auf eine mögliche Zukunft, in der Menschen zunehmend öfter mit Maschinen interagieren werden und Maschinen (durch humanoide Optik, menschlich klingende Stimmen etc.) auch stetig mehr humanisiert und dadurch anthropomorphisiert werden.

Vor diesem Hintergrund könnte man sich fragen, weshalb solche Assistenzsysteme überhaupt überwiegend weibliche Vornamen (siehe Siri, Alexa, Cortana, Alice etc.) und – per Default-Einstellung – eine weibliche Stimme aufweisen. Und obwohl sexistische Vorurteile sicher ihren Teil dazu beitragen, weshalb dem so ist, gibt es aber tatsächlich auch soziopragmatische Gründe für die Nutzung von weiblichen Stimmen bei Sprachassistenten. Einer davon ist, dass Frauenstimmen im Vergleich mit Männerstimmen als sympathischer bewertet werden (vgl. Danielescu 2020, 2). Somit liegt die Favorisierung von weiblichen Stimmen für technische Entitäten nicht (nur) daran, dass Alexa und Co. als digitale ‚Assistentinnen und Sekretärinnen‘ stereotypische Geschlechterrollen tradieren, sondern auch daran, dass einige Stimmen besser geeignet sind, um positive Emotionen wie Sympathie und Vertrauen zu evozieren als andere:

Prior work examining trust in human voices has shown that female speakers tend to be rated as more trustworthy than male speakers. […] Younger female agents were perceived to be significantly more trustworthy than male agents or an older female agent (Goodman/Mayhorn 2023, 2) [Hervorhebung durch die Autorin].

[Clifford Nass]: It’s much easier to find a female voice that everyone likes than a male voice that everyone likes. […] It’s a well-established phenomenon that the human brain is developed to like female voices (Griggs 2011) [Hervorhebung durch die Autorin].

Liest man obige Zitate, wird ersichtlich, welche Art von Stimmen das sind: Es sind junge, weibliche Stimmen, die präferiert werden – und zwar „across cultures and genders“ (Danielescu 2020, 3), obwohl sich bei ‚genders‘ hier die Frage stellt, wie inklusiv diese Studien durchgeführt und ob z. B. auch die Präferenzen von Trans- oder non-binären Personen miteinbezogen wurden. Jedenfalls liegt aus diesen Gründen das Augenmerk bei der Konstruktion von synthetischen Stimmen auf weiblichen Stimmen. Somit kann für Sprachassistenten gesagt werden, dass das durch die Stimme dargestellte ‚Geschlecht‘ (weiblich) nicht rein aufgrund von sexistischen Klischees gewählt wird, sondern vor allem um Zustimmung bei der Mehrheit der User*innen zu finden.^[24] Wie bereits erwähnt, ist aber gerade in Bezug auf Sprachassistenten der Einsatz von weiblichen Stimmen nicht frei von Problematiken, da dadurch einerseits sexistische Stereotypen verstärkt werden können (‚die typische Assistentin‘) und andererseits der tägliche Umgang mit ihnen im persönlichen und/oder professionellen Umfeld mit der Zeit zu einem veränderten Kommunikationsstil gegenüber Frauen führen kann^[25] – besonders wenn bedacht wird, dass meist in imperativer Form mit solchen Maschinen gesprochen wird, wie z. B. „Alexa, mach das Licht an!“ oder „Siri, stell einen Wecker auf 7 Uhr!“. Auch Schimpfwörter werden geäußert, wenn die Maschine etwas falsch versteht oder den Befehl nicht ausführt, der vom User geäußert wurde.^[26] Expert*innen warnen deshalb davor, dass der tägliche Umgang mit Sprachassistenten zu einer verzerrten Wahrnehmung von Frauen als devote ‚Assistentinnen‘ führen könne, mit denen man sprechen (und umgehen) kann, wie man will. Besonders problematisch ist es, wenn weibliche Stimmen bevorzugt eingesetzt werden, wenn eine Maschine Anweisungen erhält, und männliche Stimmen in Situationen, in denen die Maschine Anweisungen erteilt, da dies alte Geschlechtervorurteile verstärken kann: „[P]eople tend to perceive female voices as helpers or assistants, who are helping us solve our problems, while male voices are viewed as authority figures who tell us the answers to our problems“ (Danielescu 2020, 2).^[27]

Für die Designer*innen von Smart-Geräten bleibt es deshalb eine Herausforderung, Stimmen für Geräte zu konstruieren, die einerseits den Erwartungshaltungen gerecht werden, um keine Aversionen auszulösen, ohne aber andererseits sexistische Vorurteile (weiter) zu fördern. Wenn von Stereotypie in Bezug auf Stimme und Gender gesprochen wird, sollte auch eine mögliche Wechselwirkung bedacht werden: Hören wir als Sprecher*innen einer Gesellschaft stets eine stereotypisierte Form von weiblichen Stimmen bei technischen Entitäten (Sprachassistenten, soziale Roboter, KIs in Sci-Fi-Filmen wie Her etc.), festigt dies möglicherweise unsere Erwartungshaltung, wie Frauen idealerweise sprechen bzw. klingen sollten: „[S]ince human beings have demonstrated a tendency to anthropomorphize machines, and thus to treat social robots as fellow human beings, social robots’ role in influencing the way we see gender and gender appropriate language might be even bigger than we think“ (Pietronudo 2018, 7).^[28]

Um solchen Problematiken hinsichtlich Geschlecht und sprechenden Maschinen künftig angemessen begegnen zu können, setzen Unternehmen wie Virtue^[29] auf die Generierung von geschlechtsneutralen Stimmen (Project Q), die sich in einem Frequenzbereich bewegen, der weder als eindeutig männlich noch als eindeutig weiblich wahrgenommen wird (vgl. Degelo 2021, 220). Allerdings gibt es zurzeit nur wenige solche Angebote, was an der noch geringeren Nachfrage für solche Produkte liegt.

Wie dieses Kapitel gezeigt hat, gibt es einige Herausforderungen und soziale Implikationen, die bei der Konstruktion von weiblichen Stimmen für Geräte wie Sprachassistenten bedacht werden müssen. Weibliche Stimmen machen die Maschinen zwar sympathischer. Aber weshalb ist es denn so wichtig, dass Menschen ihre Maschinen mögen, könnte an dieser Stelle gefragt werden. Dies ist jedoch eine Frage, die sich nicht pauschal beantworten lässt. Einige Personen sehen in einem Sprachassistenten oder sozialen Roboter lediglich eine Maschine, die sich nur durch ihre sprachlichen Fähigkeiten von einer anderen Maschine, wie z. B. einer Kaffeemaschine unterscheidet. Für diese Personen dürfte der Sympathiefaktor keine maßgebliche Rolle spielen. Für andere Personen wiederum sind solche sprechenden Maschinen wie Sprachassistenten ein elektronisches Gegenüber (ganz im Sinne des CASA-Paradigmas),^[30] mit denen sie tägliche Unterhaltungen führen und dadurch eine soziale Beziehung konstituieren: „Increasingly, people view their interactions with intelligent assistants as social interactions, with 41 % of people who own a voice assistant saying it feels like talking to a friend“ (Danielescu 2020, 2 nach Kleinberg 2018). Für solche Personen dürfte die Sympathie ein wichtiges Kriterium sein.

Abgesehen von diesen individuellen Sichtweisen gibt es aber auch universelle Vorteile, die sympathische synthetische Stimmen auf verschiedene Interaktionsformen und -bereiche von Mensch und Maschine haben können; auf diese werde ich im Ausblick genauer eingehen. Das nächste Kapitel widmet sich zunächst aber dem Thema, welche Stimmen (menschliche und synthetische) uns überhaupt sympathisch sind.

4 Empirische Studien zur Bewertung von Sympathie in Stimmen

Nach diesem Überblick zur vokalen Attraktivität menschlicher Stimmen und dem Exkurs zum Voice-Design bei Sprachassistenten sei zunächst nochmals kurz auf das Problem der inkohärenten Verwendung des Ausdrucks ‚vokale Attraktivität‘ bzw. vocal attraction eingegangen. Der Begriff vocal attraction scheint sich als eine Art Sammelbecken für verschiedenste, positiv bewertete stimmliche Ausprägungen etabliert zu haben. Da das englische Wort attractive aber polyvalent ist und nebst ‚attraktiv‘ ebenso die Bedeutungen ‚hübsch‘, ‚erotisch, ‚anziehend‘, ‚verlockend‘, ‚sympathisch‘ etc. enthält, kann dies zu einer ungenauen Trennschärfe in diesem Forschungsbereich führen.^[31] Aufgrund dessen wurde in der nachfolgend dargestellten Untersuchung Wert daraufgelegt, den Unterschied zwischen den beiden Qualitäten attraktiv/sympathisch zu betonen. Um dies zu erreichen, wurden die Proband*innen gleich zu Beginn der Studie darauf hingewiesen, dass sie die nachfolgenden Stimmen nach Sympathie und nicht Attraktivität (im erotischen Sinne) bewerten sollen und eine Definition von Sympathie, wie sie hier verstanden wurde, gegeben. Zusätzlich wurde im Evaluationspart ebenfalls nochmals auf diese Unterscheidung hingewiesen.^[32]

4.1 Methodik

Zur Untersuchung der Sympathie bei menschlichen und synthetischen Stimmen entwarf ich ein Studiendesign mit zwei Experimenten:

Abbildung 3:

Studien-Design der Untersuchung ‚Synthetische Sympathie‘

Beide Experimente dienten zur Eruierung der sympathischsten Grundfrequenz (F₀). Dazu wurden drei Hypothesen aufgestellt (siehe H₁–H₃) und in zwei getrennten Untersuchungen (Experiment 1: menschliche Stimmen, Experiment 2: synthetische Stimmen) die aufgenommenen/generierten Stimmen von Proband*innen jeweils nach Sympathie bewertet. Vor dem Hintergrund des bisherigen Forschungsstands zur Attraktivität weiblicher Menschenstimmen stellte ich die Vermutung auf, dass höhere Stimmen nicht nur als attraktiver, sondern auch als sympathischer wahrgenommen werden. Vom durchschnittlichen Spektrum für westliche Frauenstimmen (165–255 Hz nach Kiese-Himmel 2016) ausgehend, nahm ich den Median,^[33] der bei 210 Hz lag, als Trennwert zur Unterscheidung in hohe/tiefe Stimmen. 210 Hz entspricht zudem auch der durchschnittlichen Grundfrequenz für Frauenstimmen, die bei Ujvary et al. (2022, 7) genannt wurde. Somit wurde in der ersten Untersuchung mit menschlichen Stimmen geprüft, ob Stimmen, die über dem Median liegen, sympathischer wahrgenommen werden als Stimmen, die darunter liegen (H₁):

H₁: Menschliche, weibliche Stimmen mit hoher Frequenz (F₀>210 Hz) werden als sympathischer wahrgenommen als menschliche, weibliche Stimmen mit tieferer Frequenz (F₀<210 Hz).

Für die Sympathie bei synthetischen Stimmen wurde die analoge Vermutung aufgestellt (H₂). Zudem wurde ein Scheitelpunkt erwartet, nach dem die Sympathie wieder abnimmt, ausgehend von der Vermutung, dass F₀/Sympathie – genau wie F₀/Attraktivität – ebenfalls nicht unendlich korrelieren (H₃). Die Hypothesen für das zweite Experiment lauteten demnach:

H₂: Synthetische Stimmen mit höherer Grundfrequenz (F₀>210 Hz) werden als sympathischer wahrgenommen als synthetische Stimmen mit tieferer Grundfrequenz (F₀<210 Hz).

H₃: Die Korrelation zwischen Grundfrequenz (F₀) und Sympathie ist bei synthetischen Stimmen nicht unendlich linear; es existiert ein Scheitelpunkt.

Experiment 1: Menschliche Stimmen

Für die Aufnahme von menschlichen Stimmen wurden zehn Sprecherinnen (Studentinnen der Universität Zürich) rekrutiert,^[34] die einem zuvor festgelegten Profil entsprachen. Das Profil sollte sicherstellen, dass es in der späteren Bewertung zu keinerlei Verzerrungen zu Gunsten von Geschlecht, Alter, regionalen Unterschiede in der Standardsprache oder der Sprachkompetenz kommt. So handelte es sich z. B. bei allen Sprecherinnen um Zürcherinnen,^[35] um auf diese Weise Sympathien zugunsten von unterschiedlichen dialektalen Färbungen in der Standardsprache auszuschließen. Alle Audioaufnahmen wurden im Tonstudio des LiRi (Linguistic Research Infrastructure) der Universität Zürich aufgenommen, um sicherzustellen, dass keine externen Störgeräusche die Aufnahmequalität beeinträchtigen.^[36] Die Sprecherinnen erhielten vorgängig keine Information über die anschließende Sympathiebewertung, da dies möglicherweise zur (un)bewussten Manipulation der eigenen Stimme geführt hätte, was vermieden werden wollte. Die Sprecherinnen wurden zu diesem Zeitpunkt lediglich über den Ablauf des Experiments instruiert und darüber aufgeklärt, dass die dabei entstandenen Audiodaten zu Forschungszwecken analysiert und perzipiert werden. An den Aufnahmetagen sprach jede Sprecherin insgesamt drei analog gestaltete deutsche Texte mit je fünf Sätzen ein. Um eine Textsorte zu wählen, mit der alle Sprecherinnen sicher vertraut waren, fiel die Entscheidung auf eine telefonische Essensbestellung.^[37] Der einzige der drei Texte, der dabei tatsächlich für die Sympathie-Bewertung der Stimme verwendet wurde, wurde zum Schluss eingesprochen, um so der anfänglichen Nervosität (Stottern, Versprechen, Lachen, Räuspern) der Sprecherinnen bestmöglich vorzubeugen. Die Grundfrequenzen (F₀) der Sprecherinnen wurden anhand des gesamten Audiomaterials des dritten Textes mittels der automatischen Pitch-Erkennung von Praat^[38] eruiert (mean pitch F₀). Anschließend erfolgte die Auswahl von fünf Stimmen (V1–V5), deren Grundfrequenzen zusammen von 184 bis 252 Hz rangierten,^[39] um so das durchschnittliche Spektrum der weiblichen Stimme möglichst nachzubilden (165–255 Hz vgl. Kiese-Himmel 2016, 39). Die mittlere Stimme (V3) dieser Untersuchung entspricht mit 209 Hz beinahe exakt dem zuvor bestimmten Median von 210 Hz. Dadurch liegen jeweils zwei Stimmen darüber (V1, V2) und zwei Stimmen darunter (V4, V5), wodurch sich eine symmetrische Verteilung ergibt.^[40] Zur Verifizierung der H₁ müssten die Stimmen mit höherer Grundfrequenz, V1 und V2 (F₀ >210 Hz), gegenüber den tieferen V4 und V5 (F₀ <210 Hz), von einer deutlichen Mehrzahl der 107 Probanden dieses Experiments präferiert werden.^[41]

Experiment 1: Bewertung

Die für die Bewertung rekrutierte Proband*innengruppe bestand aus 107 Teilnehmenden. Dabei handelte es sich um 78 weibliche, 19 männliche und 10 non-binäre Studierende der Universität Zürich mit unterschiedlicher sexueller Orientierung.^[42] Die Aufgabe der Teilnehmer*innen war es, die fünf ausgewählten Stimmen nach mehrmaligem Hören nach Sympathie zu ranken, von der sympathischsten Stimme zu der am wenigsten sympathischen Stimme. Alle Teilnehmenden wurden angewiesen, die Stimmen dabei ausschließlich nach Sympathie, nicht nach Attraktivität zu bewerten. Zur internen Kontrolle wurden die Proband*innen nach der Evaluierung der Stimmen in der Auswertung in zwei Gruppen unterteilt. In der ersten Gruppe, der SVA (social vocal attraction: Sympathie) befanden sich nur die Antworten jener Proband*innen, von denen – aufgrund ihres Geschlechts und sexueller Orientierung – davon ausgegangen werden konnte, dass sie keine sexuelle Anziehung zu Frauen haben. Das bedeutet, dass in der SVA-Bedingung die Antworten von heterosexuellen Männern sowie lesbischen und bisexuellen Frauen von der Evaluierung ausgeschlossen wurden, da diese Personengruppen trotz des Hinweises auf das Bewertungskriterium ‚sympathisch‘ möglicherweise eine weibliche Stimme (unabsichtlich) auch hinsichtlich ihrer Attraktivität, im erotischen Sinne, bewerten würden. Diese Personen wurden in die VA-Gruppe (vocal attraction: Attraktivität) eingeteilt. Durch diese Zweiteilung ließen sich die Ergebnisse der SVA-Gruppe und die der VA-Gruppe zur Sicherung der internen Validität gegenüberstellen. Hätte sich nun ein aussagekräftiger Unterschied in der Bewertung gezeigt (>5 % Abweichung), hätte die VA-Gruppe ausgeschlossen werden müssen.

In der Gegenüberstellung der beiden Gruppen (SVA/VA) konnte allerdings kein solcher Unterschied festgestellt werden. Die geringfügigen Abweichungen wurden deshalb als zufällig eingestuft und die VA-Gruppe (n=60) in die Gesamtauswertung (SVA(n=47) + VA(n=60) = N=107) reintegriert.

Experiment 2: Synthetische Stimmen

Die synthetischen Stimmen für das zweite Experiment wurden mit Hilfe von Lovo.AI^[43] erstellt: Lovo.AI ist einer der fortschrittlichsten KI-Stimmengeneratoren, bei dem aus über 500 Stimmen und 100 verschiedenen Sprachen gewählt werden kann. Mittels TTS-Technologie^[44] ermöglicht er es, beliebige Sätze in der gewünschten Stimme zu produzieren. Aus diesen Gründen ist Lovo.AI nicht nur in der Wirtschaft (z. B. für Voice-Overs bei Werbungen) sondern auch in der Wissenschaftscommunity beliebt und wird für Studien mit synthetischen Stimmen genutzt (siehe z. B. Herder/Herden 2023). Für dieses Experiment wählte ich eine Stimme mit dem Profil female, young adult, US-English und ließ sie den Satz: „Hello, how are you today?” vorlesen. Gewählt wurde ein bewusst neutraler und kurzer Satz, sodass das semantische Gehalt der Äußerung möglichst vorurteillos ausfällt und keine Assoziationen birgt, die einen Einfluss auf die Bewertung haben könnten.^[45] Dieses Audiofile diente dann als ‚Basisstimme‘, auf deren Grundlage dann durch Manipulationen der Grundfrequenz (Erhöhung/Vertiefung der F₀) neun weitere synthetische Stimmen generiert wurden. Dazu importierte ich die Audiodatei in Audacity, ein intuitives Audioeditor-Programm, in dem die Grundfrequenz manuell modifiziert (erhöhen/vertiefen)^[46] werden kann (Abb. 5). Die dadurch entstandenen Grundfrequenzen der neun synthetischen Stimmen (EVA 1–EVA 9)^[47] umfassten zusammen einen breiten Frequenzbereich von 155 Hz (EVA 1) bis 305 Hz (EVA 9). Damit war der Frequenzbereich – analog zu Borkowska/Pawlowski (2011) – breit genug angesiedelt, um exakt den Moment festlegen zu können, bei dem sich ein Scheitelpunkt etablieren würde. Da das einzige Unterscheidungskriterium dieser synthetischen Stimmen die Grundfrequenz war, konnten andere beeinflussende Faktoren (Behauchung, Intonation, Rhythmus, Lautstärke, Geschwindigkeit etc.) ausgeschlossen werden. Die Proband*innen würden die Sympathie der verschiedenen synthetischen Stimmen somit zwangsläufig nur anhand ihrer unterschiedlichen Grundfrequenzen bewerten.

Abbildung 4:

Auswertung SVA und VA

Sollte sich Sympathie bei synthetischen Stimmen analog zu Attraktivität bei natürlichen Stimmen verhalten, müsste in der Gegenüberstellung zweier Stimmen in allen Fällen unter 260 Hz (Scheitelpunkt bei menschlichen Stimmen und Attraktivität, vgl. Borkowska/Pawlowski 2011) die höhere Version (V_high) und in allen Fällen über 260 Hz die tiefere Version (V_low) von EVA präferiert werden. Zur erfolgreichen Verifizierung der Hypothesen müsste sich in den Resultaten zeigen, dass höhere, synthetische Stimmen (F₀>210 Hz) als sympathischer wahrgenommen werden als tiefere, synthetische Stimmen (H₂) – bis zu einem Scheitelpunkt, nach dessen Überschreiten die Sympathie wieder abnimmt (H₃). Diese Frequenz beim Scheitelpunkt würde dann der ‚goldenen Frequenz‘, der sympathischsten Stimme, entsprechen.

Abbildung 5:

Analyse und Modifizierung der Grundfrequenz in Praat & Audacity

Experiment 2: Bewertung der synthetischen Stimmen

Die Proband*innen (N=435)^[48] wurden hauptsächlich aus Studierenden der Schweizer Hochschulen (UZH, ETH)^[49] rekrutiert. Die dadurch entstandene Proband*innengruppe ist repräsentativ für eine an Schweizer Hochschulen durchgeführte Studie und verfügt deshalb über charakteristische Bias. So zeigen sich deutliche Tendenzen bezüglich der Ethnie/des kulturellen Hintergrunds (~88 % weiß/westlich) und bezüglich der Sexualität (~71 % heterosexuell); ebenfalls liegt ein leichter Frauenbias (~65 %) vor.^[50]

Abbildung 6:

Zusammensetzung Probandengruppe

Die Evaluationen der synthetischen Stimmen (EVA 1–9) wurden in Form eines Online-Fragebogens von Findmind^[51] durchgeführt – ein sicheres, in der Schweiz entwickeltes Umfragetool, das alle Daten verschlüsselt und nicht mit Drittparteien teilt, weshalb es z. B. auch für Kundenumfragen von Schweizer Banken genutzt wird. Der Fragebogen bestand aus drei Teilen: den Fragen zu den demographischen Daten der Teilnehmer*innen (Abb. 6), die A/B-Ratings (Abb. 7a) und den Ranking-Aufgaben (Abb. 7b). Die Teilnahme erfolgte auf freiwilliger Basis und ohne finanzielle Entlohnung und dauerte je nach individuellem Aufwand im Durchschnitt ca. 3–5 Minuten. Die Reihenfolge (höhere Variante/tiefere Variante), in der die Stimmen bei den A/B-Ratings abgespielt wurden, variierten, damit kein auditiver Habituierungseffekt eintreten konnte.^[52]

In den Rating-Aufgaben standen sich jeweils zwei Stimmen gegenüber, die sich um ca. 30 Hz unterschieden. Die Präferenz für eine Stimme wurde durch ein simples A/B-Rating getestet, wofür für die erste Option z. B. EVA 1 (155 Hz) und für die zweite Option EVA 2 (185 Hz) abgespielt wurde.

Abbildung 7a:

A/B-Rating: Frage 5 (EVA 1 vs. EVA 2)

Die Ranking-Aufgaben wurden für den Frequenzbereich von 240 Hz bis 280 Hz eingesetzt, in welchem der Scheitelpunkt der Sympathie/Grundfrequenz-Korrelation vermutet wurde. Die Proband*innen wurden hier also nicht um ein A/B-Rating gebeten, sondern darum, eine Reihenfolge festzulegen (siehe Task, Abb. 7b). In Frage 8 und 10 standen jeweils drei Stimmen zur Auswahl, die einerseits den ‚tieferen‘ hohen Frequenzbereich (Frage 8: F₀ 240 Hz bis 280 Hz | Eva 4, 6, 8) und andererseits den ‚höheren‘ hohen Frequenzbereich (Frage 10: F₀ 260 Hz bis 305 Hz | Eva 6, 8, 9) abfragten, wobei beide die Stimme mit 260 Hz enthielten (EVA 6).

Abbildung 7b:

Ranking: Frage 8 (EVA 4, EVA 6, EVA 8)

4.2 Resultate

Experiment 1: Natürliche Stimmen

In der bereits mehrfach erwähnten Studie von Borkowska/Pawloski (2011) bezüglich der vokalen Attraktivität befand sich die optimale Frequenz für weibliche Stimmen bei 260 Hz. In meiner Pilotstudie mit 107 Proband*innen kam ich zum gleichen Ergebnis bezüglich der Korrelation von Sympathie und Grundfrequenz: Die Stimme, deren Grundfrequenz am nächsten bei 260 Hz lag – V1 mit 252 Hz –, wurde von den Proband*innen am sympathischsten empfunden. Weiter zeigte sich in den Ratings, dass die Stimmen mit höheren Grundfrequenzen (V1 = 252 Hz, V2 = 222 Hz) als sympathischer bewertet wurden als die Stimmen mit tieferen Grundfrequenzen (V4 = 192 Hz, V5 = 184 Hz).

Abbildung 8:

Sympathie Ranking Ergebnisse

Und obwohl die Stichprobe mit 107 Teilnehmer*innen nicht repräsentativ für einen größeren Kontext ist, konnten mit dieser Pilotstudie dennoch erste Tendenzen sichtbar gemacht werden, so z. B. die, dass Frauenstimmen mit höherer F₀ als sympathischer wahrgenommen werden als solche mit tieferer F₀. Somit konnte die Hypothese (H₁), dass Frauenstimmen mit hoher Frequenz (F₀>210 Hz) nicht nur als attraktiver, sondern auch als sympathischer als Frauenstimmen mit tieferer Frequenz (F₀<210 Hz) wahrgenommen werden, verifiziert werden.^[53]

Experiment 2: Synthetische Stimmen

Für synthetische Stimmen ließ sich dieselbe Präferenz feststellen wie für natürliche: Die Stimmen mit höherer F₀ (F₀>210 Hz) wurden als sympathischer wahrgenommen als tiefere Stimmen (H₂), bis zu einem bestimmten Punkt (H₃): Analog zur Attraktivität/F₀-Korrelation bei menschlichen Stimmen korreliert auch die Sympathie bei synthetischen Stimmen nicht unendlich linear mit der Grundfrequenz. Vielmehr setzt ab einem gewissen Frequenzbereich ein Scheitelpunkt ein: Bei synthetischen Stimmen setzte dieser aber bereits bei 240 Hz ein. Die Resultate der Ranking-Aufgabe zeigen deutlich, dass die Stimmen, die höher als 240 Hz waren, als weniger sympathisch wahrgenommen wurden (siehe Abb. 9):

Abbildung 9:

Rankingaufgabe Auswertung (240 Hz–280 Hz)

Hier wird ersichtlich, dass die Sympathie proportional mit dem Abstand zu 240 Hz abnimmt: Während EVA 6 mit 260 Hz noch von 283/435 Personen (~65 %) am zweitsympathischsten empfunden wurde, stimmten bei der noch höheren EVA 8 mit 280 Hz 334/435 Personen (~77 %) darin überein, dass ihnen diese Stimme am wenigsten sympathisch war.

Ein ähnliches Bild stellte sich ein, als EVA 5 (245 Hz) mit der nächsttieferen Frequenz unter 240 Hz (EVA 3, F₀=215 Hz) verglichen wurde: Hier entschied sich ebenfalls eine klare Mehrheit der Proband*innen (~72 %) für die Frequenz bei 245 Hz.

Abbildung 10:

A/B Rating (245 Hz vs. 215 Hz)

Demnach kann die Grundfrequenz um 240 Hz als ‚goldene Frequenz‘ für Sympathie bei synthetischen Stimmen betrachtet werden; Stimmen mit höherer/tieferer F₀ werden in proportionaler Relation zu ihr als weniger sympathisch bewertet.

Die Resultate dieser Studie sind aufschlussreich, da sie die deutlichen Unterschiede in der Sympathiewahrnehmung von synthetischen Stimmen mit unterschiedlichen Grundfrequenzen aufzeigen. In beiden Experimenten weisen sie darauf hin, dass es universelle Präferenzen zu geben scheint, was die ideale Grundfrequenz für Stimmen betrifft. Im direkten Vergleich der beiden Untersuchungen kann festgestellt werden, dass die ‚goldene Frequenz‘ für synthetische Stimmen jedoch tiefer liegt als für menschliche Stimmen. Bei den menschlichen Stimmen präferierten die Proband*innen dieser Untersuchung die Stimme, die am nächsten bei 260 Hz lag und somit dieselbe Frequenz, die Borkowska/Pawloski (2011) als die attraktivste deklarierten. Da Attraktivität und Sympathie beide positive Wahrnehmungsattribute sind, erscheint es auf den ersten Blick naheliegend, dass wir Stimmen, die wir sympathisch finden, auch als attraktiv empfinden und umgekehrt. Auf weitere Faktoren, die ebenfalls dazu beitragen könnten, dass höhere Stimmen als sympathischer wahrgenommen werden, werde ich in der Diskussion noch genauer eingehen. Dass die ideale Frequenz bei synthetischen Stimmen hingegen tiefer liegt als bei menschlichen, könnte ein erster Hinweis darauf sein, dass wir menschliche und synthetische Stimmen anders wahrnehmen und bewerten. Hier ist weitere Forschung nötig, um die möglichen Ursachen dieser Resultate zu eruieren. Eine Möglichkeit wäre, dass wir synthetische Stimmen, von denen wir annehmen, dass sie zu technischen Entitäten gehören, sympathischer finden, wenn sie nicht zu attraktiv klingen.

5 Ausblick

Stimmen können einen großen Einfluss auf die Mensch-Mensch- und die Mensch-Maschine-Kommunikation haben und sympathische Stimmen folglich die Interaktion in beiden Fällen verbessern. Mit Bezug auf den Halo-Effekt und den vocal-attractiveness stereotype wurde bereits aufgezeigt, welche Vorteile Personen mit sympathischen Stimmen in der zwischenmenschlichen Interaktion zugutekommen. Zum Schluss möchte ich nun aber noch auf die Vielzahl an möglichen Einsatzbereichen für sympathische synthetische Stimmen in der Mensch-Maschine-Interaktion zu sprechen kommen, in denen nun der Hörer und nicht der Sprecher profitiert. Die Bereiche, in denen sympathische Stimmen von Nutzen sein könnten, gliedern sich wie folgt:

(I) Pflegebereich:

In der Gesundheitspflege könnte der Einsatz von sympathischen Stimmen von großem Vorteil sein, wenn Pflegeroboter (siehe Robear)^[55] oder soziale Roboter (siehe Pepper)^[56] zur Pflege und Unterhaltung von Patient*innen und Bewohner*innen in Krankenhäusern und Altersheimen eingesetzt werden, wie es bereits vereinzelt der Fall ist, so z. B. im Altersheim Ehrendingen (Schweiz) (vgl. Moser 2023). In diesem Altersheim wurde Pepper bereits für Unterhaltung(en) von und mit Senior*innen eingesetzt und erfreut sich großer Beliebtheit; eine Bewohnerin spricht sich gar gegen den Begriff ‚Roboter‘ aus, und besteht darauf, dass Pepper „etwas ganz Spezielles sei“ und sie ihn „gern habe“ (vgl. Moser 2023). Und Sympathie ist im Pflegebereich ein wichtiges Kriterium, da Patient*innen nicht nur medizinische Pflege benötigen, sondern auch Interaktion, Aktivierung und Gespräche. Und in diesen Bereichen können soziale Roboter Hilfe leisten: So belegen etwa zahlreiche Studien, dass die Interaktion mit dem Roboter Paro, der wie eine Kuschelrobbe geformt und mit Sensoren ausgestattet ist, deutlich dabei hilft, die Lebensqualität von demenzkranken Patienten zu erhöhen und ihre Schmerzen und Ängste zu mildern (vgl. Geva et al. 2022; Moyle et al. 2013; Wang et al. 2021; Stapels/Eyssel 2021). Und dies, obwohl Paro, anders als z. B. Pepper, noch nicht mal sprechen kann. Das könnte sich aber bald ändern, denn dank des raschen Fortschritts im Bereich der generativen KI ist es inzwischen möglich, Large Language Models wie ChatGPT in soziale Roboter zu integrieren (vgl. Chen et al. 2024), was die Mensch-Maschine-Interaktion, und besonders die -Kommunikation, auf ein völlig neues Niveau hebt. Die gleichzeitige Integration eines Sprachmodell wie ChatGPT-4 Turbo und einer sympathischen Stimme könnte dabei helfen, soziale Roboter wie Pepper und Co. zu besseren Gesprächspartnern für alte und kranke Personen zu machen, und die Interaktionsmöglichkeiten zwischen Menschen und Maschinen in solchen Settings weiter fördern.^[57]

(II) Psychotherapie:

Neue KI-Bots wie der Mindsum Bot^[58] oder JungGPT,^[59] die auf maschinellem Lernen basieren und mit entsprechenden Daten trainiert werden, agieren bereits jetzt als ‚Taschen-Psychologen‘ und trösten, beraten und helfen Menschen bei ihren Problemen – und das jederzeit auf Knopf- bzw. Tastendruck. Werden solche Bots nun um eine TTS-Funktion (TTS=Text to Speech) erweitert, können sie ihre schriftlichen Antworten zusätzlich mit sympathischer Stimme verbal vortragen. Dies würde nicht nur im Sinne der Barrierefreiheit die Anwendung solcher Apps für Menschen mit Sehbeeinträchtigung ermöglichen, sondern auch ein authentischeres Therapiegefühl vermitteln, da auf diese Weise eine gesprächsbasierte Interaktion hergestellt werden kann. Relativierend muss an dieser Stelle aber betont werden, dass solche Bots, auch wenn sie von den Sprachkompetenzen her Menschen gleichen, in Krisensituationen keinen ausgebildeten Psychologen ersetzen können oder sollen. Dennoch haben sie großes Potenzial: In Zeiten, in denen Psychotherapeut*innen oft lange Wartezeiten für freie Therapieplätze haben oder es Personen aus persönlichen Gründen (lange Arbeitszeiten oder Nachtschichten, rurale Wohnorte etc.) nicht möglich ist, zu einem Therapeuten zu gehen, können KI-Applikationen ein hilfreiches Alternativangebot sein, um zumindest in der Phase der Überbrückung mit einem objektiven Gegenüber über Probleme sprechen zu können. Sensu Baisch/Kolling: „[Es ist] aus ethischen Gesichtspunkten unabdingbar, möglichst vielen Menschen den Zugang zu einer notwendigen Therapie zu bieten, selbst wenn das bedeutet, dass diese von einem Roboter durchgeführt wird“ (Baisch/Kolling 2021, 433). Und hier könnte die Anwendung von sympathischen Stimmen, ähnlich wie bei den sozialen Robotern in der Pflege, dazu beitragen, dass die Personen sich wohler fühlen und die Mensch-Maschine-Interaktion positiv beeinflussen.

(III) Kundenservice und Assistenzsysteme:

Sympathische Stimmen haben das Potenzial, ein ansprechenderes und angenehmeres Benutzererlebnis in verschiedenen HCI-Anwendungen zu kreieren. Kundenservice-Chatbots oder interaktive virtuelle Avatare, die auf Websites weiterhelfen, können mit solchen Stimmen ausgestattet werden. So kann einerseits händefrei kommuniziert werden, während gleichzeitig andere Aufgaben am PC erledigt werden können. Andererseits können durch sympathische Stimmen negative Emotionen, wie z. B. Frustration über die Webseite, möglicherweise abgemildert werden. In diesen Bereich fallen auch persönliche Assistenzsysteme wie Sprachassistenten und Navigationsgeräte, mit denen im Alltag interagiert wird.

(IV) Bildungswesen und Medien:

a) E-Learning, Tutorials und Schulungsvideos: Im Bildungs- und Schulwesen könnten sympathische Stimmen eine wichtige Rolle spielen, um Lernprozesse effektiver und ansprechender zu gestalten. In Unternehmen und Bildungseinrichtungen werden Schulungsvideos und Tutorials verwendet, um Mitarbeitende einzuarbeiten oder zu schulen. Auf solchen E-Learning-Plattformen können synthetische Stimmen verwendet werden, um Lerninhalte vorzulesen, Erklärungen abzugeben und Fragen zu beantworten. Eine freundliche und sympathische Stimme kann hier dazu beitragen, dass Lernende motivierter sind, sich mit dem Lernstoff auseinanderzusetzen. Dass die Stimmwahl in E-Learning-Kontexten ein einflussreicher Faktor ist, stellten Mayer et al. (2003) in einer Untersuchung fest, in welcher Lernende mit unterschiedlichen Stimmen (menschliche vs. maschinelle Stimme) in einem Lernsetting interagierten. Das Resultat zeigt, dass die Gruppe, die mit der menschlichen Stimme gelernt hat, „scored statistically significantly higher on learning performance tests than the machine voice group“ (Mayer et al. 2003, 120). Ähnliche Effekte konnten mit einem nativen vs. ausländischen Akzent erzielt werden. Dies zeigt, dass die Stimmwahl im Bereich E-Learning einen starken Einfluss auf Lernmotivation und -erfolg hat, weswegen es plausibel erscheint, anzunehmen, dass ebenfalls eine Korrelation zwischen sympathischen Stimmen und Lernerfolg in solchen Formaten bestehen könnte.

b) Medien wie Sprachlernapps, Radio, Podcasts etc.: Beim Erlernen neuer Sprachen auf Apps wie Duolingo oder Babbel können sympathische Stimmen verwendet werden, um die richtige Aussprache zu demonstrieren und Dialoge in der Zielsprache vorzulesen. Dies kann hier erneut einen Einfluss auf den Erfolg und vor allem die Motivation, mit der Software zu üben, haben. Stellt man sich den umgekehrten Fall vor (d. h. mit einer Sprachlern-App üben zu müssen, die eine äußerst unangenehme, z. B. schrille oder monotone Stimme verwendet), so ist es plausibel anzunehmen, dass die Motivation der Lernenden geringer ist und sie die App weniger nutzen. Aus den gleichen Gründen können Radiosender Hörerinnen und Hörer verlieren, wenn sie den Host wechseln und die neue Stimme beim Zielpublikum nicht gut ankommt. Um dieses Risiko bei einem Moderatorenwechsel zu vermeiden, könnten deshalb auch Radiosender in der Zukunft in Betracht ziehen, sympathische KI-Stimmen anstelle menschlicher Moderatoren die Nachrichten verkünden und das Wetter ansagen zu lassen.^[60] Analog zum Radio können sympathische, synthetische Stimmen für jegliche Formen von auditiven Medien eingesetzt werden, darunter auch die Vertonung von Audiobooks, Kinderhörbüchern und Podcasts.

Während die hier erwähnten Einsatzgebiete (I) und (II) eher soziale Komponenten enthalten und das individuelle wie auch das kollektive Wohl einzelner Personengruppen fördern können, so sind (III) und (IV) auch aus wirtschaftlicher Sicht interessant. Auf jeden Fall können wir festhalten: Es gibt eine breite Palette möglicher Anwendungsbereiche für sympathische synthetische Stimmen in der Mensch-Maschine-Interaktion, die weit darüber hinausgehen, Sprachassistenten sympathischer klingen zu lassen. Und obwohl auch kritische Fragestellungen bei der Konzeption synthetischer Stimmen mitbedacht werden müssen, insbesondere wenn es sich dabei um weibliche Stimmen oder Stimmen für weiblich attribuierte Maschinen handelt, so ist es trotzdem wünschenswert, weiter zu erforschen, wie synthetische Stimmen für Maschinen optimiert werden können. Aktuell ist dieses Desiderat noch lange nicht ausgeschöpft. In Anbetracht ihres Potenzials sollte Stimmen deshalb in Bezug auf die Mensch-Computer-Interaktion (z. B. Mensch und virtueller Assistent) und auch auf die Mensch-Roboter-Interaktion (z. B. Mensch und sozialer Roboter) künftig mehr Bedeutung beigemessen werden, als dies in der Vergangenheit der Fall war. Denn obwohl TTS-Modelle bereits seit über 50 Jahren verwendet werden, sprechen Roboter erst seit den letzten fünfzehn Jahren mit menschlich klingenden und nicht mehr roboterhaften Stimmen (vgl. Klatt 1987; Zen et al. 2009). Das mag daran liegen, dass lange Zeit der (einzige) Fokus darauf ausgerichtet war, was der Roboter sagt (Ebene der Semantik, Grammatik und Syntax), und nicht, wie er es sagt (Ebene der Pragmatik und Interaktion). Der vorliegende Aufsatz beabsichtigt, mit den durchgeführten Studien die Gegenperspektive zu stärken und die Relevanz pragmatischer Interaktionsaspekte, wie der Stimme, für die Wahrnehmung des Gegenübers – sei es nun ein Mensch, ein sozialer Roboter oder ein Sprachassistent – hervorzuheben.