DeepL baut seine Sprachübersetzung für Meetings und Gespräche deutlich aus. Neue KI-Modelle sollen bei der Übersetzung nicht mehr nur Wörter von einer Sprache in eine andere übertragen, sondern auch charakteristische Merkmale der jeweiligen Stimme bewahren. Dazu gehören Tonfall, Rhythmus, Sprechtempo und Intonation. Fragen sollen dadurch auch in der übersetzten Version wie Fragen klingen, während etwa Zögern, Begeisterung oder Dringlichkeit ebenfalls hörbar bleiben. Die sogenannte Stimmerhaltung steht zunächst für 14 Sprachen zur Verfügung, Voice-to-Voice-Übersetzungen unterstützt DeepL in mehr als 30 Sprachen.
Technisch ist das anspruchsvoll, weil mehrere Anforderungen gleichzeitig erfüllt werden müssen. Die KI muss Sprache erkennen, übersetzen und wieder als Audio ausgeben – und dabei sowohl die Stimme des Sprechers als auch dessen Ausdruck möglichst erhalten. Gleichzeitig darf die Verzögerung nicht so groß werden, dass ein natürliches Gespräch kaum noch möglich ist. DeepL zufolge funktionieren die neuen Modelle in Echtzeit und benötigen dafür keine zuvor gespeicherten Sprachproben oder dauerhaft angelegten Stimmprofile. Damit verschiebt sich der Schwerpunkt von klassischen Übersetzungsuntertiteln zunehmend hin zu direkt übersetzten Gesprächen.
Passend dazu veröffentlicht DeepL eine neue Voice-App für Windows und Mac. Sie arbeitet mit Zoom, Microsoft Teams und Google Meet zusammen, erkennt laufende Meetings automatisch und kann wahlweise übersetzte Untertitel oder die übersetzte Sprache ausgeben. Die Technik lässt sich außerdem für persönliche Gespräche und über eine API in andere Anwendungen integrieren. Einen größeren Praxistest bekommt die Technologie derzeit auf der Salesforce Dreamforce: Dort stellt DeepL Echtzeit-Übersetzungen auf 50 Bühnen und in mehr als 1.000 Sessions bereit.
