Trainingstagebuch. Eintrag 1: neunhundertvierzig Stunden Gespräch

Damit ein Modell Portugiesisch spricht, muss es viel zuhören. Nicht Sprechern und nicht Vorlesungen — sondern echten Gesprächen zwischen zwei Menschen, mit Unterbrechungen, Lachen und Nachfragen. Und es muss europäisches Portugiesisch sein, nicht brasilianisches. Klingt nach einer einfachen Aufgabe: Aufnahmen finden. In Wirklichkeit ging der ganze erste Monat dafür drauf, herauszufinden, wonach genau wir suchen.

Zuerst dachten wir, Material gäbe es im Überfluss. Wir begannen mit YouTube — Gesprächspodcasts und Sendungen portugiesischer Radio- und Fernsehsender; YouTube hat uns mehr als einmal ausgebremst, also luden wir langsamer herunter. In offenen Katalogen fanden wir insgesamt über zwanzigtausend Stunden. Doch das meiste waren Monologe, und ein guter Teil war brasilianisch. Das eine automatisch vom anderen zu unterscheiden, war schwerer als gedacht: Ein Akzent-Klassifikator, der auf YouTube-Aufnahmen gut funktionierte, lag bei allem anderen in beide Richtungen daneben. Wir mussten Quellen einzeln prüfen.

Der größte offene Korpus, den wir fanden, waren Tausende Stunden Parlamentssitzungen mit fertigen Transkripten. Kostenlos und sauber annotiert. Wir haben ihn heruntergeladen — und zurückgestellt. Ein Modell für ein Contact Center muss wie ein lebendiger Mensch klingen, nicht wie ein Abgeordneter am Rednerpult.

Der wichtigste Fund waren Hörspiele: fast dreihundert Stunden natürlicher, vielstimmiger Dialog aus einer einzigen Quelle. Danach kamen Gesprächssendungen, Radio mit Höreranrufen, Talkshows, Uniradio. Wir haben auch Kinderstimmen und Zeichentrickfilme ausprobiert — und sie nach einem Tag verworfen: falsches Register.

Ein Wort zu unserem eigenen Fehler. Zuerst wollten wir das Modell mit Branchenvokabular trainieren — Telefonie, Rufnummern, Protokolle. Das war ein grober Fehler, und wir haben ihn korrigiert. Das Modell lernt an Alltagssprache: Preise, der Weg, Kinder, Schule, Autos, Beziehungen, Politik. Über das Geschäft zu reden lernt es später. Zuerst lernt es einfach zu reden.

Der schwierigste Teil ist, eine Aufnahme in Stimmen zu zerlegen. Das Modell braucht jeden Gesprächspartner auf seiner eigenen Spur. Wir haben es selbst mit offenen Werkzeugen versucht: Im Pilot kamen 97 % Genauigkeit heraus, im großen Maßstab — keine einzige brauchbare Episode. Ein ehrliches negatives Ergebnis. Weiter half ein bekanntes Unternehmen, das sich auf Diarisierung spezialisiert hat — die Trennung von Sprache nach Sprechern, bis aufs einzelne Wort. Damit ließen sich Gespräche zuverlässig in Stimmen zerlegen.

Und die letzte Regel dieses Monats: keine Käufe. Nur offene und kostenlose Quellen. Kostenpflichtige Korpora und in Auftrag gegebene Dialogaufnahmen sind derzeit nicht unser Weg.

Stand heute: rund neunhundertvierzig Stunden Gespräch, bereit fürs Training, und laufend kommt Neues hinzu. Das Training hat mehrere Zyklen durchlaufen und läuft jetzt ohne Pausen: Das Modell nimmt sich neue Datenpakete, sobald sie bereit sind. Langsam — GPUs sind weiterhin knapp. In den nächsten Einträgen: was das Modell schon kann, wo es Fehler macht und welche Zahlen wir haben.