Betrete den Drachen

Jedes Gebäude hat seinen Anspruch auf Ruhm, sagt Janet Baker, während sie mich durch ein dreistöckiges Backsteingebäude führt, das auf einem Hügel mit Blick auf Boston steht. Dieses Gebäude, einst eine Mühle, wurde gereinigt, renoviert und in Büros umgewandelt. Heute ist es der Hauptsitz von Dragon Systems, der 1982 von Janet und ihrem Mann Jim Baker gegründeten Firma.

Was ist dieser? Ich frage.

Diese Geschichte war Teil unserer Ausgabe vom September 1998

• Siehe den Rest der Ausgabe
• Abonnieren

Das Seil, das John Wilkes Booth aufgehängt hat, sei hier hergestellt worden, sagt sie mit einem Lächeln.

Wenn ich die Vergangenheit des Industriegebäudes kenne, sind die Schilder überall. Die Böden im zweiten und dritten Stock sind leicht geneigt, damit Arbeiter vor einem Jahrhundert die massiven Seilrollen rollen konnten. Im dritten Stock gibt es Türen, die sich in den leeren Raum öffnen, wo Block and Tackle die Spulen zu den darunter wartenden Waggons absenkt. Riemenscheiben und Rollen hängen noch von den Decken des Gebäudes.

Aber Historiker, die auf das 21. menschliche Sprache.
Seit dem letzten Jahrhundert versuchen Ingenieure, eine Maschine zu bauen, die auf die Stimme ihres Meisters hört; sogar Alexander Graham Bell versuchte sich daran. Und während es Computer, die einzelne gesprochene Wörter erkennen können, schon seit Jahrzehnten gibt, verkündeten Experten im Herbst 1995 immer noch, dass Desktop-Maschinen, die kontinuierliche Sprache transkribieren können – die schnelle und manchmal verworrene Art und Weise, wie Menschen tatsächlich sprechen – erst um zumindest im Jahr 2000 ... und möglicherweise viel später.

Heute können Sie NaturallySpeaking von Dragon Systems für 99,95 US-Dollar in Computergeschäften kaufen und auf einem neuen PC für weniger als 2.000 US-Dollar ausführen.

Was kann diese Technologie also tun? Anfang dieses Jahres saß ich mit einer Reihe skeptischer Technologieautoren in einem Konferenzraum in der Zentrale von Dragon, während Joel Gould, der leitende Architekt von Dragon Systems, das Programm demonstrierte, an dessen Entwicklung er beteiligt war. Gould ging zur Vorderseite des Konferenzraums, stöpselte seinen Laptop in den Projektor ein, setzte ein leichtes Telefon-Headset auf und begann zu sprechen.

Ich werde Ihnen zuerst eine Demonstration geben, und dann werde ich zurückgehen und Ihnen einige der Dinge zeigen, die Sie schnell vorbeigehen sehen, sagte Gould. Ein paar Sekunden später erschienen die gleichen Worte auf dem Bildschirm, die vom Computer selbst magisch getippt wurden. Gould ging in diesem Konversationsstil vor, wobei die Maschine alles, was er sagte, transkribierte. Obwohl es gelegentlich einen Fehler gab, war die Genauigkeit der Maschine bemerkenswert. In der Hoffnung, das Programm über den Haufen zu werfen, fragte ein Reporter, ob er Wörter unterscheiden könne, die gleich klingen, aber unterschiedlich geschrieben werden. Gould lächelte und stieß ein schwindelig aus: Bitte schreiben Sie jetzt einen Brief an Mrs. Wright. Sag ihr, dass zwei zu viel sind, um sie zu kaufen. Das System erkannte die Wörter perfekt.

Das Management von Dragon prognostiziert zuversichtlich, dass ein Computer ohne eine solche Spracherkennungssoftware in fünf Jahren so primitiv erscheinen wird, wie es heute ein Computer ohne Maus erscheinen würde. Briefe und E-Mails werden so einfach diktiert wie am Telefon. Nur einen Schritt weiter könnte die PC-basierte Simultanübersetzung Sprachbarrieren überwinden.

Die Einführung der Spracherkennung einige Jahre früher als geplant ist hauptsächlich auf die Beharrlichkeit von Jim und Janet Baker zurückzuführen, dem Ehepaar, das 1982 Dragon gründete. Als Forscher halfen die beiden bei der Erfindung einiger der grundlegenden Algorithmen, die heute von allen Spracherkennungsprodukten verwendet werden . Als Unternehmer kämpften sie Jahre vor dem Zeitplan für die Kommerzialisierung der Technologie. Jetzt, da die Sprache auf dem Desktop ist, ist klar, dass unsere Computerzukunft zu einem nicht geringen Teil von Dragon Systems und dem Ehepaar, das sie hervorgebracht hat, geprägt wird.

Janet Maciver und Jim Baker verliebten sich ineinander, als sie beide Doktoranden an der New Yorker Rockefeller University waren. Es war im Herbst 1970. Janet, eine sympathische und aufgeschlossene Biophysikerin, untersuchte, wie Informationen vom Nervensystem verarbeitet werden. Jim war ein äußerst schüchterner Mathematiker, der nach einem vielversprechenden Thema für seine Abschlussarbeit suchte.

Der dritte Teilnehmer in ihrer Beziehung – das Rätsel der Spracherkennung – betrat eines Tages die Bühne, als Jim Janets Labor besuchte und einen Oszilloskopbildschirm sah, der eine bewegte Wellenlinie anzeigte. Das Signal, erklärte Janet, sei ein kontinuierliches Protokoll laufender Ereignisse, das von einer Art kleiner analoger Schaltung erzeugt wurde, die ursprünglich von Professor Jerome Lettvin am MIT erfunden wurde. Die Ereignisse auf ihrem Bildschirm waren die Klänge menschlicher Sprache.

Es schien mir ein sehr interessantes Mustererkennungsproblem zu sein, sagt Jim und erinnert sich an diese schicksalhafte Kringel. An einen Lautsprecher geleitet, würde das Signal Geräusche erzeugen, die eine Person verstehen könnte: Sprache, kurz gesagt. Aber die auf dem Bildschirm angezeigten Informationen waren undurchdringlich.

Und als ich mehr darüber erfuhr, wurde mir klar, wie schwierig das Problem wirklich war, erinnert er sich. Die größte Herausforderung bestand nicht nur darin, einen Computer zu bauen, der einzelne Wörter identifizieren konnte – ein Team von Bell Labs hatte dies bereits 1952 getan. Bells einfacher Computer konnte die Ziffern null bis neun erkennen, indem er die gesprochenen Laute mit einer Reihe von in gespeicherten Mustern abgleichte analoger Speicher. Und in den 1970er Jahren hatten solche diskreten Erkennungssysteme – die funktionierten, vorausgesetzt, das System wurde zuerst auf die Stimme des Sprechers trainiert und der Sprecher zwischen jedem Wort eine Pause machte – auf ein paar hundert Wörter aufgebaut.

Die eigentliche Aufgabe bestand darin, einen Algorithmus zu entwerfen, der natürlich gesprochenen Sätzen einen Sinn geben kann – bei denen einzelne Wortlaute durch ihren Kontext getarnt werden (siehe Abbildung S. 61). Das [machte] es interessanter, sagt Jim. Schon damals erschien ihm die kontinuierliche Spracherkennung als ideales Forschungsproblem, das er als sehr schwierig, aber nicht unmöglich bezeichnet.

Als Jim und Janet sich 1971 auf ihre Hochzeit vorbereiteten, startete die US-amerikanische Defense Advanced Research Projects Agency (DARPA) ein ehrgeiziges fünfjähriges Projekt namens Speech Understanding Research. Die Agentur war der Ansicht, dass jede Technologie, die es Soldaten ermöglicht, schneller mit Computern zu kommunizieren, einen erheblichen strategischen Vorteil darstellen könnte, insbesondere auf dem Schlachtfeld. Das Ziel des Projekts: ein System, das kontinuierliche menschliche Sprache aus einem 1.000-Wort-Vokabular mit 90-prozentiger Genauigkeit erkennen kann.

Der Zeitpunkt der DARPA-Initiative war für die Bakers zufällig, ebenso wie Jims wissenschaftlicher Hintergrund. Als Student hatte er eine mathematische Methode zur Analyse scheinbar zufälliger Ereignisse entwickelt, die auf Methoden des russischen Mathematikers Andrey Markov (1856-1922) basierte. Jim war der erste, der erkannte, dass solche Hidden-Markov-Modelle verwendet werden könnten, um das Sprachrätsel zu entwirren.

Die meisten Frischvermählten arbeiten zusammen, um Herausforderungen zu lösen, beispielsweise das Muster, das sie für ihr Hochzeitsgeschirr wählen sollen. Die Bakers ließen diese Aufgaben nicht aus (sie wählten einen Drachen), beschlossen dann aber, auch das Problem der Spracherkennung gemeinsam anzugehen. Dennoch fanden sie sich bei Rockefeller zunehmend isoliert wieder, das keine Experten für Sprachverständnis hatte und nicht die Computerleistung hatte, um Jims Techniken auszuprobieren. Also packten sie im nächsten Jahr ihre Koffer und wechselten zur Carnegie Mellon University, einem der Hauptauftragnehmer des DARPA-Projekts und einer Brutstätte der künstlichen Intelligenz (KI).

Bei Carnegie Mellon stellten die Bakers fest, dass ihr Ansatz zur Spracherkennung weit vom Mainstream entfernt war. Damals glaubten viele KI-Forscher, dass eine Maschine gesprochene Sätze nur dann erkennen könnte, wenn sie zuerst einen Großteil des Kontexts verstehen konnte, darunter wer der Sprecher war, was der Sprecher wusste und was der Sprecher möglicherweise sagen wollte, sowie die Regeln der englischen Grammatik. Mit anderen Worten, um Sprache zu erkennen, müsste eine Maschine ziemlich intelligent sein.

Die Bakers versuchten einen ganz anderen Weg. Aufbauend auf Jims Erfahrung mit Markov-Modellen entwickelten sie ein Programm, das in einem rein statistischen Bereich operierte. Zuerst begannen sie, die Wahrscheinlichkeit zu berechnen, dass zwei oder drei Wörter im Englischen nacheinander auftauchen. Dann erstellten sie ein phonetisches Wörterbuch mit den Lauten dieser Wortgruppen. Der nächste Schritt war ein Algorithmus, der eine Reihe von gesprochenen Wörtern nicht nur aufgrund einer guten Tonübereinstimmung entschlüsselt, sondern auch anhand der Wahrscheinlichkeit, dass jemand sie in dieser Reihenfolge spricht. Das System hatte keine Kenntnisse der englischen Grammatik, keine Wissensbasis, kein regelbasiertes Expertensystem, keine Intelligenz. Nichts als Zahlen.

Es war eine sehr ketzerische und radikale Idee, sagt Janet. Viele Leute sagten: Das ist nicht Sprache oder Sprache, das ist Mathematik! Das ist etwas anderes!’

Obwohl das Denken der Bakers auf weit verbreitete Skepsis stieß, sagt Victor Zue, stellvertretender Direktor des Labors für Computerwissenschaften des MIT und ein Mitpionier der Sprachforschung, hat sich die Zeit als richtig erwiesen, diese Art von Ansatz zu verfolgen. Tatsächlich übertraf das System der Bakers, das sie nach der Kreatur, die ihr Porzellanset schmückte, Dragon nannten, bald die Leistung der konkurrierenden Methoden.

Als die Bakers 1975 von Carnegie Mellon promoviert wurden, brachten ihnen ihre Pionierleistungen bald beide Jobs am IBM Thomas J. Watson Research Center außerhalb von New York City. Zu dieser Zeit war IBM eine der wenigen Organisationen, die mit großem Wortschatz und kontinuierlicher Spracherkennung arbeiteten. Wir gingen nicht zu [IBM] und sagten: Sie müssen uns beide einstellen“, erinnert sich Jim. Es hat einfach so geklappt. Es war jedoch ein Muster, das sich wiederholen würde. Heute, mit Jim als Chairman/CEO und Janet als President von Dragon Systems, sind die Bakers stolz darauf, fast identische Lebensläufe zu haben.

Bei IBM entwickelten die Bakers ein Programm, das kontinuierliche Sprache aus einem Vokabular von 1.000 Wörtern erkennen konnte. Es war jedoch alles andere als in Echtzeit. Das Programm, das auf einem IBM 370-Computer lief, brauchte ungefähr eine Stunde, um einen einzelnen gesprochenen Satz zu entschlüsseln. Was die Bakers jedoch mehr frustrierte als das Warten auf die Zeit auf dem Mainframe, war die Weigerung von IBM, die Spracherkennung unter realen Bedingungen zu testen.

IBM ist eine exzellente Forschungseinrichtung und wir haben gerne dort gearbeitet, sagt Janet. Aber wir waren sehr bestrebt, Dinge auf den Markt zu bringen und echte Benutzer zu gewinnen. Sicherlich können echte Benutzer keine Stunde warten, bis ein Computer einen Satz transkribiert. Aber, bemerkt sie, hätte man mit viel weniger [Computer-]Ressourcen einfachere Dinge tun können. Das Management von IBM fühlte sich anders und sagte den Bakers, dass sie zu früh seien.
Es war die Blütezeit verpasster Gelegenheiten bei IBM (zählen Sie relationale Datenbanken und RISC-Mikroprozessoren zu den wichtigsten Erfindungen, die das Unternehmen nicht vermarkten konnte) und 1979 kochte die Frustration der Bakers über. Das Paar wechselte zu Verbex, einer in Boston ansässigen Tochtergesellschaft von Exxon Enterprises, die ein System zum Sammeln von Daten über das Telefon über gesprochene Ziffern entwickelt hatte. Jim (als frischgebackener Vizepräsident für fortschrittliche Entwicklung) und Janet (als Vizepräsidentin für Forschung) machten sich daran, das Programm für kontinuierliche Sprache zu verwenden.

Aber weniger als drei Jahre später stieg Exxon aus dem Spracherkennungsgeschäft aus und die Bakers suchten wieder Arbeit. Diesmal bedeuteten ihre ähnlich aussehenden Lebensläufe Ärger – es gab für keinen von ihnen einen Job. Das Duo erkannte, dass sie vor einer Wahl standen: sich von der Spracherkennung trennen, indem sie die Felder wechseln, oder sich auf den Weg machen.

1982 gründeten die Bakers ohne Risikokapital, ohne Geschäftsplan, zwei Kindern im Vorschulalter und einer großen Hypothek Dragon Systems. Sie leiteten die Firma von ihrem Wohnzimmer aus und dachten, ihre Ersparnisse könnten 18 Monate reichen – vielleicht 24, wenn sie wenig genug aßen.

Etwas stämmig, aber nicht wirklich aus der Form geraten, sehen die Bakers heute eher wie glücklich alternde Akademiker aus als erfolgreiche Unternehmer. Aber wenn man durch das großzügige Hauptquartier von Dragon geht, wird sofort klar, dass sie beides sind. Dragon Systems ist in den letzten 16 Jahren jedes Jahr um fast 50 Prozent gewachsen; es beschäftigt heute mehr als 260 Mitarbeiter. Ihr Geheimnis, sagt Janet, war ein Jahrzehnt der Eigenständigkeit. Anstatt Schulden anzuhäufen oder eine Beteiligung am Unternehmen an Außenstehende zu verkaufen, bestanden die Bakers darauf, dass Gehälter und Ausgaben aus den Einnahmen bezahlt werden mussten. Infolgedessen konzentrierte sich Dragon darauf, reale Probleme mit der aktuellen Technologie zu lösen, und konnte liefern.

Die Jahre nach dem Schlüpfen von Dragon brachten eine ganze Reihe von kundenspezifischen Projekten, Forschungsverträgen und einzigartigen Produkten mit sich, die auf dem immer robusteren diskreten Erkennungsansatz beruhten. Zu den Meilensteinen zählte Dragons erster Deal, bei dem eine kleine britische Firma namens Apricot Computers die Technologie von Dragon nutzte, um den ersten PC zu vermarkten, mit dem Menschen Dateien öffnen oder Programme ausführen können, indem sie einfache Befehle sprechen. (Leider war Apricot seiner Zeit voraus gereift und ging bald pleite.) 1986 nutzten Xerox-Mitarbeiter, die mit Mikrofonen und Funksendern bewaffnet waren, die Dragon-Technologie, um den gesamten Bestand des Unternehmens mit 2,2 Millionen Teilen zu prüfen.

1990 führte Dragon DragonDictate 30K ein, das erste Sprach-zu-Text-System mit großem Wortschatz für Allzweck-Diktat. Das Programm ermöglichte es einem Benutzer, einen PC nur mit der Stimme zu steuern, und fand sofort Anklang bei den Behinderten, darunter dem Schauspieler Christopher Reeve.

Aber die diskrete Technologie von Dragon konnte den allgemeinen Markt nicht durchdringen. Obwohl viele Leute mit DragonDictate schneller Text eingeben als tippen konnten, gefiel es niemandem, zwischen jedem gesprochenen Wort eine Pause einzulegen. Schlimmer noch, die Konkurrenten waren mit ihrer eigenen diskreten Spracherkennungstechnologie stark. Jeder wusste, dass das, was die Benutzer wirklich wollten, eine kontinuierliche Spracherkennung war und dass das erste Unternehmen, das auf den Markt kam, kurz davor stand, zu dominieren. Aber jeder wusste auch, dass ein kontinuierliches Produkt mindestens fünf Jahre, vielleicht sogar ein Jahrzehnt entfernt war.

Dann irgendwann Ende 1993 erkannten die Bakers, dass die konventionelle Weisheit falsch war. Da sie wussten, wie schnell sich Computergeschwindigkeit und Speicher verbesserten, berechneten sie, dass Desktop-Computer der Spitzenklasse innerhalb weniger Jahre die Fähigkeit zur kontinuierlichen Erkennung haben sollten. So wie die beiden ihre Karriere einst mit einem ausgefallenen neuen Ansatz zur Spracherkennung riskiert hatten, begannen die Bakers in der ersten Hälfte des Jahres 1994 mit der Neugestaltung ihres Unternehmens, um die Gelegenheit zu nutzen und ihre Ideen auf den Markt zu bringen.

Während Jim ein neues Entwicklungsteam zusammenstellte, um den ersten kontinuierlichen Spracherkenner von Dragon zu bauen, vermittelte Janet einen Deal mit dem kalifornischen Festplattenhersteller Seagate Technologies über den Kauf von 25 Prozent der Aktien von Dragon. Das Unternehmen verwendete das Geld, um seine Technik-, Marketing- und Vertriebsmitarbeiter zu besetzen. Innerhalb eines Jahres hatte Dragon das größte Sprachforschungsteam der Welt – mehr als 50 Wissenschaftler und Softwareingenieure.

Das neue Endlosprodukt wären eigentlich zwei Programme in einem. Der erste, der Erkenner, würde die eigentliche Aufgabe übernehmen, gesprochene Äußerungen in englischen Text umzuwandeln. Das zweite Programm war die Schnittstelle, die den Erkenner sowohl mit dem Benutzer als auch mit dem Rest des Betriebssystems des Computers verband. Während die erste Hälfte reine Wissenschaft war (auf der frühen Arbeit der Bakers aufbauend), war die zweite die frustrierende Mischung aus Ingenieurwesen und Kunst, die erforderlich war, um Wissenschaft in ein marktfähiges Produkt zu verwandeln.

Das schwierigste dieser realen Probleme bestand darin, die Software in einer Windows-Umgebung gut laufen zu lassen. Windows ist schrecklich, beklagt Dragon's Gould, der die kritische Aufgabe des Designs der Benutzeroberfläche übernommen hat. Es ist fehlerhaft, schlecht dokumentiert, inkonsistent und Teile davon [sind] fast unbrauchbar. Aber das ist es, was alle unsere Kunden betreiben.

Im April 1997 hatte Dragons Team die wichtigsten Hürden genommen und begann, Branchenanalysten darauf hinzuweisen, dass etwas Großes bevorstand. Wir waren skeptisch, erinnert sich Peter Ffoulkes vom Marktforschungsunternehmen Dataquest. Dann sah er die Demo mit einem Wortschatz von 230.000 Wörtern. Wir waren ziemlich überwältigt von der Fähigkeit. Wir haben nicht damit gerechnet, dass es heute hier ist, und das ist es wirklich, sagt Ffoulkes.

Die Bakers hatten ihre Gesellschaft verspielt und richtig gewettet. Das neue Produkt zur kontinuierlichen Erkennung namens Dragon NaturallySpeaking war sofort ein Hit. Das Büro von Janet Baker begann sich mit Anfragen von Unternehmen zu füllen, die darauf hofften, die Technologie von Dragon in ihre Softwareanwendungen zu integrieren. Artikel über NaturallySpeaking erschienen in Publikationen auf der ganzen Welt; Gould führte das Programm auf CNN vor. In diesem Herbst gewann NaturallySpeaking die COMDEX-Messe der Branche und gewann alle wichtigen Produktpreise.

Dragons Zeit allein im Rampenlicht war jedoch kurz. Als das Unternehmen im Juni 1997 NaturallySpeaking zum ersten Mal auf den Markt brachte, reagierte IBM mit einer Preissenkung für seinen diskreten Spracherkenner Voice Type auf 49,95 US-Dollar. Und weil die bevorstehende Veröffentlichung von NaturallySpeaking schon Monate zuvor durchgesickert war, hatte IBM bereits einen Crashversuch gestartet, um sein eigenes kontinuierliches Spracherkennungsprogramm (entwickelt in demselben Labor, in dem die Bakers in den 1970er Jahren gearbeitet hatten) so schnell aus der Tür zu bringen wie möglich. Das Produkt, IBM ViaVoice, kam im August zu einem Verkaufspreis von nur 99 US-Dollar in die Regale.

IBM hat die Dinge wirklich umgehauen, sagt John Oberteuffer, Präsident von Voice Information Associates, das den Markt für Spracherkennung untersucht. Ich habe beide verwendet und würde sagen, dass sie hinsichtlich der reinen Erkennungsgenauigkeit vergleichbar sind, sagt er. Dragon war gezwungen, den Preis von der hohen Anfangsgebühr von 700 US-Dollar auf 299 US-Dollar und dann auf 199 US-Dollar zu senken. Bis Ende des Jahres hatte Dragon 29.463 Exemplare von NaturallySpeaking verkauft, während IBM laut PC Data 46.182 Exemplare von ViaVoice verkauft hatte. Aber beim Gesamtproduktumsatz hatte Dragon Big Blue übertrumpft.

verbergen