Wer in den letzten Jahren beruflich oder privat Texte übersetzen musste, kam an DeepL kaum vorbei. Das Kölner Start-up hat sich mit seiner überlegenen KI-Übersetzung längst vom Geheimtipp zum Branchenstandard gemausert. Doch Text ist nur die halbe Miete. Mit einem neuen Voice-to-Voice-Übersetzungs-Suite wagt DeepL nun den Sprung in die Echtzeit-Kommunikation.
Der nächste logische Schritt
„Nach so vielen Jahren der Textübersetzung war Voice ein natürlicher Schritt für uns“, erklärt DeepL-CEO Jarek Kutylowski. Man sei bei Text und Dokumenten bereits sehr weit gekommen, jedoch fehle es am Markt an einem wirklich guten Produkt für Echtzeit-Sprachübersetzung. Eine Lücke, die DeepL nun schließen will. Das neue Produktportfolio deckt eine Vielzahl von Szenarien ab: von internationalen Meetings über mobile und webbasierte Gespräche bis hin zu Gruppensitzungen für Mitarbeiter im Außendienst, die sich über einen QR-Code einfach einwählen können.
Besonders im Enterprise-Kontext setzt DeepL auf nahtlose Integration. Add-ons für Videokonferenz-Plattformen wie Zoom und Microsoft Teams sollen es Teilnehmern ermöglichen, Vorträge in Echtzeit in der eigenen Sprache zu hören oder als Text auf dem Bildschirm mitzuverfolgen. Das Programm befindet sich aktuell im Early Access, Organisationen können sich auf eine Warteliste eintragen.
Die Latenz-Falle: Der Balanceakt der Echtzeit-Übersetzung
So überzeugend der Use Case klingt, so komplex ist die technische Umsetzung. Das Kernproblem jeder Echtzeit-Übersetzung ist die Latenz – die Verzögerung zwischen dem gesprochenen Wort und der übersetzten Wiedergabe. Kutylowski räumt ein, dass es ein enormer Balanceakt sei, die Latenz zu minimieren und gleichzeitig die Übersetzungsgenauigkeit aufrechtzuerhalten. Wer zu schnell übersetzt, riskiert Fehler; wer zu lange wartet, zerstört den Fluss des Gesprächs.
Interessant ist dabei der Blick unter die Haube: DeepL kontrolliert zwar den gesamten Voice-to-Voice-Stack, das aktuelle System arbeitet jedoch nach einem klassischen Dreiklang: Speech-to-Text, Textübersetzung, Text-to-Speech. Der Umweg über das Textmedium ist ein Relikt der tiefen Kompetenz von DeepL in diesem Bereich. Kutylowski sieht darin einen klaren Vorteil in der Übersetzungsqualität, da das Unternehmen auf Jahre langer Erfahrung in der Textverarbeitung zurückgreifen könne.
Doch dieser Umweg ist gleichzeitig die größte Schwäche des aktuellen Ansatzes. Emotionen, Betonungen und die Nuancen der menschlichen Stimme gehen auf dem Umweg über das Textmedium verloren. DeepL weiß das natürlich selbst und kündigt bereits die nächste Evolutionsstufe an: Ein End-to-End-Modell, das den Text-Schritt komplett überspringt und Sprache direkt in Sprache übersetzt. Erst wenn dieser Meilenstein erreicht ist, wird die Sprachübersetzung wirklich natürlich wirken.
Fokus auf B2B und individuelle Vokabulare
Mit dem Vorstoß in die Sprachübersetzung positioniert sich DeepL noch stärker im B2B-Markt. Ein neues API erlaubt es externen Entwicklern und Unternehmen, auf DeepLs Technologie aufzubauen – etwa für Kundenservice-Zentren. Kutylowski spricht von einer Neuinterpretation des Kundenservices durch KI. Eine Übersetzungsschicht helfe Unternehmen, Support in Sprachen anzubieten, für die qualifiziertes Personal teuer und schwer zu finden sei.
Ein wichtiges Feature für den Unternehmenseinsatz ist die Anpassbarkeit des Vokabulars. Die Voice-Technologie kann branchenspezifische Fachbegriffe sowie Firmen- und Personennamen lernen. Gerade im medizinischen, juristischen oder technischen Bereich ist das ein Muss, da Standardmodelle hier oft scheitern.
Ein Markt mit hartnäckiger Konkurrenz
DeepL betritt mit dem Voice-Segment jedoch kein unbeschriebenes Blatt. Die Konkurrenz ist gut finanziert und spezialisiert. Sanas, das letztes Jahr 65 Millionen Dollar einsammelte, geht das Problem radikal an: Die KI modifiziert den Akzent des Sprechers in Echtzeit, was vor allem in Call-Centern für klarere Kommunikation sorgen soll. Ein Ansatz, der zwar effektiv, aber auch ethisch umstritten ist – er wirft die Frage auf, ob man Akzente einfach „wegfiltern“ sollte, anstatt sie zu übersetzen.
Camb.AI aus Dubai wiederum fokussiert sich auf die Medien- und Unterhaltungsbranche und hilft beim Dubbing und der Lokalisierung von Videoinhalten im großen Stil. Am direktesten mit DeepL konkurriert derzeit wohl Palabra, das von Alexis Ohanians Seven Seven Six unterstützt wird. Palabra baut ebenfalls an einer Echtzeit-Sprachübersetzung, legt dabei aber besonderen Wert auf die Erhaltung der ursprünglichen Stimme des Sprechers – genau der Punkt, an dem DeepL mit seinem aktuellen Text-Umweg noch Schwächen zeigt.
Fazit
DeepLs Eintritt in den Markt für Echtzeit-Sprachübersetzung ist ein strategisch kluger und überfälliger Schritt. Das Unternehmen nutzt seine unangefochtene Stärke – die Qualität der Textübersetzung – als Brückenkopf für ein neues Produktsegment. Solange das End-to-End-Modell jedoch nicht ausgereift ist, bleibt die Sprachübersetzung ein Kompromiss. Die Konkurrenz schläft nicht und arbeitet bereits an Lösungen, die die Stimme selbst zum zentralen Übersetzungsobjekt machen. DeepL hat den Vorteil der enormen Datenbasis und des Nutzertrusts. Wenn es dem Kölner Team gelingt, die Latenz zu minimieren und schnell vom Text-Kompromiss wegzukommen, könnte Voice das nächste Milliarden-Segment für das Unternehmen werden.
Quelle: TechCrunch
