Jeder kommerzielle Sprachassistent wird mit einem akustischen Modell ausgeliefert, das anhand von Sprache trainiert wurde, die das Datenteam als „sauber“ klassifiziert hat. Sauber bedeutet in der Praxis: eine Person, die Mutter- oder nahezu Muttersprachler einer der ein Dutzend Mehrheitssprachen ist, sich mit etwa 150 Wörtern pro Minute artikuliert, keine konsistente Dysfluenz, keinen rhythmischen Tremor, keine angestrengte Atemgruppe und keine extreme Tonhöhenvarianz aufweist. Die Erkennungspipeline — akustisches Frontend, Phonem-Decoder, Sprachmodell, Absichtsklassifikator — ist von Ende zu Ende gegen diese Verteilung optimiert. Wenn ein realer Nutzer außerhalb dieser Verteilung liegt, wird er von jeder Schicht der Pipeline benachteiligt.

Dieser Mismatch ist nicht hypothetisch. Der veröffentlichte Evaluationsdatensatz des Project Euphonia, der 2022 vom Forschungsteam von Google veröffentlicht und 2024 erweitert wurde, enthält Aufnahmen von Sprecherinnen und Sprechern mit amyotropher Lateralsklerose (ALS), Zerebralparese, Parkinson-bedingter Dysarthrie, Down-Syndrom und post-schlaganfallbedingter Aphasie. Das Speech Accessibility Project von Apple, das 2023 gestartet wurde und nun Beiträge von mehr als 2.200 Sprechenden umfasst, ergänzt dies um schweres Stottern, gehörlose und schwerhörige Sprechweise sowie verschiedene Profile von Fremdsprachenakzenten. Beide Datensätze sind schweregradbezogen ausgeglichen und zeigen, wie fragil die Produktionsassistenten tatsächlich sind.

Die zwei dominierenden Fehlermodi sind Wortsubstitution und stille Ablehnung. Substitution tritt auf, wenn der Decoder eine unbekannte Phonemsequenz auf das nächste bekannte Wort im Vokabular abbildet — aus „play Coldplay“ wird „play Coldspring“, und der Assistent ruft fröhlich die falsche Musik ab. Stille Ablehnung tritt auf, wenn der Wake-Word-Detektor oder der Sprachende-Detektor entscheidet, dass die Äußerung nicht an das Gerät gerichtet war, und der Assistent einschläft, ohne zu bestätigen, dass er etwas gehört hat. Der erste Fehlermodus ist anhand der Antwort überprüfbar. Der zweite ist unsichtbar — und dominiert die Beschwerden, die wir von Nutzenden mit atypischer Sprache hören.

Wir haben einen ausgeglichenen Evaluationsdatensatz aus 3.420 Äußerungen zusammengestellt, indem wir sechs Kohorten von je ca. 570 Äußerungen aus dem Apple Speech Accessibility Project und dem Project Euphonia-Evaluationsdatensatz entnommen haben. Die Kohorten: Zerebralparese mit mittel- bis schwerer Dysarthrie, ALS mit progressivem Bulbärbefall, post-schlaganfallbedingte Aphasie (Broca und global), anhaltendes entwicklungsbedingtes Stottern mit mehr als 10 % Silbendysfluenz, gehörlose und schwerhörige Sprechweise sowie starker Fremdsprachenakzent bei Englisch-Muttersprachlerinnen und -Muttersprachlern aus dem Mandarin-, Hindi- und brasilianisch-portugiesischen Sprachraum. Die Äußerungen umfassen das kanonische Spektrum von Assistentenaufgaben: Medienwiedergabe, Smart-Home-Steuerung, Timer und Erinnerungen, Navigationsabfragen und kurze Sachfragen.

Jede Äußerung wurde von einem kalibrierten Studiomonitor mit 65 dBA Schalldruckpegel in einem Meter Abstand vom Gerätemikrofon in einem akustisch behandelten Raum mit einer Nachhallzeit unter 0,3 Sekunden abgespielt. Wir haben vier Geräte in ihrem Firmware-Stand von Ende 2025 getestet: einen Amazon Echo (5. Generation) mit Alexa, ein Google Nest Audio mit Google Assistant, ein iPhone 17 Pro mit Siri unter iOS 19 und ein Samsung Galaxy S25 mit Bixby 4. Jede Äußerung wurde zehnmal über alle vier Geräte gesendet; wir berichten den Median-Durchlauf mit Konfidenzintervallen, die aus der Streuung abgeleitet wurden.

Bei jedem Versuch haben wir zwei Werte protokolliert. Erstens das Transkript, das der Assistent zurückgegeben hat (oder das wir aus seiner Aktion rekonstruieren konnten — Bixby und Siri geben nicht immer Transkripte aus). Zweitens, ob die ausgeführte Aktion der Absicht der Sprecherin bzw. des Sprechers entsprach, beurteilt von einem Dreierpanel anhand einer schriftlichen Absichtsbeschriftung aus dem Quelldatensatz. Die Wortefehlerrate entspricht der Standard-NIST-Formel. Die Absichtserkennungs-Erfolgsrate ist der Anteil der Versuche, bei denen die Aktion der beschrifteten Absicht entsprach, auf den nächsten ganzen Prozentpunkt gerundet.

Jede Zelle enthält zwei Werte: Wortefehlerrate (niedriger ist besser) und Absichtserkennungs-Erfolgsrate (höher ist besser), gemessen mit dem Standardprofil des Assistenten und ohne aktivierte geräteinterne Personalisierung. Im nächsten Abschnitt wird untersucht, was die Personalisierung bewirkt.

Drei Beobachtungen aus der Matrix. Erstens verschlechtert sich jeder Assistent bei den dysarthrischen Kohorten — ALS, Zerebralparese und post-schlaganfallbedingte Aphasie — deutlich, wobei die Absichtserkennung durchgehend unter 50 % fällt. Für eine Nutzerin oder einen Nutzer, der Sprache als primäre Eingabemodalität nutzt, ist eine Erfolgsrate von weniger als eins von zwei Befehlen unbrauchbar; dies drängt die Person zurück zur Tastatur oder zu einer Betreuungsperson, was den Zweck des Assistenten zunichte macht. Zweitens befinden sich anhaltendes Stottern und gehörlose Sprechweise in einem mittleren Band, wo einzig Google Assistant bei den Standardeinstellungen eine Absichtserkennungsrate von über 60 % erreicht; die anderen liegen um 7 bis 23 Prozentpunkte dahinter. Drittens ist ein starker L2-Akzent die einzige „atypische“ Kategorie, in der alle vier Assistenten bei den Standardeinstellungen grundsätzlich verwendbar sind — obwohl selbst dort die Absichtserkennungsrate von 64 % bei Bixby tag für tag eine brutale Nutzererfahrung wäre.

Die Bixby-Spalte ist durchgehend die schlechteste, was mit der schmaleren Trainingsverteilung von Samsung und dem veralteten Status von Bixby in Samsungs eigenem Produkt-Fahrplan übereinstimmt. Die Google-Assistant-Spalte führt bei jeder dysarthrischen Kohorte, was mit Googles anhaltenden Investitionen in Project-Euphonia-Daten und der geräteinternen Project-Relate-Inferenzschicht konsistent ist. Siri liegt bei den Standardeinstellungen im mittleren Bereich, hat aber, wie der nächste Abschnitt zeigt, den größten Unterschied zwischen Standard- und Personalisierungseinstellung der vier Assistenten.

Alle vier Plattformen liefern mittlerweile mindestens eine Personalisierungsfunktion für atypische Sprache. Sie unterscheiden sich im Einrichtungsaufwand, darin, wo die Inferenz stattfindet, und darin, wie stark sie die Erkennung tatsächlich verändern. Wir haben dieselben 3.420 Äußerungen erneut getestet, nachdem wir den primären Personalisierungsmodus jeder Plattform aktiviert hatten — mit einem sprecherspezifischen Enrollment von etwa 15 Minuten Trainingssprache.

Die Plattformen setzen die untere Erkennungsgrenze, aber die Voice-UI-Muster, die Designer und Entwicklende auf diesen Plattformen aufbauen, bestimmen die Obergrenze. Derselbe Skill, dieselbe Action, dieselbe SiriKit-Intent kann so implementiert werden, dass Erkennungsfehler verstärkt oder dass sie elegant kompensiert werden. Die nachstehenden Paare zeigen die drei Muster, bei denen wir im Produktionscode die größte Lücke beobachten.

Die obige Matrix ist ernüchternd, aber auch lesbar. Jede Zelle mit einer Absichtsrate unter 50 % lässt sich einer erkennbaren Lücke in der Trainingsverteilung zuordnen — zu wenige dysarthrische Sprechende, zu wenig Stottern, zu wenig gehörlose Sprache, zu wenige Nicht-Muttersprachler des Englischen aus unterrepräsentierten L1-Hintergründen. Die Korrekturen sind nicht rätselhaft: den Datensatz erweitern, eine sprecher-adaptive Personalisierungsschicht aufbauen, Disambiguierung mit eingeschränktem Vokabular anbieten und auf jeder Oberfläche einen nicht-sprachbasierten Fallback liefern.

Von den vier getesteten Assistenten verbessert Googles Stack — Assistant plus Project Relate plus Voice Access — die meisten Zahlen für die meisten Kohorten, weil Google am konsequentesten in atypische Sprachdaten und geräteinterne Anpassung investiert hat. Apples „Auf atypische Sprache hören“, eingeführt in iOS 17, schließt den größten Teil der Lücke mit einem wesentlich geringeren Einrichtungsaufwand und einem vollständig geräteinternen Modell — eine starke Datenschutzgeschichte, die für eine Nutzergruppe wichtig ist, die möglicherweise unwohl dabei ist, Proben ihrer atypischen Sprache in die Cloud zu übertragen. Amazons Alexa liegt in der Personalisierungsarchitektur zurück; Samsungs Bixby liegt insgesamt zurück.

Für Designer ist die Erkenntnis: Der Assistent, den die Nutzenden verwenden, bestimmt die Hälfte der Untergrenze; die Muster, die drumherum aufgebaut werden, bestimmen den Rest. Disambiguierungsaufforderungen, Einstellungen für erweiterte Pausen, nicht-sprachbasierte Fallbacks und personalisierungsfreundliche Enrollment-Flows sind die vier Maßnahmen, die in den Nachläufen die meisten Zahlen verbessern. Keine davon erfordert ein Forschungsteam — nur ein Designsystem, das atypische Sprache als erstklassige Nutzerin oder erstklassigen Nutzer behandelt, nicht als Randfall.