Kurze Antwort: Wenn eine Sprach-App deine Aussprache bewertet, ermittelt ein Spracherkennungsmodell zuerst, welche Laute du wann gebildet hast, und vergleicht dann jeden Laut mit dem, was ein Modell muttersprachlicher Sprache für dieses Wort erwartet. Heraus kommen meist mehrere Werte: Genauigkeit (wie nah jeder Laut an der Referenz liegt), Flüssigkeit (Pausen und Brüche), Vollständigkeit (wie viel vom Zieltext du gesagt hast) und manchmal Prosodie (Betonung, Intonation, Rhythmus). Die Werte helfen, einzelne Laute zu finden, die du verbessern solltest. Sie messen aber den Abstand zu einem Referenzakzent, nicht, ob man dich versteht. Lies sie als Trend und als Hinweise pro Wort, nicht als Note für dein Können.
So funktioniert die Aussprachebewertung Schritt für Schritt
- Aufnahme. Die App nimmt dein Audio auf. Hintergrundgeräusche und ein schlechtes Mikrofon beeinflussen schon alles Weitere.
- Erkennung und Ausrichtung. Ein Erkennungsmodell wandelt das Audio in wahrscheinliche Laute (Phoneme) um und ordnet sie zeitlich den Wörtern zu, die du sagen solltest. Beim freien Sprechen gibt es keinen Zieltext; das Modell rät zuerst, was du sagen wolltest.
- Vergleich. Für jedes Phonem schätzt das System, wie wahrscheinlich du den erwarteten Laut statt eines anderen gebildet hast. Die Idee geht auf das Maß „Goodness of Pronunciation" von Witt und Young (2000) zurück; moderne Systeme nutzen dieselbe Logik mit neuronalen Netzen.
- Zusammenfassung. Phonemwerte werden zu Wort-, Satz- und Gesamtwerten verrechnet, Zeitinformationen ergeben den Flüssigkeitswert.
Allgemeine Erkenner wie OpenAIs Whisper sind darauf trainiert, robust zu transkribieren, also Akzente zu tolerieren. Das hilft beim Verstehen von Lernenden, aber nicht beim Bewerten; deshalb braucht die Aussprachebewertung einen eigenen Vergleichsschritt.
Was die einzelnen Aussprachewerte messen
Microsofts Azure-Aussprachebewertung, ein Dienst, mit dem Sprachlernfunktionen gebaut werden, dokumentiert ihre Werte öffentlich. Sie sind eine gute Referenz für das, was die meisten Apps anzeigen, auch wenn die Namen abweichen.
| Wert | Was er misst (Definition von Microsoft) | Ebene |
|---|---|---|
| Genauigkeit | Wie nah die Phoneme an der Aussprache eines Muttersprachlers liegen | Phonem, Wort, Gesamttext |
| Flüssigkeit | Wie nah deine Pausen zwischen Wörtern an denen eines Muttersprachlers liegen | Gesamttext |
| Vollständigkeit | Anteil der gesprochenen Wörter am Referenztext | Gesamttext (nur mit Vorgabe) |
| Prosodie | Wie natürlich die Sprache klingt: Betonung, Intonation, Tempo, Rhythmus | Gesamttext |
| Gesamt | Gewichtete Kombination der Werte oben | Gesamttext |
Die Werte reichen von 0 bis 100 (oder 0 bis 5). Laut Microsofts Dokumentation, geprüft am 10. November 2026, gibt es die Prosodiebewertung nur für US-Englisch; ein Grund, warum Prosodie-Feedback in anderen Sprachen seltener ist.
Was Aussprachewerte nicht verraten
Akzent heißt nicht, dass man dich nicht versteht
Die Forschung zur Zweitsprachaussprache unterscheidet drei Dinge: Akzentstärke (wie anders du klingst), Verständlichkeit im Sinne von Mühe (wie leicht man dich versteht) und Verständlichkeit im Ergebnis (wie viel Zuhörer tatsächlich verstehen). In einer klassischen Studie stellten Munro und Derwing (1995) fest, dass ein starker Akzent Sprache nicht zwangsläufig schlechter verständlich macht. Ein Wert, der den Abstand zu einem Muttersprachmodell misst, bildet vor allem den Akzent ab; eine „70" kann für echte Zuhörer völlig klar sein.
Der Referenzakzent ist eine Wahl
„Muttersprachliche Aussprache" bedeutet in einem Modell meist eine Varietät, etwa US-Englisch oder bundesdeutsches Standarddeutsch. Lernst du eine andere Varietät, können richtige Laute als Fehler markiert werden.
Erkenner sind nicht für alle gleich genau
Spracherkennung macht bei manchen Sprechergruppen weiterhin mehr Fehler. Eine Studie in PNAS (Koenecke et al., 2020) fand bei fünf kommerziellen Systemen eine durchschnittliche Wortfehlerrate von 0,35 bei schwarzen gegenüber 0,19 bei weißen Sprechern. Manche Lernerakzente können aus demselben Grund benachteiligt werden.
Kurze Phrasen liefern schwankende Werte
Ein Wort oder ein kurzer Satz gibt dem Modell wenig Material; die Werte können zwischen Versuchen springen, obwohl du gleich gesprochen hast.
Aussprachewerte ohne Frust nutzen
| Statt... | lieber |
|---|---|
| bei einem Satz auf 100 zu zielen | den Wochendurchschnitt über viele Sätze verfolgen |
| nur den Gesamtwert zu lesen | die Wort- oder Lautansicht öffnen und den Laut suchen, der immer wieder markiert wird |
| denselben Satz 20-mal zu wiederholen | einen Laut korrigieren und ihn in neuen Sätzen verwenden |
| den Wert für dein Niveau zu halten | echtes Verstehen testen: Versteht dich ein Mensch oder ein Sprachassistent beim ersten Mal? |
| in einem lauten Raum zu üben | mit Headset an einem ruhigen Ort üben |
Aussprache verbessert sich auch übers Hören. Shadowing (muttersprachliches Audio in Echtzeit nachsprechen) trainiert Rhythmus und Betonung, die Einzelwortwerte selten erfassen.
Eine App danach wählen, was sie misst
Apps zeigen davon unterschiedlich viel. Aussprache-Spezialisten wie ELSA Speak konzentrieren sich auf Lautwerte (siehe unseren Test von ELSA Speak). Gesprächstutoren achten eher auf Flüssigkeit beim freien Sprechen: Enverson AI zum Beispiel zeigt nach einer Free-Talk-Sitzung getrennte Werte für Wortschatz, Grammatik, Sprechtempo, Flüssigkeit und Füllwörter. Wirst du oft gebeten, etwas zu wiederholen, beginne mit einem Lautwerkzeug; versteht man dich, aber du sprichst langsam, setze auf Flüssigkeit. Unsere Methodik erklärt, wie wir Spracherkennung in App-Tests prüfen.
Häufige Fragen
Wie bewerten Sprach-Apps die Aussprache?
Sie erkennen per Spracherkennung die gebildeten Laute, ordnen sie den vorgesehenen Wörtern zu und vergleichen jeden Laut mit einem Modell muttersprachlicher Sprache. Daraus entstehen Werte für Genauigkeit, Flüssigkeit, Vollständigkeit und manchmal Prosodie.
Warum ändert sich mein Aussprachewert jedes Mal?
Kurze Phrasen geben dem Modell wenig Material, und kleine Unterschiede bei Geräuschen, Mikrofonabstand oder Timing verändern das Ergebnis. Achte auf Durchschnittswerte über viele Sätze.
Heißt ein niedriger Wert, dass man mich nicht versteht?
Nicht unbedingt. Die Werte messen den Abstand zu einem Referenzakzent. Studien zeigen, dass ein deutlicher Akzent die Verständlichkeit nicht immer verringert.
Was ist ein Prosodiewert?
Prosodie umfasst Betonung, Intonation, Sprechtempo und Rhythmus. Microsofts Aussprachebewertung bietet Prosodie zum Beispiel nur für US-Englisch an.
Ist KI-Aussprachefeedback für alle Akzente genau?
Kein System ist für alle Sprecher gleich genau. Studien fanden für manche Gruppen höhere Fehlerraten; nimm Werte daher als Hinweise und prüfe sie an echten Zuhörern.
Quellen
- Microsoft Learn: Use pronunciation assessment (geprüft am 10. November 2026)
- Witt und Young (2000), Phone-level pronunciation scoring and assessment for interactive language learning, Speech Communication
- Munro und Derwing (1995), Foreign accent, comprehensibility, and intelligibility, Language Learning
- Koenecke et al. (2020), Racial disparities in automated speech recognition, PNAS