Speech & Audio Engineer

Was macht ein Speech & Audio Engineer?

Du arbeitest an dem Teil eines Systems, in dem Sprache noch Schall ist. Dazu gehört die Spracherkennung, also der Weg vom Mikrofonsignal zum Text, die Sprachsynthese als Weg zurück, die Unterscheidung mehrerer Sprecher in einer Aufnahme und alles, was das Signal vorher sauber machen muss: Störgeräusche unterdrücken, Echo herausrechnen, mit schlechter Raumakustik umgehen.

Der Unterschied zur Textverarbeitung wird oft unterschätzt. Ein Text liegt vollständig vor, ein Audiostrom nicht – er läuft weiter, während du ihn verarbeitest. Daraus entstehen Probleme, die es bei Text schlicht nicht gibt: Das System muss entscheiden, wann eine Äußerung zu Ende ist, es muss in Echtzeit antworten, und jede zusätzliche Verarbeitungsstufe verlängert die Pause, die der Mensch am anderen Ende als Zögern wahrnimmt.

Dazu kommt die Vielfalt der Wirklichkeit. Dialekt und Akzent, Nebengeräusche im Fahrzeug, ein billiges Headset, zwei Menschen, die gleichzeitig reden, ein Fachwort, das kein allgemeines Modell kennt. Eine Erkennung, die im ruhigen Büro fehlerfrei läuft, kann in der Werkhalle unbrauchbar sein. Deshalb gehört zur Rolle immer auch die Frage nach der Aufnahmesituation: Mikrofonwahl und Einbauort entscheiden mit, wie gut das Ergebnis wird.

Vom NLP Engineer trennt dich die Ebene: Der beginnt beim fertigen Text und arbeitet an dessen Bedeutung, du lieferst diesen Text erst – mit allen Fehlern, die dabei entstehen. Der Conversational AI Designer wiederum gestaltet den Gesprächsverlauf, also was gesagt wird und in welchem Ton. Du verantwortest, dass das Gesagte überhaupt richtig ankommt und verständlich zurückkommt.

Was du im Praktikum machst

Häufig eine Anpassung an eine bestimmte Umgebung: Ein vorhandenes Erkennungsmodell wird auf die Fachbegriffe eines Hauses hin verbessert, auf Aufnahmen aus dem echten Einsatz geprüft und gegen die vorherige Fassung verglichen. Dazu gehört, Testaufnahmen zusammenzustellen, die den Alltag abbilden und nicht nur den Idealfall.

Ein zweiter typischer Auftrag ist Messung und Vergleich: Wie hoch ist die Wortfehlerrate unter verschiedenen Bedingungen, wie viel bringt eine Rauschunterdrückung, wie lange braucht die Kette vom Mikrofon bis zur Antwort. Du lernst dabei, Qualität in Zahlen zu fassen, statt sie nach Gehör zu beurteilen – auch wenn das Gehör am Ende mitentscheidet.

Bei der Sprachausgabe geht es oft um Aussprache: Eigennamen, Abkürzungen, Zahlen und Einheiten sind die klassischen Stolperstellen. Wer eine Ansage einmal an einer Postleitzahl scheitern gehört hat, versteht, warum diese Arbeit nötig ist.

Was du mitbringen solltest

Grundlagen der Signalverarbeitung helfen sehr: Abtastrate, Frequenzspektrum, Filter. Dazu Programmierkenntnisse in Python und die Bereitschaft, mit großen Audiodatenmengen umzugehen, die sich nicht wie Tabellen anfühlen. Vorkenntnisse aus Musik- oder Tontechnik sind kein Muss, aber ein spürbarer Vorteil.

Wichtig ist außerdem Sorgfalt im Umgang mit Aufnahmen. Sprachdaten sind personenbezogen, oft sogar besonders sensibel – in der Medizintechnik oder im Kundenservice erst recht. Wer hier arbeitet, gewöhnt sich früh daran, genau zu wissen, welche Aufnahme wo liegen darf.

Und schließlich Geduld mit der Hardware. Ein Modell, das auf dem Rechner läuft, muss im Fahrzeug oder im Gerät mit deutlich weniger Rechenleistung auskommen.

Was du verdienst

Praktika liegen bei rund 1.700 Euro brutto im Monat. Der Einstieg bewegt sich um 4.900 Euro, mit zwei bis drei Jahren Erfahrung zwischen 5.400 und 6.800 Euro. Die Werte sind Erfahrungswerte und schwanken mit Branche und Region.

Auffällig ist die Spreizung nach Einsatzfeld: In der Fahrzeug- und Medizintechnik liegt die Vergütung meist höher als in reinen Softwarehäusern, weil dort zusätzlich Kenntnisse über Hardware, Einbaubedingungen und Nachweispflichten verlangt werden.

Wie es weitergeht

Ein Weg führt tiefer in die Akustik und Signalverarbeitung – ein Fachgebiet, in dem es wenige Leute gibt, die zugleich Modelle beherrschen. Ein anderer führt in die Architektur von Sprachassistenzsystemen, wo Erkennung, Dialog und Ausgabe zusammengeführt werden. Und wer gern koordiniert, geht Richtung Leitung einer Audioentwicklung.