Du sagst 你好, tippst auf Stopp, und eine halbe Sekunde später sagt dir eine App: Deine erste Silbe hat 94 Punkte bekommen, dein dritter Ton habe „wie ein zweiter Ton“ geklungen. Woher kommt dieses Urteil? Kannst du ihm trauen? Und wenn die App etwas anderes sagt als dein Lehrer: Wer hat recht?
Hier kommt die ehrliche Version, geschrieben von dem Team, das TonePerfect und die dazugehörige Engine zur Aussprachebewertung baut. Es ist dieselbe Erklärung, die wir Entwicklern geben, die unsere pronunciation assessment API nutzen — nur ohne Code. Am Ende weißt du, was eine Mandarin-Aussprachebewertung tatsächlich misst, warum jede Silbe in drei Teile zerlegt wird, warum Tonsandhi einfache Bewertungssysteme aus dem Takt bringt und in welchen Situationen die KI noch danebenliegt.
Willst du es zuerst mit deiner eigenen Stimme ausprobieren? Mach den kostenlosen Zwei-Minuten-Test — ohne Konto, direkt im Browser — und komm danach zurück, um zu lesen, was die Zahlen bedeuten.
Schritt 1: die App entscheidet, was du eigentlich sagen solltest
Jeder textbasierte Aussprache-Checker beginnt mit dem Text. 你好世界 wird zu vier Silben, und jede Silbe bekommt drei Zielwerte: einen Anlaut (den Konsonanten, etwa n oder sh), einen Auslaut (den Vokalteil, etwa i oder ao) und einen Ton (1–4 oder neutral). Das ist keine technische Spielerei; so wird Mandarin unterrichtet. Deshalb zeigt ein gutes Bewertungssystem diese drei Dinge getrennt an, statt nur eine Zahl pro Wort auszugeben.
Genau hier steckt schon die erste Falle. Wörterbücher speichern kanonische Töne: 你 ist Ton 3, immer. Aber niemand spricht zwei volle dritte Töne hintereinander. 你好 wird ní hǎo ausgesprochen — die erste Silbe wird zu einem zweiten Ton. Das ist Tonsandhi beim dritten Ton, es ist obligatorisch, und ein Bewertungssystem, das dich nur mit dem Wörterbuch vergleicht, markiert deine korrekte Aussprache als falsch. Dazu gleich mehr, denn genau so führen Aussprache-Apps Lernende am häufigsten in die Irre.
Schritt 2: die KI richtet deine Aufnahme an diesen Zielwerten aus
Ein neuronales akustisches Modell — trainiert mit Tausenden Stunden Mandarin — hört deine Aufnahme Frame für Frame ab (ein Frame dauert etwa 20 Millisekunden) und schätzt für jeden Frame, welcher Laut gerade gesprochen wird. Anschließend findet ein Suchalgorithmus die beste Möglichkeit, die erwartete Sequenz n-i-3, h-ao-3, sh-i-4, j-ie-4 auf diese Frames zu legen. Das nennt man forced alignment. Dadurch kann die App sagen: „Die Silbe 世 liegt zwischen 1,26 und 1,64 Sekunden“ und sie dir gezielt vorspielen.
Wenn eine Silbe gar nicht zugeordnet werden kann — weil du sie übersprungen hast oder die Aufnahme abgeschnitten wurde —, misst genau das der Wert für „Vollständigkeit“.
Schritt 3: jeder Teil wird mit Muttersprachlern verglichen
Beim Anlaut und Auslaut stellt das Modell zwei Fragen zum zugeordneten Audioausschnitt: Wie sehr klingt das nach dem erwarteten Laut? und wenn es nach etwas anderem klingt, wonach? Aus der zweiten Frage entsteht der „gehört“-Wert — „erwartet sh, gehört s“ — und genau dieser Teil des Feedbacks hilft dir wirklich weiter. Eine Zahl allein sagt dir, dass die Silbe nicht ganz gepasst hat; der gehörte Laut sagt dir wie.
Für den Ton wird die Tonhöhe aus der Silbe extrahiert. Ein separates Modell, trainiert mit einer großen Menge von Silben von Lernenden, die nach Ton gelabelt und mit Expertenbewertungen abgeglichen wurden, entscheidet dann, welcher Tonverlauf wahrscheinlich gesprochen wurde und wie sicher es dabei ist. Tonhöhenerkennung ist störanfällig — knarrende Stimme, Hintergrundgeräusche und sehr tiefe oder sehr hohe Stimmen verzerren sie alle. Deshalb trainieren seriöse Engines Modelle mit gelabelten Lernendendaten, statt starre Regeln wie „Ton 4 fällt“ von Hand zu formulieren.
Entscheidend ist: Die Bewertung liegt auf einer Skala, die pro Laut an Muttersprachlern kalibriert ist. Bei manchen Auslauten variieren Muttersprachler stark, bei anderen kaum. Ein Lernender, der bei einem Laut leicht danebenliegt, bei dem auch Muttersprachler recht unterschiedlich klingen, sollte nicht so streng bewertet werden wie jemand, der bei einem Laut abweicht, den Muttersprachler fast gleich aussprechen. Deshalb sind die Werte auch keine Prozentzahlen: 72 heißt nicht „72 % richtig“, sondern „so weit entfernt von typischer muttersprachlicher Aussprache bei genau diesem Laut“.
Schritt 4: entscheiden, ob die App dich darauf hinweist
Diesen Teil lassen die meisten Apps aus. Ein Score sagt, wie weit du von muttersprachlicher Aussprache entfernt warst; er sagt nicht, ob diese Abweichung groß genug ist, um dich zu unterbrechen. Ein leicht verschobener Vokal mit 78 Punkten würde einen Lehrer nicht dazu bringen, die Stunde anzuhalten. Eine Engine, die jede 78 markiert, begräbt den einen Fehler, den du wirklich üben solltest, unter einem Meer aus Warnhinweisen.
Noch schlimmer ist der umgekehrte Fehler: einem Lernenden zu sagen, etwas sei falsch gewesen, obwohl es richtig war. Das messen wir ganz bewusst. Bevor ein Modell in die App kommt, lassen wir es über Tausende Aufnahmen von Muttersprachlern aus öffentlichen Forschungskorpora laufen und zählen, wie oft es ihnen fälschlich einen Fehler vorwirft. Diese Zahl — falsche Fehlermeldungen bei Muttersprachlern — ist uns besonders wichtig. Denn wenn du für etwas korrigiert wirst, das du richtig gesagt hast, verlierst du zu Recht das Vertrauen in die App.
Die Engine erzeugt deshalb zwei Dinge pro Bestandteil: einen Score für Anzeige und Fortschritt und eine Entscheidung — korrigieren, unsicher, in Ruhe lassen —, mit der die App entscheidet, was sie dir sagt. Wenn TonePerfect also einen mäßigen Score zeigt, aber keine Korrektur ausgibt, ist das kein Bug. Es bedeutet: „nicht ganz muttersprachlich, aber nicht wichtig genug, um dich dafür zu stoppen“.
Das Sandhi-Problem, richtig erklärt
Zurück zu 你好. Als wir unsere eigene Engine daran gemessen haben, wie sie Sequenzen aus drittem Ton plus drittem Ton im Vergleich zum Wörterbuchton bewertet, konnte sie in diesem Kontext einen richtigen Ton von einem falschen nicht besser unterscheiden als durch Münzwurf — ausgerechnet dort, wo Lernende die meisten Tonfehler machen. Die Lösung war nicht, das Modell neu zu trainieren. Lernende produzieren korrektes Sandhi nur ungefähr in einem von zehn Fällen; wenn man die Trainingsdaten einfach neu labelt, lernt das Modell, dass die meisten 3-3-Sequenzen zweite Töne sind, und das beschädigt alles andere. Die Lösung war, beim Bewerten beide Realisierungen zu akzeptieren — Ton 3 und Ton 2 sind für die erste Silbe von 你好 beide richtig — und trotzdem anzuzeigen, welcher Ton gehört wurde.
Dasselbe machen wir bei 不 vor einem vierten Ton (不对 bú duì). Bei 一 machen wir es bewusst nicht, weil 一 je nach Wort den Ton ändert — in 第一 und beim Zählen bleibt es Ton 1 — und eine blinde Anwendung der Regel die Ergebnisse messbar verschlechtert hat. Wenn du Entwickler bist, findest du die technische Erklärung in Tonsandhi bei der Aussprachebewertung.
Was das für dich heißt: Wenn eine App dein ní hǎo als falsch markiert, liegt die App falsch. Wenn sie bei gutem Score „erwartet 3, gehört 2“ zeigt, siehst du Tonsandhi in Aktion.
Wo die KI noch danebenliegt
Wir sagen dir das lieber gleich, bevor du es frustriert selbst herausfinden musst.
Sehr kurze oder abgeschnittene Aufnahmen. Wenn das Mikrofon zu spät startet oder du zu früh stoppst, hat das Alignment kaum Halt, und das Tonmodell muss raten. Lass vor und nach dem Sprechen einen kurzen Moment Stille.
Viel schneller oder langsamer sprechen, als das Modell erwartet. Tonmodelle reagieren empfindlich auf Tempo. Wenn du eine Silbe dehnst, um „den Ton klarer zu machen“, kann sie aus dem Bereich fallen, auf den das Modell trainiert wurde, und dich Punkte kosten, die du nicht verdient hast — genau das Gegenteil von dem, was Lernende erwarten. Sprich in natürlichem Tempo.
Knarrende Stimme und Flüstern. Die Tonhöhenerkennung braucht Stimmhaftigkeit. Wenn du bei einem dritten Ton in eine knarrende Stimme rutschst (das passiert vielen englischen Muttersprachlern), wird der Tonverlauf schwer lesbar und der Ton-Score unzuverlässig.
Regionale Akzente. Die Referenz ist Standard-Mandarin. Ein Sprecher mit südlichem Akzent, der sh und s zusammenfallen lässt, bekommt das angezeigt — damit tut die Engine ihren Job. Wichtig ist nur zu wissen: „muttersprachlich“ bedeutet hier Putonghua, nicht jede beliebige muttersprachliche Varietät.
Laute außerhalb der Modellabdeckung. Jede Engine hat Laute, die sie nicht zuverlässig bewertet; ehrliche Systeme sagen das offen. Unsere Engine veröffentlicht die Liste pro Sprache in der API-Dokumentation und markiert solche Laute als „nicht bewertet“, statt sie als „falsch“ auszugeben.
Bedeutung, Betonung und Emotion. Die Engine bewertet Laute. Sie weiß nicht, ob du das richtige Wort gesagt hast, ob deine Betonung zum Kontext passt oder ob du freundlich klingst. Ein Tutor weiß das. Nutze die KI für das, worin sie gut ist — unermüdliches, konsistentes Feedback pro Silbe bei Hunderten Wiederholungen — und einen Menschen für den Rest.
Wie du Scores nutzt, ohne dich in die Irre führen zu lassen
- Lies den gehörten Laut, nicht nur die Zahl. „Erwartet sh, gehört s“ ist eine Übung; 68 ist nur ein Eindruck.
- Arbeite pro Versuch an einer Sache. Die Engine wählt bereits den Fehler aus, bei dem sie am sichersten ist; den Rest kannst du erst einmal ignorieren.
- Vergleich dich mit gestern, nicht mit 100. Die Skalen sind pro Laut kalibriert; eine 100 bei jeder Silbe ist nicht das, wonach muttersprachliche Aussprache aussieht.
- Wenn korrektes Sandhi markiert wird, misstrau der App, nicht dir selbst.
- Nimm natürlich auf. Normales Tempo, normale Lautstärke, ein kurzer Moment Stille davor und danach.
Probier es mit deiner eigenen Stimme aus
Der kostenlose TonePerfect-Test bewertet Ton, Anlaut und Auslaut für jede Silbe, die du sprichst — direkt im Browser, in ungefähr zwei Minuten. Wenn du Sprachsoftware baust und dieselbe Engine in dein eigenes Produkt integrieren möchtest — für Mandarin und sechs weitere Sprachen — gibt es sie als pronunciation assessment API.