Gesprächspartner für das Sprachenlernen

Die knappste Ressource beim Sprachenlernen ist Sprechpraxis: Tutoren sind teuer, Mitlernende gibt es wenige, und viele Lernende fürchten Fehler vor anderen Menschen. Sprachfähige LLMs führen heute flüssige, geduldige Gespräche in Dutzenden Sprachen, passen sich dem Niveau der Lernenden an und geben Rückmeldung zu Grammatik, Wortschatz und (gröber) Aussprache. Als Ergänzung zu Lehrkräften eingesetzt, vervielfachen sie die Sprechzeit je Lernendem bei geringen Grenzkosten.

Problem & Nutzen

• Heute: Im Unterricht kommt jede lernende Person pro Stunde nur auf wenige Minuten Sprechzeit; Privattutoren und Konversationsplattformen kosten pro Stunde; Apps boten meist vorgefertigte Drills. Lernende stagnieren oft auf dem „Mittelstufen-Plateau“, weil sie selten frei sprechen.
• KI-Nutzen: unbegrenztes, wertungsfreies Üben zu jeder Zeit; Rollenspiel-Szenarien, zugeschnitten auf den Beruf oder die Prüfung der Lernenden; sofortige Korrekturen; gleichbleibende Niveausteuerung (z. B. auf GER B1 bleiben); Lehrkräfte erhalten Zusammenfassungen wiederkehrender Fehler, statt alles von Hand zu korrigieren.
• Belege: Studien zu LLM-Chatbots für das Sprachenlernen (systematische Übersichten, 2023-2025) berichten überwiegend positive Effekte auf Sprechsicherheit und Kommunikationsbereitschaft, doch die Belege für dauerhafte Kompetenzzuwächse sind noch dünn, und viele Studien sind kurz und klein [6]. Eine verlässliche allgemeine Nutzenzahl gibt es nicht; messen Sie vor Ort.

Varianten

• Verbraucher-Apps (privat): Abo-App mit Gesprächsmodus und Rollenspielen mit Figuren.
• Schulen und Hochschulen: von Lehrkräften konfigurierte Szenarien im LMS, mit Schutzmaßnahmen für Minderjährige und Dashboards für Lehrkräfte; Prüfungsvorbereitung (Goethe, DELF, Sprechaufgaben im IELTS-Stil).
• Unternehmen und öffentlicher Sektor: berufsbezogenes Sprachtraining (Kundenservice auf Englisch, Deutsch für Pflegekräfte, Einarbeitung von Migrantinnen, Migranten und Geflüchteten, Integrationskurse).
• Spezialisiert: Aussprachecoaching, Akzentreduktion, Herkunfts- und Minderheitensprachen (Sprachen mit wenig Ressourcen bleiben schwächer), Gebärdensprachen sind nicht Gegenstand (siehe LANG-030).
• Verkörpert: Avatare oder Roboter als Gesprächspartner (siehe CONV-018).

So funktioniert es

1. learner speech/text
2. ASR (streaming, accent-tolerant, optional phoneme-level scores)
3. dialogue manager: system prompt with scenario, CEFR level, learner profile, error memory
4. LLM reply (simplified to target level, stays in character, recasts errors)
5. guardrails (age-appropriate, off-topic, safety, PII)
6. TTS (natural target-language voice) | or one speech-to-speech model end to end
7. feedback layer: error log, corrections, vocabulary cards, session summary
8. progress store (teacher dashboard, spaced repetition hand-off)

• Pipeline vs. Speech-to-Speech: Die klassische Kaskade (ASR → LLM → TTS) bietet Kontrolle, Protokollierung und freie Wahl je Komponente; native Speech-to-Speech-Modelle senken die Latenz und erhalten die Prosodie, geben aber weniger Einblick in das, was gehört wurde, was für das Aussprache-Feedback wichtig ist.
• Korrekturstrategie: Pädagogisch besser ist es, im Gespräch behutsam umzuformulieren (Recast) und detaillierte Korrekturen danach zu geben; der Prompt bildet die Vorgaben der Lehrkraft ab.
• Mensch-in-der-Schleife (Human-in-the-Loop): Lehrkräfte legen Szenarien, Ziele und Korrekturstil fest, prüfen Dashboards und Stichproben von Transkripten; die summative Bewertung bleibt beim Menschen (siehe EDU-012).

Datenaufbereitung

Ein Gesprächspartner braucht wenig eigene Daten: das Zielniveau (GER), die Themen und den Wortschatz des Kurses, Rollenspiel-Situationen und optional Korrekturregeln für typische Lernerfehler. In einer Organisation liegt dieses Material in Lehrbüchern und PDFs, LMS-Inhalten, Firmenglossaren und Einarbeitungsunterlagen; für berufsbezogenes Sprachtraining ist es nützlich, Fachbegriffe aus Produktblättern und E-Mails zu ergänzen. Typische Lücken: kein definiertes Niveau je Lernendem, über Dateien verstreute Vokabellisten, eingescanntes Kursmaterial und Aufzeichnungen von Lernenden, die personenbezogene Daten enthalten.

Aufbereitungsschritte: Niveau und Lernziele je Gruppe festlegen, ein Glossar und eine Phrasenliste je Thema zusammenstellen (PREP-015), Beispieldialoge als Goldstandard sammeln (PREP-016), Papiermaterial per OCR digitalisieren (PREP-006) und entscheiden, was mit dem Audio geschieht: idealerweise wird es nicht gespeichert oder nur in pseudonymisierter Form (PREP-022, PREP-025). Ein kleiner Testsatz mit Äußerungen von Lernenden samt Expertenkorrekturen hilft, die Qualität des Feedbacks zu prüfen (PREP-018).

Werkzeuge: Tabellenkalkulation oder aufgeräumte Tabellen für Wortschatz (PREP-011), Whisper für Transkripte. Grober Anteil am Aufwand: gering, etwa 10-15 Prozent; die meisten Produkte funktionieren nach Wahl von Niveau und Thema.

Umsetzungswege

Welcher Weg für wen

• private: A - ausgereifte Sprach-Apps mit Sprachkonversation kosten wenige Euro im Monat; lokale Apps sind eine Option für datenschutzbewusste Lernende.
• smb: A - Sprachkurse im Unternehmen sind ein Standardprozess, und gehostete EU-Produkte passen zu KMU-Preisen, ohne eigene Daten.
• enterprise: A - Sprachtraining ist eine Standardfunktion; eine Anbieterlizenz mit SSO und AVV ist günstiger als eine Eigenentwicklung.
• developer: C - ein offener Stack (Whisper, ein kleines LLM, offenes TTS) auf HW2 eignet sich für Apps, die Kostenkontrolle brauchen und Sprachdaten im Haus behalten.
• public: B - Schulen, Erwachsenenbildung und Integrationskurse sollten APIs in einer souveränen EU-Cloud nutzen, weil Lernende oft minderjährig oder schutzbedürftig sind.

Weg A — Kaufen (Standardsoftware) (empfohlen für Privatpersonen, KMU und Großunternehmen)

• Verbraucher- und institutionelle Apps: Duolingo (Tarif Max mit Videoanruf und Rollenspiel), Speak, Praktika, ELSA (Aussprache), Babbel, Busuu, Memrise, Tutoren im Stil von Langotalk; mit Sitz in der EU: Babbel (DE), Busuu (UK/Spanien-nah, jetzt im Besitz von Chegg), Lingoda (DE, Live-Lehrkräfte plus KI-Werkzeuge).
• Bildungsplattformen: Microsoft Reading/Speaking Coach in Teams Education, Google Gemini und Tutoren im Stil von Khanmigo mit Sprachmodi, Moodle-/LMS-Plugins mit KI-Chat.
• A wählen, wenn: einzelne Lernende oder eine Schule ein fertiges Produkt wünschen. Prüfen: Datenstandort, Kinderschutzmodus, AVV, ob Sprachaufzeichnungen für das Modelltraining verwendet werden, Steuerungsmöglichkeiten für Lehrkräfte.

Weg B — Auf Cloud-KI-Diensten aufbauen

• Speech-to-Speech: OpenAI Realtime API (gpt-realtime), Google Gemini Live API, beide über WebRTC/WebSocket; für einige Anbieter gibt es Optionen zur Datenhaltung in der EU, prüfen Sie dies je Vertrag.
• Kaskade: ASR (Azure Speech inkl. Aussprachebewertung, Deepgram, Speechmatics (UK), Mistral Voxtral (EU), Transkription der Klasse OpenAI/Whisper), LLM (Claude, Gemini, GPT, Mistral), TTS (ElevenLabs, Azure Neural TTS, Google Cloud TTS).
• Orchestrierung: LiveKit Agents oder Pipecat für Echtzeit-Sprache, dazu ein Speicher für den Lernstand.
• B wählen, wenn: Sie eine eigene Didaktik, ein eigenes Erscheinungsbild oder eine LMS-Anbindung brauchen (z. B. ein Sprechlabor einer Hochschule).

Weg C — Selbst betreiben (Open Source)

• ASR: Whisper large-v3 / faster-whisper, NVIDIA Parakeet/Canary, Voxtral Open Weights.
• LLM: Modelle der Klasse Qwen, Llama, Mistral oder Gemma (8-30B) für den Dialog; schwächer bei seltenen Sprachen.
• TTS: Kokoro, von XTTS/Coqui abgeleitete Modelle, Piper, Orpheus, Kyutai-Modelle (FR); Kyutai Moshi/Unmute für Vollduplex-Speech-to-Speech.
• Orchestrierung: LiveKit (Open Source) oder Pipecat.
• Hardware: HW2 trägt eine Last in Klassengröße mit einer Kaskade kleiner Modelle; HW3 für mehrere gleichzeitige Nutzer mit größeren LLMs. C wählen, wenn Sprachdaten Minderjähriger im eigenen Haus bleiben müssen.

Weg D — Eigenes Training

Lohnend für Sprachen mit wenig Ressourcen oder Minderheitensprachen, für auf bestimmte Erstsprachen (L1) abgestimmte Aussprachebewertung oder für prüfungsnahes Feedback. Erfordert transkribierte Äußerungen von Lernenden mit Fehler- annotation durch Experten (Lernerkorpora, wie sie in der GER-Forschung verwendet werden) und eine Einwilligung zur Weiterverwendung.

Stand der Technik (2026)

• Speech-to-Speech-Modelle in Echtzeit liefern Sprecherwechsel in unter einer Sekunde, Umgang mit Unterbrechungen und ausdrucksstarke Stimmen; führende LLMs decken Dutzende Sprachen ab, in den großen mit nahezu muttersprachlicher Flüssigkeit.
• Aussprache-Feedback: Allgemeine ASR toleriert Akzente und verdeckt dadurch Fehler; spezielle Aussprachebewertung (Azure, ELSA, Modelle auf Phonemebene) ist beim Bewerten weiterhin zuverlässiger.
• Personalisierung: dauerhaftes Gedächtnis für Fehler und Wortschatz der Lernenden, verknüpft mit Spaced Repetition (EDU-016) und adaptiven Lernpfaden (EDU-005).
• Grenzen und Fehlerbilder: übertriebene Höflichkeit und ausbleibende Korrektur; falsche oder erfundene Grammatikerklärungen; Verzerrungen (Bias) bei Dialekten und regionalen Varietäten; schwächere Qualität bei Sprachen mit wenig Ressourcen; Abdriften über das Ziel-GER-Niveau hinaus; Lernende, die ins Englische ausweichen; übermäßiges Verlassen auf die KI und geringere Anstrengung; Latenz oder ASR-Fehler, die Lernende an sich zweifeln lassen.

Gemeinsame Bausteine & Kombinationen

• Gleicher Stack (asr + tts + llm-general): CONV-002 Sprachagenten, CONV-018 digitale Menschen, SPEECH-003 Sprachübersetzung, EDU-010 Rollenspiel-Simulationen (gleiche Engine, andere Szenarien), EDU-004 Tutor (Textmodus).
• Naheliegende Kombinationen: EDU-005 adaptive Lernpfade, EDU-016 Karteikarten aus Gesprächsfehlern, EDU-012 formale Bewertung der Sprechkompetenz, EDU-001 Inhaltserstellung.
• Ein Sprach-Stack auf HW2/HW3 kann all dies bedienen.

Aufwand, Kosten & Kennzahlen

• Weg A: Tage; Abonnement pro Nutzer oder institutionelle Lizenz.
• Weg B: 1-3 Monate für einen Pilot mit LMS-Anbindung; Kosten getrieben von Minuten Echtzeit- Audio, das deutlich teurer ist als Text.
• Weg C: 2-4 Monate; GPU-Server plus Feinabstimmung der Sprachlatenz.
• Kennzahlen: Sprechminuten pro Lernendem und Woche, Bindung/aktive Tage, Fehlerquoten-Trend je Fehlerkategorie, Selbstvertrauen der Lernenden (Befragung), Kompetenzzuwachs in einem unabhängigen Test, eingesparte Zeit der Lehrkräfte, Kosten pro Sprechstunde.

Menschen & Veränderung

Beziehen Sie die Lernenden von Anfang an als tägliche Nutzer ein, die Fachbereichsleitung oder Weiterbildungsleitung als Prozessverantwortliche, die Personalabteilung für Budget und Lernziele, die IT für Konten und die Datenschutzbeauftragte bzw. den Datenschutzbeauftragten, weil Sprachaufzeichnungen und Lernfortschritt personenbezogene Daten sind (AVV mit dem Anbieter, DSFA wahrscheinlich bei Minderjährigen oder umfangreicher Sprachverarbeitung, GUIDE-005). Die Leitung muss das Werkzeug lediglich in der KI-Richtlinie freigeben (GUIDE-007).

Betriebsrat: abhängig vom Einzelfall. Protokolliert eine Kursplattform im Unternehmen die Nutzung oder den Fortschritt pro Person für Vorgesetzte sichtbar, ist sie zur Verhaltensüberwachung geeignet, und § 87 Abs. 1 Nr. 6 BetrVG gilt; eine rein private, anonyme Nutzung durch Lernende löst ihn nicht aus. § 90 Abs. 1 Nr. 3 verlangt eine Unterrichtung, wenn Arbeitsverfahren mit KI geplant werden. Schulen und öffentliche Stellen beziehen den Personalrat ein. Vereinbaren Sie, dass Fortschrittsdaten nicht für Leistungsbeurteilungen verwendet werden (GUIDE-004).

KI-Kompetenz nach KI-Verordnung (AI Act) Art. 4: Unterstützen Sie die Nutzer mit einer kurzen Einführung zu Stärken (geduldig, immer verfügbar) und Grenzen (falsche Korrekturen, erfundene Redewendungen, Akzent-Bias in der Spracherkennung) (GUIDE-006). Beginnen Sie mit einer Pilotgruppe motivierter Lernender und einer Kursleitung, die die aggregierten Ergebnisse sieht, und weiten Sie dann aus (GUIDE-008, GUIDE-009). Typische Bedenken: Ersatz von Lehrkräften und Aufgezeichnetwerden. Begegnen Sie ihnen, indem Sie das Werkzeug als Übung zwischen den Unterrichtsstunden positionieren, wobei die Lehrkraft Ziele setzt und den Fortschritt beurteilt.

Risiken, Regulierung & Compliance

• KI-Verordnung (AI Act): Chat- und Sprachpartner müssen offenlegen, dass die Nutzer mit einer KI sprechen (Art. 50 Abs. 1); synthetische Stimmen brauchen eine maschinenlesbare Kennzeichnung (Art. 50 Abs. 2). Art. 5 Abs. 1 Buchst. f verbietet Emotions- erkennung in Bildungseinrichtungen (außer aus medizinischen oder Sicherheitsgründen): leiten Sie Frustration oder Engagement nicht aus Stimme oder Gesicht ab. Den Einsatz des Werkzeugs, um Lernergebnisse zu bewerten oder zu beurteilen, das Lernen zu steuern oder über Zulassung zu entscheiden, stuft Anhang III Nr. 3 als hochriskant ein; halten Sie den Partner formativ und lassen Sie benotete Sprechprüfungen von Menschen prüfen. Die KI-Kompetenz nach Art. 4 gilt für einsetzendes Personal [5].
• DSGVO: Sprachaufzeichnungen sind personenbezogene Daten und können biometrisch sein, wenn sie zur Identifizierung genutzt werden (Stimmprofile vermeiden). Minderjährige: Einwilligung der Eltern/Altersregeln (Art. 8), Datenminimierung, kein Profiling für Werbung, DSFA bei schulweitem Einsatz wahrscheinlich. Bevorzugen Sie keine Speicherung von Audio, nur Transkripte, und kein Training von Anbietermodellen mit Daten der Lernenden [4].
• Kinderschutz: altersgerechte Filter, kein Design, das emotionale Abhängigkeit erzeugt, Eskalationsweg bei Offenbarung von Gefährdungen; siehe auch CONV-024.
• Qualität: Prüfung von Stichproben der Transkripte durch Lehrkräfte; KI-Erklärungen als möglicherweise falsch kennzeichnen.
• Gegenmaßnahmen: AVV mit EU-Hosting, Transparenzhinweis, Widerspruchsmöglichkeit für Audio, Bias-Tests über Akzente hinweg.

Erste Schritte

1. Ziel, Zielsprachen und GER-Niveaus festlegen; mit einer Lehrkraft 5 Szenarien wählen.
2. 2-3 Werkzeuge nach Weg A mit 10-20 Lernenden 4 Wochen lang pilotieren; Sprechminuten und Rückmeldungen erfassen.
3. Datenschutz prüfen: Aufbewahrung von Audio, Nutzung zum Training, Kindermodus, AVV, EU-Hosting.
4. Wenn Sie Kontrolle brauchen, eine Kaskade nach Weg B mit LiveKit und einem Prompt prototypen, der die Korrekturregeln abbildet; mit Speech-to-Speech vergleichen.
5. Vor der Skalierung gegen einen unabhängigen Sprechtest evaluieren.

Quellen

1. OpenAI — Realtime API documentation — https://platform.openai.com/docs/guides/realtime
2. Microsoft — Azure AI Speech pronunciation assessment — https://learn.microsoft.com/azure/ai-services/speech-service/how-to-pronunciation-assessment
3. Council of Europe — CEFR Companion Volume — https://www.coe.int/en/web/common-european-framework-reference-languages
4. European Data Protection Board — guidelines and GDPR resources — https://www.edpb.europa.eu/our-work-tools/general-guidance/guidelines-recommendations-best-practices_en
5. Regulation (EU) 2024/1689 (AI Act) — https://eur-lex.europa.eu/eli/reg/2024/1689/oj
6. Systematic review of chatbots in language learning — https://www.sciencedirect.com/search?qs=chatbot%20language%20learning%20systematic%20review
7. LiveKit Agents — https://github.com/livekit/agents
8. Pipecat — https://github.com/pipecat-ai/pipecat
9. Kyutai (Moshi, Unmute) — https://github.com/kyutai-labs/moshi
10. Whisper — https://github.com/openai/whisper