Was das Generieren von automatischen Audiodeskriptionen betrifft, war unsere Suche bisher leider eher enttäuschend. Und aus unserem Gespräch mit zwei deutschen Wissenschaftlern, die in diesem Bereich forschen, wissen wir, dass es auch noch etwas dauern wird, bis es KI-Tools für deutsche Audiodeskriptionen gibt. Deshalb haben wir uns international umgeschaut – und siehe da, für Englisch gibt es tatsächlich ein cloudbasiertes Tool, das genau das verspricht, was wir suchen. In unserem heutigen Beitrag schauen wir uns Audible Sight genau an und testen, was das System wirklich kann.

Was verspricht Audioble Sight?

Das Startup hinter dem KI-basierten Tool Audible Sight verspricht automatisierte Audiodeskriptionen in drei einfachen Schritten. Nach einem Upload des Videos wird es laut Webseitenwerbung zunächst in Szenen zerlegt, dann erfolgt die Transkription von Sprachpassagen, sowie das Beschreiben von visuellen Inhalten. Die Bildbeschreibungen lassen sich im Browser sofort editieren. Im Schritt zwei erfolgt das „Text to Speech“, also die Generierung von Sprache durch eine synthetische Stimme. Es kann eine von 65 Stimmen ausgewählt werden. Im letzten Schritt vor dem Download lässt sich das Timing manuell feinjustieren.

Erstes Fazit

Das Tool scheint wirklich genau das zu machen, was wir uns wünschen, wenn auch leider bisher nur in englischer Sprache. Ob die Audiodeskription als separate Tonspur ausgegeben wird, war laut Beschreibung leider nicht klar. Das könnte ggf. von dem, was wir uns vorstellen, abweichen, denn unser Plan ist langfristig zu unseren Sendungen ein separates Signal auszustrahlen, über das die AD-Spur an smarten Geräten empfangen und zu- bzw. abgewählt werden kann

Was Audible Sight wirklich kann

Das Tool ist tatsächlich ziemlich einfach zu bedienen. In wenigen Mausklicks ist ein Account angelegt und man bekommt 10 Freiminuten pro Monat. Dieses Kontingent reicht uns, um das Tool zu testen. Wir nutzen dafür die ersten sechs Minuten aus unserem Film über das Nürnberger Volksbad. Zur Erinnerung: In der Anfangssequenz lassen wir die Bilder des verlassenen Jugendstilbads für sich sprechen. Es gibt keinen Offtext.

Das Hochladen des Videos funktioniert problemlos, wenn es auch etwas dauert, weil der Clip komplett transkodiert wird. Dies ist vermutlich notwendig, um ihn in einzelne Szenen zerlegen zu können, für die dann die Bildbeschreibungen generiert werden. Nach ein bisschen Rechenzeit für die Transkodierung werden sofort Transkriptionen (für eventuell Gesprochenes) und die Beschreibungen erstellt. In unserem Fall gibt es keine Sprache, so dass nur die Beschreibungen im nächsten Schritt angezeigt werden.

Schnell generierte Szenenbeschreibungen

Die Beschreibungen sind überraschend gut, auch wenn einzelne Details, wie Menschen, die vor dem Regen vor dem Volksbad Schutz suchen, übersehen werden. Auch erkennt das System nicht, dass es sich um ein verlassenes Jugendstilbad handelt. Wenige Beschreibungen sind komplett hanebüchen. Diese lassen sich im Browser aber rasch selbst editieren.

Wenig natürlich klingende Stimmen

Im nächsten Schritt kann eine Stimme ausgewählt werden. 65 weibliche und männliche Stimmen stehen zur Verfügung, mit unterschiedlichen englischen Akzenten. Amerikanisch, British, Südafrikanisch und auch Non-Native-Akzente. Alle klingen wenig natürlich, was aber eigentlich egal ist, da die Community an Hilfe durch Computerstimmen gewöhnt ist.

Manuelles Timing braucht Übung

Per Mausklick erfolgt dann das „Text to Speech“, was sehr rasch geht. Leider wird es im Anschluss dann sehr „fummelig“. Die Bildbeschreibungen werden einfach hintereinander eingespielt, es gibt keine automatisierte Szenenzuordnung. Jede einzelne Beschreibung muss manuell getimt werden. Dies erfolgt mittels kleinen Slidern, die etwas gewöhnungsbedürftig sind. Mit etwas Übung kann diese Hürde aber sicherlich schnell umschifft werden.

Export

Der Export des fertigen Videos wiederum klappt problemlos. Es wird automatisch heruntergeladen und steht sofort zur Verfügung. Wie schon vermutet, wird allerdings keine zweite Tonspur generiert, so dass die Bildbeschreibungen nicht separat zugespielt, also nicht an- und abgeschaltet werden können. Dieses Problem ließe sich wahrscheinlich problemlos in einem unserer Schnittprogramme beheben, indem wir Bild und Ton trennen und als zusätzliche Spur anlegen. Allerdings bedeutet dies viel zusätzlicher Zeitaufwand und Datenrechnerei fürs Importieren und erneute Exportieren.

Der fertig Videoausschnitt komplett für euch zum Anschauen

Fazit

Wir sind überrascht, wie einfach das System zu bedienen ist und auch welche Beschreibungen das System per Mausklick generiert. Diese sind zwar nicht fehlerfrei, aber gut genug. Die auswählbaren Stimmen sind zwar nicht natürlich, aber akzeptabel. Nur für das manuelle Platzieren, das aufwändige Timen der Beschreibungen, gibt es ein paar Minuspunkte.

Da uns das Tool grundsätzlich sehr gut gefällt, haben wir beim Entwicklerteam angefragt, ob weitere Sprachen in Planung sind und welche Kosten auf uns als Verein zukämen. Bisher gab es noch keine Antwort. Wir halten euch auf dem Laufenden, wie es mit Audible Sight weitergeht. Außerdem wollen wir für unseren nächsten AD-Blogbeitrag bei Menschen mit Sehbehinderung nachfragen, wie wichtig sie Audiodeskriptionen überhaupt finden und ob sie offen wären für KI-generierte Beschreibungen. Davor gibt’s aber natürlich noch Neues aus der Welt der Gebärden-Avatare, Untertitel und Barrierefreien Sprache.