Let's Talk, Not Type: An Oral-First Multi-Agent Architecture for Guaraní

Dieser Positionspapier plädiert anhand des Fallbeispiels Guaraní für einen oralen Ansatz in der KI, der durch eine Multi-Agenten-Architektur die mündlichen Kommunikationspraktiken indigener Gemeinschaften respektiert und so die Dominanz textbasierter Systeme überwindet.

Das Wesentliche

Stell dir vor, du möchtest mit einem Computer sprechen, aber er versteht dich nur, wenn du wie ein Roboter sprichst: kurze, klare Befehle, keine Unterbrechungen, keine „Ähms" und absolut kein Dialekt. Das ist heute noch so bei vielen KI-Systemen. Sie sind darauf trainiert, Text zu lesen, nicht echte Gespräche zu führen.

Dieser Forschungsartikel von Samantha Adorno und ihrem Team schlägt eine völlig neue Art vor, wie wir mit KI umgehen sollten – besonders für Sprachen wie Guaraní, die in Paraguay von Millionen Menschen gesprochen werden, aber oft nur mündlich und nicht schriftlich existieren.

Hier ist die Idee des Papiers, einfach erklärt mit ein paar bildhaften Vergleichen:

1. Das Problem: Der „Text-Computer" im „Mund-Mund"-Land

Die meisten KI-Assistenten (wie Alexa oder Siri) funktionieren wie ein Diktiergerät. Du sprichst, sie schreiben es auf, lesen es im Kopf durch und antworten.

• Das Problem: Guaraní ist eine Sprache, die lebt, wenn Menschen miteinander reden. Es gibt Pausen, Unterbrechungen, Code-Switching (man wechselt mitten im Satz zwischen Guaraní und Spanisch) und viele Nuancen.
• Die Analogie: Stell dir vor, du versuchst, mit jemandem ein tiefes Gespräch zu führen, aber er trägt einen Helm, der nur kurze, schriftliche Notizen versteht. Wenn du mitten im Satz atmest oder etwas korrigierst, denkt er, du hättest aufgehört zu reden, und unterbricht dich. Das ist frustrierend und fühlt sich nicht natürlich an.

2. Die Lösung: Ein Orchester statt eines Solisten

Statt einen riesigen, alleswissenden KI-Roboter zu bauen, schlagen die Autoren vor, ein Orchester aus kleinen Spezialisten (einem „Multi-Agenten-System") zu bauen. Jeder spielt sein Instrument, aber sie hören sich alle genau zu.

Stell dir das System wie ein dörfliches Gespräch vor, bei dem verschiedene Personen verschiedene Aufgaben haben:

• Der Zuhörer (Der Türsteher): Seine Aufgabe ist es nicht, den Inhalt zu verstehen, sondern nur zuzuhören. Er weiß genau, wann jemand wirklich fertig ist mit dem Satz und wann nur eine kurze Pause kommt (wie ein Atemzug). Er verhindert, dass die KI den Sprecher unterbricht, bevor er fertig ist.
• Der Dolmetscher (Der Kultur-Versteher): Dieser versteht nicht nur Wörter, sondern die Bedeutung. Er kennt den lokalen Dialekt, die Mischung aus Guaraní und Spanisch (Jopará) und weiß, was gemeint ist, auch wenn es nicht grammatikalisch perfekt ist.
• Der Gedächtnis-Hüter: Er erinnert sich daran, worüber ihr vor fünf Sekunden gesprochen habt. Wenn du sagst: „Nein, das mag ich nicht", weiß er, dass du das letzte Lied meinst, nicht irgendein Lied.
• Der Wächter (Der Hüter der Souveränität): Das ist der wichtigste Teil für die Gemeinschaft. Dieser Agent entscheidet: „Darf diese Stimme gespeichert werden? Darf das System das tun?" Er stellt sicher, dass die Daten der Menschen gehören und nicht einfach von großen Tech-Firmen geklaut werden. Er ist wie ein Dorfältester, der die Regeln schützt.
• Die Spezialisten: Das sind die Handwerker, die die eigentliche Arbeit machen (z. B. Musik abspielen oder im Internet suchen).
• Der Gesprächspartner: Er formuliert die Antwort so, dass sie natürlich klingt, als würde ein Freund antworten, nicht als würde ein Computer eine Fehlermeldung ausgeben.

3. Warum ist das so wichtig für Guaraní?

In Paraguay gibt es eine Art „Zweisprachigkeit" (Diglossie):

• Spanisch ist die Sprache der Ämter, der Schule und der Schrift.
• Guaraní ist die Sprache des Herzens, des Hauses und des Alltags.

Bisher zwingen Computer die Menschen oft, in die „Spanisch-Rolle" zu schlüpfen, um etwas zu erledigen. Das ist wie wenn du in deiner Familie nur noch auf Latein sprechen dürftest, um das Licht einzuschalten. Das neue System will Guaraní als Erste-Klasse-Bürger behandeln. Es respektiert, wie die Menschen wirklich reden, inklusive der Fehler, der Pausen und der Mischung der Sprachen.

4. Das große Ziel: Vertrauen statt nur Technik

Der wichtigste Punkt ist nicht, wie schnell die KI ist, sondern ob die Menschen ihr vertrauen.

• Wenn eine KI weiß, dass sie nicht einfach alles aufzeichnet, was im Haus gesagt wird, ohne Erlaubnis, dann trauen sich die Menschen, sie zu benutzen.
• Das System ist so gebaut, dass die Gemeinschaft die Kontrolle behält (Daten-Souveränität). Es ist nicht „eine KI für die Guaraní", sondern „eine KI, die von den Guaraní kontrolliert wird".

Fazit

Dieses Papier sagt uns: Um KI wirklich gerecht und nützlich zu machen, müssen wir aufhören, Sprache nur als Text zu sehen. Wir müssen sie als lebendiges Gespräch behandeln.

Stell dir vor, du betrittst ein Haus, in dem jeder sofort weiß, wie man sich verhält, wer das Sagen hat und dass deine Worte respektiert werden. Genau das soll dieses neue System für die Guaraní-Sprache und andere indigene Sprachen bauen: Ein digitales Zuhause, in dem man sich zu Hause fühlt, weil die KI spricht wie ein Mensch und respektiert wie ein Freund.

Technische Zusammenfassung

Hier ist eine detaillierte technische Zusammenfassung des Positionspapiers „Let's Talk, Not Type: An Oral-First Multi-Agent Architecture for Guaraní" auf Deutsch:

1. Problemstellung

Das Papier identifiziert ein fundamentales Defizit in der aktuellen Entwicklung von Künstlicher Intelligenz (KI) und Mensch-Computer-Interaktion (HCI): Die meisten Systeme sind textbasiert konzipiert, auch wenn sie Sprachfunktionen anbieten. Diese „Text-First"-Ansätze (Transkription -> Parsing -> Antwort) ignorieren die natürlichen Strukturen mündlicher Kommunikation, insbesondere bei indigenen und oralen Sprachen wie Guaraní (Paraguay).

Die spezifischen Herausforderungen für Guaraní sind:

• Diglossie: Guaraní wird primär im informellen, mündlichen Kontext verwendet, während Spanisch den formellen, schriftlichen und institutionellen Bereich dominiert. Textbasierte Schnittstellen zwingen Nutzer oft in den spanischen Modus, was die Nutzung von Guaraní einschränkt.
• Mangelnde Konversationsfähigkeit: Aktuelle Sprachassistenten (z. B. Alexa) funktionieren oft als Befehls-und-Antwort-Systeme. Sie scheitern an komplexen menschlichen Dialogmerkmalen wie Turn-Taking (Sprechwechsel), Repair (Korrektur von Missverständnissen) und der Aufrechterhaltung eines gemeinsamen Kontexts (Grounding).
• Daten-Souveränität: Es fehlt an Mechanismen, die die Kontrolle über sensible Sprachdaten (Audio) bei den indigenen Gemeinschaften selbst belassen, anstatt sie zentral zu speichern.

2. Methodik: Oral-First Multi-Agent System (MAS)

Die Autoren schlagen eine Architektur vor, die Sprache nicht als Text-Eingabe behandelt, sondern als primäre Interaktionsmodalität. Statt eines monolithischen Large Language Models (LLM) wird ein Multi-Agent System (MAS) mit sechs spezialisierten, kooperierenden Agenten vorgeschlagen:

1. Der Hörer (Speech Interface Agent):

   • Verwaltet die Aufnahme und den „Floor-Holding" (Sprechrecht).
   • Nutzt Voice Activity Detection (VAD), angepasst an Guaraní-spezifische Pausen (z. B. pedagogisch beschriebene Glottalstopps oder puso), um vorzeitige Unterbrechungen zu vermeiden.
   • Unterscheidet zwischen kurzen Pausen und dem Ende eines Sprechbeitrags.

2. Der kulturelle Interpret (Guaraní Understanding Agent / NLU):

   • Mappt gesprochene Eingaben (einschließlich Jopará, dem Code-Switching zwischen Guaraní und Spanisch) auf abstrakte Absichten (Intents).
   • Vermeidet synthetische Übersetzungen; basiert auf authentischen, gemeinschaftsvalidierten Daten, um kulturelle Referenzen und regionale Variationen zu erkennen.

3. Der Gedächtnisbewahrer (Conversation State Agent):

   • Verwaltet den Dialogzustand und den gemeinsamen Kontext über mehrere Turns hinweg.
   • Löst Anaphern (z. B. „dieses Lied" in Bezug auf den vorherigen Kontext) und verwaltet den Status von Aktionen (erledigt, ausstehend).
   • Ermöglicht kohärente, mehrstufige Dialoge statt isolierter Befehle.

4. Der Wächter (Permission & Governance Agent):

   • Ein separater, souveräner Agent, der jede Aktion vor der Ausführung auf Datenschutz und Einwilligung prüft.
   • Implementiert Prinzipien der indigenen Datensouveränität (z. B. „Audio nicht speichern").
   • Dient als unüberwindbare Schicht, die Privatsphäre nicht durch andere Systemkomponenten umgehen lässt.

5. Der Gesprächspartner (Response Agent):

   • Generiert konversationelle Audio-Antworten, die auf dem Dialogzustand und den Handlungsergebnissen basieren.
   • Behandelt Systemantworten als Dialogbeiträge (Bestätigungen, Reparaturversuche) statt als reine Statusmeldungen.

6. Die Spezialisten (Action Agents):

   • Modulare Agenten für spezifische Domänen (z. B. Mediensteuerung, Browser, Smart Home).
   • Ermöglichen eine organische Erweiterung des Systems ohne Neugestaltung der Kernarchitektur.

Trainingsdaten: Das Papier betont die Notwendigkeit von Daten, die echte Konversationen (Turn-Taking, Reparatur, Code-Switching) abbilden, und verweist auf Initiativen wie Mozilla Common Voice und das gemeinschaftsgeführte Aikuaa-Projekt.

3. Wichtige Beiträge

• Paradigmenwechsel: Der Vorschlag, Sprache nicht als Text zu transkribieren, sondern als First-Class-Design-Anforderung zu behandeln, die Turn-Taking, Reparatur und Kontext priorisiert.
• Architektonische Entkopplung: Die Trennung von Sprachverständnis, Zustandsverwaltung und Governance in separate Agenten. Dies ermöglicht spezialisierte Optimierung und stellt sicher, dass ethische Richtlinien (Datenschutz) technisch durchgesetzt werden können.
• Kontextspezifische Anpassung: Die Architektur berücksichtigt explizit die soziolinguistische Realität Paraguays (Diglossie, Jopará) und stellt sicher, dass das System mit der lebenden Sprache der Nutzer interagiert, nicht mit einer normierten, institutionellen Version.
• Neue Evaluierungsmetriken: Statt nur Wortfehlerraten (WER) zu messen, werden vier Dimensionen eingeführt:
  1. Task Success Rate (TSR): Erfolg bei mehrstufigen Zielen.
  2. Repair Success Rate: Fähigkeit, Missverständnisse ohne Abbruch zu korrigieren.
  3. Perceived Sovereignty: Vertrauen der Nutzer in die Kontrolle ihrer Daten.
  4. Latency: Antwortzeiten, die dem kulturellen Rhythmus des Guaraní entsprechen.

4. Ergebnisse und Validierung

Da es sich um ein Positionspaper handelt, werden keine empirischen Implementierungsergebnisse (z. B. Benchmarks) präsentiert, sondern ein theoretischer Rahmen und ein Evaluierungsplan vorgestellt.

• Die Autoren argumentieren, dass herkömmliche Metriken für orale Sprachen unzureichend sind.
• Sie demonstrieren durch ein Szenario (Tabelle 1), wie das System Kontextauflösung und Reparatur in einem mehrstufigen Dialog handhaben würde (z. B. „Ich will Musik hören" -> „Nein, nicht dieses Lied" -> Wechsel zum nächsten Titel), wobei der State-Agent die Referenz „dieses Lied" korrekt auflöst.
• Die Validierung soll durch ethnografische Methoden erfolgen, um das Vertrauen und die wahrgenommene Souveränität der Gemeinschaft zu messen.

5. Bedeutung und Fazit

Die Arbeit ist von großer Bedeutung für die Entwicklung kulturell fundierter KI:

• Gerechtigkeit: Sie zeigt auf, wie KI-Systeme so gestaltet werden können, dass sie indigene Sprachen nicht nur „erkennen", sondern deren kommunikative Praktiken respektieren und stärken.
• Datensouveränität: Durch die explizite Governance-Schicht wird ein Modell vorgeschlagen, das die Kontrolle über Daten bei den Gemeinschaften belässt, was für den Schutz indigener Rechte essenziell ist.
• Zukunftsfähigkeit: Der Ansatz bietet einen Weg, um die Lücke zwischen hoher digitaler Vernetzung und geringer sprachlicher Repräsentation in Ländern wie Paraguay zu schließen. Er beweist, dass technische Systeme nicht nur an die Sprache angepasst werden müssen, sondern dass die Interaktionsmodelle selbst (Oralität als Designprinzip) neu gedacht werden müssen, um wirklich inklusiv zu sein.

Zusammenfassend fordert das Papier einen Wechsel von der Anpassung mündlicher Sprachen an textzentrierte Systeme hin zu Systemen, die mündliche Konversation als primäre Designgrundlage betrachten.