DeepL Aure übersetzt Sarkasmus, Jubel und Flüstern live in Echtzeit

Worum es geht

Das Kölner KI-Unternehmen DeepL hat am 11. November 2026 Aure vorgestellt, ein neues Sprach-KI-Modell für die Live-Übersetzung gesprochener Sprache. Laut DeepL ist es das bisher lebensechteste Sprachmodell des Unternehmens. Aure überträgt nicht nur, was jemand sagt, sondern auch, wie er es sagt: Tonfall, Emotion, Betonung und Sprechtempo sollen in der übersetzten Stimme erhalten bleiben, und zwar in der eigenen Stimme des Sprechers.

Die Fachzeitung Digital Daily aus Südkorea erklärt das mit einem Fußballbeispiel. Der Satz „Ah, Tor!“ klingt völlig anders, je nachdem, ob die eigene Mannschaft getroffen hat oder der Gegner. Im ersten Fall ist es Jubel, im zweiten ein Seufzer. Genau solche Unterschiede soll Aure in die Zielsprache mitnehmen.

Aure steckt im Echtzeit-Übersetzungsprodukt DeepL Voice und wird dort ohne zusätzliche Einstellungen genutzt: in DeepL Voice for Online Meetings, DeepL Voice for In-Person Conversations für Gespräche vor Ort und in der DeepL API for Voice, einer Programmierschnittstelle, mit der Firmen die Technik in eigene Anwendungen einbauen. Zum Start unterstützt Aure acht Sprachen: Deutsch, Englisch, Spanisch, Französisch, Italienisch, Japanisch, Portugiesisch und Koreanisch. Weitere sollen folgen. Für andere Sprachen nutzt DeepL Voice weiter die bisherigen Sprachmodelle.

Was bisher fehlte

Aure baut auf der Stimmerhaltung auf, die DeepL kürzlich eingeführt hatte. Damit hören Gesprächspartner die Übersetzung in der wiedererkennbaren Stimme des Sprechers statt in einer generischen Computerstimme. Laut DeepL hatte dieser Ansatz eine Schwäche: Die übersetzte Stimme wurde aus einer festen Sprachprobe aus den ersten Momenten eines Gesprächs erzeugt. Damit war klar, wer spricht, aber nicht, wie er spricht. DeepL formuliert es so:

Eine feste Momentaufnahme kann einem Wechsel von Emotion, Betonung oder Tempo nicht folgen und keine Sprechweise vermitteln, die den Worten widerspricht – etwa Sarkasmus.

Aure analysiert die eingehende Sprache dagegen laufend und nutzt dafür die übersetzten Worte und das Originalaudio gleichzeitig. Wird jemand lauter oder spricht schneller, ändert sich die Übersetzung entsprechend. Wer vor einer wichtigen Ankündigung kurz innehält, in einer Verhandlung mit Nachdruck spricht oder beim Überbringen guter Nachrichten von ernst zu begeistert wechselt, soll das auch in der Zielsprache rüberbringen.

Wie Aure technisch funktioniert

Der wichtigste Unterschied ist die Architektur. Bei der Vorstellung von DeepL Voice-to-Voice im April 2026 arbeitete das System laut TechCrunch und The Next Web noch als dreistufige Kette: Sprache wurde in Text umgewandelt, der Text mit DeepLs Übersetzungsmodell übersetzt und dann wieder in Sprache verwandelt. Damals kündigte DeepL bereits an, ein Ende-zu-Ende-Modell entwickeln zu wollen, das den Textschritt überspringt. Mit Aure ist das nun geschehen. DeepLs Engineering-Chef Vik Singh sagte Ende Oktober in San Francisco koreanischen Journalisten, darunter Digital Daily:

Frühere Modelle haben Sprache erst in Text umgewandelt und dann übersetzt. Das neue Modell nimmt Sprache direkt auf und erzeugt übersetzte Sprache. Dadurch können wir auch Flüstern, Sarkasmus und die Information in der Sprachmelodie in die Übersetzung einbeziehen.

DeepL nennt dabei mehrere technische Schwierigkeiten. Echte Gespräche sind laut, also muss Aure Stimmidentität und Prosodie (Sprachmelodie, Rhythmus und Betonung) des Sprechers von Hintergrundgeräuschen, Hall und Verzerrungen trennen. Eine Stimme in eine andere Sprache zu übertragen ist außerdem viel schwieriger als innerhalb einer Sprache, vor allem ohne Akzente zu übertreiben oder den Klang der Person zu verfälschen.

Hinzu kommt ein Datenproblem, das DeepL bewusst in Kauf nimmt: DeepL Voice speichert Transkripte und Übersetzungen nicht dauerhaft und löscht sie am Ende einer Sitzung aus dem Speicher. Deshalb gibt es kaum reale Aufnahmen derselben Person in mehreren Sprachen, aus denen das Modell lernen könnte. Aure muss sich in Echtzeit auf jeden Sprecher einstellen, noch bevor dieser seinen ersten Satz beendet hat. Dabei soll es auch Tagesform erkennen, also ob jemand müde, begeistert oder gestresst klingt.

DeepL kombiniert dafür mehrere Trainingstechniken, die Stimmidentität, Prosodie und Inhalt voneinander trennen, damit jedes davon einzeln in die neue Sprache übertragen werden kann. Reinforcement Learning (Lernen durch Belohnung für gute Ergebnisse) verfeinert die Ausgabe zusätzlich. So soll die Übersetzung genau und die Sprachqualität hoch bleiben und die Sprache natürlich und akzentfrei klingen. Laut Singh trainiert DeepL nicht nur mit gleichmäßig gesprochenen Nachrichten oder Podcasts, sondern auch mit emotional schwankenden Sportübertragungen und Callcenter-Gesprächen in schwankender Tonqualität.

Vorgeschichte: DeepL Voice seit April

DeepL ist vor allem für Textübersetzung bekannt und wurde 2017 von CEO Jarek Kutylowski gegründet. Das Unternehmen hat nach eigenen Angaben mehr als 900 Mitarbeitende und über 200.000 Geschäftskunden. Im April 2026 stellte es die Produktreihe DeepL Voice-to-Voice vor. Dazu gehörten Übersetzung in Microsoft Teams und Zoom, Gespräche über Mobilgeräte und Web ohne App-Installation, Gruppengespräche mit Beitritt über QR-Code sowie die API, etwa für Callcenter. Mit „Spoken Terms“ lassen sich außerdem Fachbegriffe, Firmen- und Personennamen hinterlegen.

In einer von DeepL beauftragten Blindstudie des Branchenanalysten Slator bevorzugten 96 Prozent der professionellen Linguisten DeepL Voice gegenüber den eingebauten Übersetzungen von Google Meet, Microsoft Teams und Zoom. Eine Live-Demo im April in Seoul zeigte laut The Next Web aber eine Verzögerung von ein bis zwei Sätzen. Produktchef Gonzalo Gaiolas erklärte das mit unterschiedlicher Wortstellung und Satzstruktur der Sprachen. Ob Aure diese Latenz, also die Verzögerung zwischen Gesagtem und Übersetzung, verkürzt, sagt DeepL in der aktuellen Ankündigung nicht.

Zu den Kunden von DeepL Voice gehören laut DeepL Pioneer Corporation, Aramark, Avendra International und Inetum. Fast Company nahm DeepL Voice in seine Liste „Next Big Things in Tech 2026“ in der Kategorie Applied AI auf.

Einordnung

Aure ist für DeepL ein wichtiger Schritt weg von der Kette aus Spracherkennung, Textübersetzung und Sprachausgabe hin zu einem Modell, das Sprache direkt verarbeitet. Gerade für Geschäftsgespräche kann das viel ausmachen: Ob ein Satz ernst, ironisch oder begeistert gemeint ist, verändert seine Bedeutung. Für Nutzer von DeepL Voice gilt die Verbesserung automatisch, sie müssen nichts umstellen.

Der Markt ist allerdings umkämpft. Google, Microsoft und Zoom haben eigene Übersetzungsfunktionen in ihren Plattformen, und Start-ups wie Palabra (finanziert von Alexis Ohanians Seven Seven Six) arbeiten ebenfalls an Echtzeitübersetzung mit Stimmerhalt. Sanas und Camb.AI besetzen benachbarte Bereiche wie Akzentveränderung und Synchronisation.

Einige Fragen bleiben offen. DeepL nennt keine Messwerte zu Aure, weder zur Übersetzungsqualität noch zur Verzögerung. Unabhängige Tests gibt es noch nicht. Ob die Ende-zu-Ende-Verarbeitung die Übersetzungsqualität der bewährten Textmodelle erreicht, auf die DeepL im April noch ausdrücklich gesetzt hatte, muss sich zeigen. Zum Start deckt Aure nur acht Sprachen ab, während DeepL Voice insgesamt mehr als 40 unterstützt. Und je überzeugender eine KI die eigene Stimme samt Emotionen nachbildet, desto drängender wird die Frage nach Missbrauch durch Stimmfälschung. Darauf geht DeepL in der Ankündigung nicht ein.