„Genuschelt“: Audio-KI versteht Akzente fehlerfrei und benotet sie trotzdem schlechter

Darum geht es

Stell dir vor, du hast ein Bewerbungsgespräch per Sprach-KI. Deine Antworten sind Wort für Wort dieselben wie die einer Mitbewerberin aus Ohio, du klingst nur anders. Am Ende bekommst du die schlechtere Note, und in der Begründung steht, du hättest „genuschelt“. Genau dieses Szenario hat ein Team um Aruna Srivastava, Orevaoghene Ahia und Yulia Tsvetkov von der University of Washington durchgespielt. Ihr Paper „The Cost of Sounding Different: Accent Bias in Audio Language Models“ wurde am 25. Oktober auf der EMNLP in Budapest vorgestellt, einer der wichtigsten Konferenzen für Sprachverarbeitung. Laut dem Code-Repository bekam es dort einen Outstanding Paper Award. Die Pressemitteilung der Universität folgte am 4. November.

Bisher wird das Paper vor allem nacherzählt. Wir haben es selbst gelesen. Dabei zeigt sich: Der Kernbefund ist solide, aber ein Detail wird in der Berichterstattung schief wiedergegeben.

Der Versuchsaufbau: gleicher Text, andere Stimme

Die Forscher bauten drei Situationen nach, in denen Audio-Modelle schon heute Menschen beurteilen könnten: - asynchrone KI-Bewerbungsinterviews (aufgezeichnete Antworten auf vier Fragen) - Vorträge im Seminar und auf Konferenzen (Wirtschaft, Informatik, Geschichte, Biologie) - Aufgaben aus Englischtests, nämlich Vorlesen und Diagramme beschreiben

Die Englischtest-Aufgaben orientieren sich am Pearson-Test PTE Academic. Das Paper zitiert ihn als Beispiel für einen Test, der Antworten mit Sprach-KI bewertet.

Für die Hauptversuche kamen 30 synthetische Stimmen von ElevenLabs zum Einsatz, einem kommerziellen Anbieter von KI-Stimmen. Es gab je sechs Stimmen (drei weiblich, drei männlich) für amerikanisches, britisches, chinesisches, indisches und nigerianisches Englisch, insgesamt 599 Aufnahmen mit rund 19 Stunden. Personen, die den jeweiligen Akzent aus eigener Erfahrung kennen, haben jede Stimme vorher geprüft. Zur Kontrolle nahmen 52 echte Menschen das Bewerbungsszenario auf: 13 aus den USA, 4 aus Großbritannien, 11 aus China, 10 aus Indien und 14 aus Nigeria, zusammen 312 Aufnahmen.

Die Modelle sollten Vortragsweise („delivery“) und Inhalt getrennt auf einer Skala von 1 bis 7 bewerten und ihre Note begründen. Die Temperatur stand auf 0, die Modelle antworteten also ohne Zufallsanteil. Getestet wurden sechs Modelle. Zwei davon flogen raus: - Audio Flamingo 3 stufte alle Sprecher als Muttersprachler ein. - Voxtral Small 24B lieferte instabile Ergebnisse. Bei 15 von 30 Messwerten drehte sich zwischen zwei identischen Durchläufen das Vorzeichen.

Übrig blieben Gemini 2.5 Pro, Gemini 2.5 Flash, GPT-Audio 1.5 und das Open-Weight-Modell Qwen3-Omni von Alibaba.

Die Zahlen: eine Hierarchie der Akzente

Die Reihenfolge war fast immer dieselbe: Amerikanisch und Britisch oben, Indisch in der Mitte, Chinesisch und Nigerianisch unten. Der Fließtext des Papers nennt keine Einzelwerte. Abbildung 2 zeigt aber den Abstand zwischen der Gruppe „Nicht-westlich“ (Chinesisch, Nigerianisch, Indisch) und „westlich“ (USA, UK) als z-Wert, also in Standardabweichungen der Notenverteilung des jeweiligen Modells. Ein Wert von −1 bedeutet: eine volle Standardabweichung schlechter. Wir haben die Rohwerte aus der Abbildung ausgelesen. Die Spannen pro Bereich lassen sich eindeutig angeben:

Am größten sind die Abstände laut Paper bei den Englischtests, also genau dort, wo es um Studienplätze oder Visa gehen kann. Die wenigen positiven Werte stammen laut Text von Qwen3-Omni. Bei Vorträgen und Tests gab das Modell nicht-westlichen Sprechern teils ähnliche oder sogar leicht bessere Noten.

Auch der Inhalt war betroffen: Identische Sätze bekamen je nach Akzent unterschiedliche Inhaltsnoten. Die Anweisung, die Vortragsweise bei der Inhaltsnote außen vor zu lassen, befolgten die Modelle nach Angaben der Autoren nicht zuverlässig. Getestet wurden außerdem drei Formulierungen der Aufgabe: kritisches Feedback, Vergleich mit einem „idealen Mitarbeiter“ und Vergleich mit einem „Muttersprachler“. Die Lücke tauchte bei allen drei auf.

Verstehen ja, fair urteilen nein

Der wichtigste Befund ist die Wortfehlerrate (WER, der Anteil falsch erkannter Wörter in der Abschrift):

Alle Werte liegen unter 4 Prozent. Indisches Englisch wurde sogar am genauesten transkribiert und landete bei den Noten trotzdem nur in der Mitte. Die Wortfehlerrate hängt nur schwach mit den Noten zusammen (Spearman-Korrelation etwa −0,15 bei Gemini 2.5 Pro, −0,37 bei Qwen3-Omni). Deutlich stärker ist der Zusammenhang mit der „akustischen Distanz“: Gemessen wurde mit dem Sprachmodell XLS-R, wie weit eine Aussprache klanglich von amerikanischem Englisch entfernt ist. Hier lagen die Korrelationen zwischen −0,35 und −0,66 bei echten Sprechern und zwischen −0,39 und −0,72 bei synthetischen, alle statistisch signifikant. Britisch und Indisch liegen akustisch nah am amerikanischen Englisch, Chinesisch und Nigerianisch deutlich weiter weg. Die Autoren sprechen von einer „impliziten amerikanischen Norm“.

In den Begründungen der Modelle zeigt sich das so: Amerikaner und Briten klingen „clear“, „excellent“, „professional“. Bei Nigerianern schreibt GPT-Audio 1.5 von „mumbled or not fully enunciated“, Qwen3-Omni von einer Aussprache, die „gelegentlich von einem starken Akzent gedämpft“ werde. Das Wort „Akzent“ fällt nur in etwa 10 bis 30 Prozent der Begründungen. Die Abwertung versteckt sich meist hinter Wörtern wie „undeutlich“. Wie positiv oder negativ eine Begründung klingt, hängt eng mit der Note zusammen (Pearson r = 0,52 bis 0,95).

„Sie haben die Sprecher verstanden, aber sie hatten diese implizite Vorstellung einer Hierarchie zwischen ihnen, basierend auf dem Akzent.“ – Orevaoghene Ahia, Co-Erstautorin

Was die Studie nicht zeigt, und ein verbreitetes Missverständnis

Es gab keine menschlichen Bewerter. In der UW-Mitteilung heißt es, die Lücke sei bei menschlichen Akzenten größer gewesen als bei KI-Akzenten. Gemeint sind echte Sprecher im Vergleich zu synthetischen Stimmen, nicht Menschen, die selbst Noten verteilt hätten. Menschen kamen im Paper nur als Sprecher vor, beim Prüfen der Stimmen und beim Kontrollieren von 50 automatisch ausgewerteten Begründungen. Ob menschliche Recruiter noch strenger urteilen würden, beantwortet die Studie nicht. Eine andere Arbeit von der Interspeech 2026 (arXiv 2603.16941) fand zwar, dass menschliche Bewerter Akzent-Unterschiede schärfer wahrnahmen als KI-Bewerter. Dort beurteilten sie aber die Antworten von Sprach-KIs und nicht die Sprecher selbst.

Synthetische Stimmen sind ein Schwachpunkt, aber kein entscheidender. Die Autoren räumen ein, dass ElevenLabs-Stimmen manche Merkmale einer Aussprache über- oder unterbetonen können. Für die drei proprietären Modelle blieb die Lücke bei echten und synthetischen Stimmen jedoch „relativ stabil“. Bei Qwen3-Omni war die Lücke in den Begründungen bei echten Sprechern sogar deutlich größer, vor allem im Bewerbungsszenario. Synthetische Stimmen dürften das Problem bei Qwen also eher unterschätzen. Das gute Abschneiden des offenen Modells bei Vorträgen und Tests sollte man deshalb nicht überbewerten, denn diese Bereiche wurden nur mit synthetischen Stimmen getestet. Eine Studie aus Taiwan (VIBE, arXiv 2604.17248), die nur echte Aufnahmen von über 400 Nicht-Muttersprachlern verwendet, fand bei zwölf Audio-Modellen ebenfalls statistisch signifikante Verschiebungen durch den Akzent.

Kleine Stichproben und Finanzierung. Für Großbritannien gab es nur vier echte Sprecher, gesprochen wurde nach Skript statt frei, und die Einteilung nach Nationalität ist grob. Laut Danksagung wurde die Arbeit „teilweise durch Spenden von Google und OpenAI“ finanziert. Das ist offenzulegen, spricht aber kaum gegen die Ergebnisse, denn die Modelle der Geldgeber schneiden schlecht ab. Getestet wurde zudem die Gemini-2.5-Generation. Ob neuere Modelle besser sind, ist offen. Eine Nachstellung mit aktuelleren Modellen oder mit deutschen Akzenten haben wir bei unserer Recherche nicht gefunden. Code und synthetische Daten sind öffentlich auf GitHub und Hugging Face, die Aufnahmen der echten Sprecher nur auf Anfrage.

Wo Audio-KI heute schon Noten vergibt

Welche Modelle kommerzielle Anbieter intern einsetzen, ist meist nicht bekannt. Auch das nennt das Paper als Einschränkung. Die Richtung ist aber klar: - HireVue hat am 18. Juni 2026 einen „AI Interviewer“ gestartet, der rund um die Uhr Bewerbungsgespräche im Dialog führt und Antworten nach Bewertungsrastern einstuft. - Greenhouse bietet „Voice AI“ an. Dort legen Recruiter Fragen und Kriterien fest, die finale Entscheidung bleibt beim Menschen. - VidCruiter wirbt damit, nur den Inhalt zu bewerten und keine Sprachmuster. - Pearson erklärt zum PTE Academic, der etwa für australische Visa akzeptiert wird, die Software bewerte „jeden gleich und mit gleicher Genauigkeit“, egal woher er kommt. Unabhängige Belege dafür liefert die Seite nicht.

Diese Systeme sind nicht zwingend die getesteten Allzweck-Modelle. Unsere Einschätzung: Gerade weil Firmen wie Pearson mit dem Argument werben, Maschinen seien neutraler als menschliche Prüfer, braucht es öffentliche Auswertungen nach Akzentgruppen. Tsvetkov fordert genau das:

„Wir wollen nicht, dass die Leistung im Schnitt für die Gesamtbevölkerung bei 97 Prozent liegt, für eine kleinere Gruppe aber nur bei 20 Prozent.“

Was der EU AI Act verlangt und ab wann

Anhang III des AI Act stuft KI als Hochrisiko-System ein, wenn sie „zur Bewertung von Bewerbern“ eingesetzt wird (Nr. 4a) oder „zur Bewertung von Lernergebnissen“ an Bildungseinrichtungen (Nr. 3b). Für solche Systeme gelten dann unter anderem Pflichten zum Risikomanagement, zur Prüfung der Trainingsdaten auf mögliche Verzerrungen und zur menschlichen Aufsicht.

Anders als oft zu lesen, gelten diese Pflichten aber noch nicht. Der Digital-Omnibus, die Verordnung (EU) 2026/1744, wurde am 24. Juli 2026 im Amtsblatt veröffentlicht und ist seit dem 27. Juli in Kraft. Er verschiebt den Start für Anhang-III-Systeme vom 2. August 2026 auf den 2. Dezember 2027. Gleichzeitig erweitert er laut den Kanzleien Garrigues und Gibson Dunn die Rechtsgrundlage, sensible Daten zur Erkennung und Korrektur von Verzerrungen zu verarbeiten. Diese gilt jetzt auch für Anbieter, die keine Hochrisiko-Systeme betreiben. Englischtests für Einwanderung fallen unserer Lesart nach nicht automatisch unter die Migrations-Kategorie (Nr. 7), denn die betrifft vor allem Systeme, die Behörden oder Stellen in deren Auftrag nutzen. Hier wäre im Einzelfall rechtlich zu prüfen.

Einordnung

Das Paper trennt sauber zwischen Verstehen und Urteilen. Damit fällt die bequeme Ausrede weg, die Spracherkennung müsse nur besser werden. Die Modelle verstehen chinesisches und nigerianisches Englisch fast fehlerfrei und werten es trotzdem ab, und das mit Begründungen, die nach Sachlichkeit klingen. Das passt zu früheren Arbeiten von Co-Autor Valentin Hofmann zu versteckten Dialekt-Vorurteilen in Textmodellen.

Belegt ist der Effekt für vier Modelle aus dem Jahr 2025, für vorgelesene Texte und für kleine Gruppen echter Sprecher. Nicht belegt ist, wie stark er in konkreten kommerziellen Produkten wirkt und ob Menschen fairer urteilen würden.

Unsere Einschätzung: Wer Sprach-KI für Bewerbungen oder Prüfungen einsetzt, sollte Inhalt und Stimme strikt trennen, zum Beispiel indem nur die Abschrift bewertet wird. Das Paper testet diesen Weg allerdings nicht. Es zeigt nur, dass die Abschriften zuverlässig sind und dass „bewerte nur den Inhalt“ als Anweisung an ein Modell, das die Stimme hört, nicht ausreicht. Bis die EU-Pflichten Ende 2027 greifen, hängt Fairness hier am guten Willen der Anbieter.