Smart Speaker

Mit dem beständigen Aufschwung des Internet der Dinge („Internet of Things“, kurz IoT) begannen Digitalunternehmen wie Amazon, Google und Apple, den traditionellen Analoglautsprecher als eine Plattform für ein völlig neues Konzept zu nutzen – den intelligenten Lautsprecher. Die wesentliche Aufgabe von Smart Speaker besteht natürlich in der Wiedergabe von Audioinhalten, und daran wird sich auch nichts ändern. Diese Lautsprecher können jedoch noch viel mehr. Als in ein Netzwerk eingebundene IoT-Nodes können diese Geräte Informationen empfangen, nach diesen Informationen handeln und Steuersignale erzeugen sowie ihre Membranen abstimmen. Diese Fähigkeiten basieren auf den von diesen Lautsprechern gehosteten KI-Paketen („KI“ ist die Kurzform für „Künstliche Intelligenz“; englisch: „Artifical Intelligence“ oder kurz „AI“), von denen Amazon Alexa, Google Assistant, Microsoft Cortana und Apple Siri wohl die bekanntesten sind.

KI-Pakete können außer auf Smart Speakern auch auf einer Vielzahl anderer, entweder vom KI-Anbieter selbst oder von Drittherstellern angebotener Hardware ausgeführt werden. Auf der CES im vergangenen Januar wurde von in etwa 1.000 Unternehmen eine Integration von Alexa in zahllose Geräte angekündigt. Als Plattformen werden auch Smartphones, Computer und noch weitere Smart Home-Geräte genutzt. Im Mittelpunkt werden jedoch, so weit wie machbar, weiterhin Smart Speaker und ihre Fähigkeiten stehen. Wir werden jedoch auch eine weitere, völlig andere Anwendungsmöglichkeit für Smart Speaker ergründen: ihre immer breitere Nutzung in PA-Anlagen („Public Address“-Systeme, große öffentliche Flächen beschallende Lautsprecheranlagen), wie wir sie in Flughäfen, Bahnhöfen und anderen öffentlichen Einrichtungen wie Busbahnhöfen und öffentlichen Verkehrsmitteln vorfinden.

Sprachgesteuerte Persönliche Assistenten

Im Oktober 2017 wurde in der „What Hi-Fi?“ ein Artikel mit dem Titel „Smart Speaker – everything you need to know“ mit wissenswerten Informationen zu Smart Speaker veröffentlicht. In diesem Artikel finden sich Informationen zur Aufgabe dieser Geräte und zu Trends auf dem Markt.

Was kann ein Smart Speaker?

Ein Smart Speaker stellt im Wesentlichen eines der bereits erwähnten KI-Pakete dar, das auf einem Hardware-Host ausgeführt wird. Ein solches System kann auf Spracheingabe hin unter anderem folgende Aktionen ausführen:

Eine Drahtlosverbindung über Bluetooth aufbauen
Musiktitel oder Playlists abspielen
Einen Timer einstellen und aktivieren
Ein AV-System steuern
Beleuchtung und Heizung steuern
Einen Wetterbericht oder Verkehrsmeldungen wiedergeben
Ein UberTaxi rufen
Eine To-do-Liste zusammenstellen
Einen Witz erzählen

Die konkreten Fähigkeiten sind von der jeweiligen KI-Lösung und den sonstigen Smart-Geräten in Ihrem Zuhause abhängig.

Smart Speaker funktionieren auch mit Apps wie Spotify, Tunein Radio, Philips Hue (Beleuchtung), Nest, Hive, Samsung Smart Things, IFTTT (If This Then That), Kayak, Domino Pizza usw.

Abb. 1: Smart Speaker mit Amazon Echo – Foto aus Wikipedia

Funktionalität über mehrere Räume hinweg

Für die Möglichkeit, in unterschiedlichen Räumen unterschiedliche Audiotitel wiedergeben zu können, waren ehemals komplexe Steuerungssysteme und störende Verkabelungen erforderlich. In einem Artikel „What is multi-room Hi-Fi?“ wird erläutert, wie mit Smart Speakern dieser teure und komplexe Aufwand durch einfache, sprachgesteuerte Drahtlossysteme abgelöst werden können, und das zu einem günstigen Preis.

Diese Smart Speaker können miteinander kommunizieren und über eine App auf Smartphone, Tablet oder Computer oder aber auch direkt mittels Sprache gesteuert werden. Es besteht die Möglichkeit, in allen Räumen ein und denselben Musiktitel wiederzugeben oder aber in jedem Raum einen anderen Titel abzuspielen. Weitere Möglichkeiten sind:

Streamen von Musik über Apple Music, Spotify oder Tidal
Abrufen von Musik von einem NAS-Server (Network Attached Storage)
Streamen über ein Smartphone

Schon weiter ausgebaute Systeme können beispielsweise auch AirPlay-, Bluetooth- oder Chromecast-fähig sein.

Derartige Systeme werden von eher auf Hi-Fi ausgerichteten Markenherstellern wie Sonos, Pure, Raumfeld, Yamaha, Bose, Sony, LG, Panasonic und Samsung angeboten. In jüngerer Zeit traten und treten auch immer mehr Angebote von Apple und Google auf dem Markt auf. Mehrraum-Systeme betreiben entweder ihr eigenes Mesh-Netzwerk oder nutzen das im Gebäude vorhandene Wi-Fi-System. Speaker von Sonos, LG und Tibo beispielsweise formieren ein eigenes Mesh-Netzwerk. Da sich diese Systeme beim Streamen von Musik nicht auf das hauseigene Wi-Fi verlassen müssen, sind diese Systeme robuster. Demgegenüber sind Smart Speaker, die Wi-Fi nutzen, nicht nur auf die Leistungsfähigkeit und die Stabilität des Wi-Fi-Netzwerks angewiesen, sondern belegen auch eine Menge an Bandbreite des Netzwerks.

Zudem gibt es eine Vielzahl von Möglichkeiten für das Realisieren eines Mehrraum-Netzwerks. Die meisten Mehrraum-Speaker können auch als Standalone-Speaker genutzt werden. In die Systeme lassen sich weiterhin zusätzliche Speaker, Soundbars, Verstärker und Streamer integrieren. Die Verstärker und Streamer können, beispielsweise über Sonos Connect oder Bluesound Node, in ein bereits vorhandenes Hi-Fi-System eingebunden werden. Auch Denon und Yamaha bieten Möglichkeiten für die Integration ihrer AV-Elektronik an, um ihren Heimkino-Verstärkern Mehrraum-Fähigkeit zu verleihen.

KI-Pakete und Smart Speaker-Plattformen

Weiter oben haben wir uns mit den Fähigkeiten von Smart Speakern befasst und die Funktionsweise dieser Smart Speaker besprochen, besonders in Bezug Mehrraum-Installationen. Welche Produktarten werden jedoch auf dem Markt angeboten, vor allem mit Blick auf KI-/Speaker-Kombinationen? Im Folgenden führen wir einige Beispiele auf. Zu beachten ist, dass die ersten beiden Systeme von Hi-Fi-Herstellern angeboten werden, die ihre Speaker um KI ergänzt haben; die beiden darauffolgenden Systeme hingegen sind mehr auf KI-Funktionalität ausgerichtet:

Harman Kardon INVOKE – führt Microsoft Cortana aus

Hochkarätiges Audio über mehrere Woofer und Tweeter
Funktionen eines sprachgesteuerten Assistenten
E-Mail-Verwaltung in Kürze verfügbar
Nutzung über eine Vielzahl von Geräten wie Windows 10-PC und Smartphone hinweg
Sprachgesteuertes Skype
Steuerung von Smart Home-Anlagen wie Beleuchtung und Heizung

Sonos One

Mit Amazon Alexa
Unterstützt Mehrraum-Anwendung („Alexa, spiel Bowie im Wohnzimmer“ oder „Alexa, spiel Bowie in allen Räumen“)
Kann zwei Speaker zu einem Stereo-Paar kombinieren
Lärmkompensierendes Array aus sechs hochwertigen Mikrofonen sorgt für verlässliche Kommunikation mit Alexa, selbst bei lauter Musik
Unterstützt Amazon Prime Music und Spotify

Google Home Mini

Unterstützung von Wi-Fi und Bluetooth
360°-Sound mit 40-mm-Schallwandler
Fernfeld-Mikrofon für Spracherkennung
Funktioniert mit Android und iOS
Unterstützt Spotify, Google Play Music, Tunein und BBC
Unterstützt Smart Home-Geräte von Nest, Philips Hue Wemo, tp-link, SmartThings, IFTTT, Hive, Lightwave, Wiz, Netatmo und Tado
Unterstützt die Unterhaltungskanäle YouTube, Netflix und Google Photos
Unterstützt BBC News, FT, Sky News, Sky Sports, The Telegraph, The Guardian, The Economist, Monocle, The Sun, TC, CNN, NPR One, The Huffington Post und Euronews
Zu den Streaming-Lösungen gehören Google Chromecast, Google Chromecast Audio und Philips, Sony, Xiaomi, Nvidia, Bang & Olufsen, Polk und Raumfeld

Alexa Echo 2 mit Alexa

Zweite Generation, preisgünstiger als Echo
Streaming über Wi-Fi und Bluetooth
Audio-Ausgang für den Anschluss von älteren Geräten
Fernfeld-Mikrofon der zweiten Generation – bessere Verarbeitung des Wake Words und weiterentwickelte Rauschunterdrückung
Alexa-Routinen: Programmieren und Steuern mehrerer Geräte anhand einer einzigen Signalphrase. (Mit „Alexa, Guten Morgen“ könnten Sie in Ihrem Smart Home gleichzeitig die Beleuchtung einschalten, die Jalousien hochfahren und die Kaffeemaschine einschalten.)
Zu den kompatiblen Marken gehören Philips Hue, TP Link und Wemo
Die Einrichtung erfolgt anhand der Alexa App
Anruf oder Mitteilung an andere Nutzer von Alexa-Geräten

Die Perspektive der Entwickler

Auch von Entwicklern, die sich mit Google Assistant, Amazon Alexa und anderen KI-Paketen befassen, werden neue Smart Speaker auf den Markt gebracht werden. Google und Amazon beispielsweise stellen Entwicklern Leitfäden für die Integration ihrer Produkte zur Verfügung:

Google Assistant Developer Guidelines

Entwickler können auf sehr einfache Weise und ohne Programmierkenntnisse in die Nutzung von Google Assistant einsteigen. Simple Anwendungen wie ein Quiz oder ein Lernprogramm zu Charaktereigenschaften können durch einfaches Ausfüllen eines Tabellenkalkulationsblatts geschrieben werden. Anschließend können vordefinierte Charaktereigenschaften hinzugefügt werden, mit denen Stimme, Stimmlage, Musik, Soundeffekte und der Eindruck eines natürlichen Gesprächs für die Anwender der App festgelegt werden.

Es stehen auch mächtigere Entwicklungswerkzeuge zur Verfügung. Die Anwender interagieren mit Google Assistant meist durch ein Zwiegespräch in natürlicher Sprache. Durch eine umfangreichere Ausnutzung der Möglichkeiten dieser als „Conversational UI“ bezeichneten Anwenderschnittstelle können ausgeklügelte Apps programmiert werden. Es können Konversationen für verschiedenste Oberflächen wie sprachaktivierte Speaker oder auch für visuelle Konversationen mit Android-Smartphones designt werden.

Die Apps erweitern die Möglichkeiten von Google Assistant. Diese Apps ermöglichen die Einführung von Aktionen, mit denen Anwender mithilfe von Produkten und Dienstleistungen von Drittanbietern ihre Dinge erledigen können. Die einfachste Möglichkeit, eigene Funktionen selbst zu entwickeln, besteht in der Verwendung von Vorlagen. Es stehen jedoch noch weitere Mittel zur Wahl:

Mithilfe von Dialogflow können Drittanbieter ihre eigenen Konversationen entwerfen und implementieren. Dialogflow ist mit einer Natural Language Understanding (NLU)-Engine ausgestattet, die natürliche, menschliche Sprache analysiert.

Actions SDK ist für die Entwicklung einfacher Aktionen ausgelegt, die sich durch sehr kurze Konversationen mit nur begrenzter Veränderbarkeit der Eingaben durch Anwender. Für solche Aktionen ist meist keine robuste Spracherkennung erforderlich. Zudem sind diese Aktionen typischerweise für einen einzelnen, kurzen Anwendungsfall vorgesehen.

Alexa Developer Guidelines

Alexa ist der Name des Cloud-basierten Amazon Voice Service, verfügbar auf zig Millionen Amazon Geräten und Geräten anderer Hersteller. Mit Alexa können Sie ein Anwendererleben in menschlicher Sprache zur Verfügung stellen, das den Anwendern ein intuitives Mittel für das Interagieren mit ihrer im täglichen Leben genutzter Technik in die Hände gibt. Mit der von Amazon zur Verfügung gestellten Kollektion von Tools, APIs, Vergleichslösungen und Dokumentationen kann jedermann problemlos Aktionen für Alexa entwickeln.

Entwickler können mithilfe des Alexa Skills Kit (ASK), einer Kollektion von Selbstbedienungs-APIs, Fähigkeiten und Skills hinzufügen und so eine auf natürliche Sprache fokussierte Anwenderoberfläche zusammenstellen. Mithilfe von Alexa Voice Service (AVS) kann Alexa unmittelbar in Produkte von Drittanbietern integriert werden und so für einen „Freisprech“-Umgang mit beliebigen Geräten im System sorgen.

Zudem können auch entsprechende intelligente Kameras, Beleuchtungsanlagen, Entertainment-Systeme und sonstige Geräte in Alexandra integriert und so durch Spracherkennung gesteuert werden. Auch ist es möglich, Alexa Gadgets zu programmieren oder Interaktiv-Skills für Alexa Gadgets, beispielsweise „Echo Buttons“, zu erstellen.

Smart Speaker für PA-Anlagen

Reisende an Knotenpunkten wie Bahnhöfen und Flughäfen, an weit auseinanderliegenden Zwischenhalten wie Busbahnhöfen, oder auch im Fahrzeug verlangen beständig nach aktuellen Informationen zum Zeitplan und Status ihrer Transportmittel. Bei der Bereitstellung dieser Informationen handelt es sich um eine komplexe Aufgabe. Schließlich wird für jedes kleinflächiges Gebiet ein eigener Informationsfluss benötigt und diese Informationen können sich blitzschnell ändern.

Diese Herausforderung kann mithilfe moderner Lautsprechersysteme bewältigt werden. Bei diesen Systemen kann jeder Lautsprecher von einem zentralen Punkt aus einzeln angesteuert und zur Mitteilung der entsprechenden Informationen genutzt werden.

Text-zu-Sprache-Systeme

An Bushaltestellen und Bahnsteigen können zusätzlich zu den ständig aktualisierten digitalen Anzeigetafeln Text-zu-Sprache-Systeme installiert werden. Diese Systeme wandeln die an die Anzeigetafeln übermittelten schriftlichen Informationen in akustische Ansagen um, damit die Informationen auch bei blinden und sehbehinderten Reisenden ankommen können. Weiter ausgebaute Systeme können auch die Übermittlungen lokaler Funkstellen (LPFM) wiedergeben und so Abfahrts- und Ankunftszeiten mitteilen und so gerade vor eintreffenden Reisenden und Abholern weiterhelfen.

Sprach-Ansagesysteme

Sprach-Ansagesysteme an Bord von öffentlichen Verkehrsmitteln sagen automatisch die nächste Haltestelle an. Zumeist werden auch Informationen zu wichtigen Umsteige- und Orientierungspunkten und Sicherheitshinweise mitgeteilt. Zudem wissen die Reisenden immer, wo sie sich zurzeit befinden. Diese Sprach-Ansagesysteme finden sich, in Kombination mit LED-Anzeigen, in vielen Zügen und Bussen.

TextSpeak ist ein in den USA ansässiger Entwickler und Hersteller von Text-zu-Sprache-Systemen. In der Produktpalette dieses Unternehmens finden sich zahlreiche Embedded-Module, die ASCII-Text in natürliche, klare Sprache konvertieren, und dies ohne Einschränkungen beim Vokabular. Diese Plug-In-Geräte können aus Eingangsdaten verschiedenster Quellen wie Datenströme, Digitalanzeigen, Digitalschilder, Schriftdisplays und LED-Laufbänder in Echtzeit Sprache generieren. Mithilfe der von diesem Unternehmen produzierten earBridge Verstärkersysteme für mobile und fest installierte Anwendungen können diese Informationen in sprachlicher Form über Fahrgastinformationssysteme oder Frühwarnsysteme wiedergegeben werden.

Mit diesen auch zu einer Nachrüstung geeigneten Produkten können beispielsweise Fahrgastinformationssysteme modernisiert werden. Die Produkte von TextSpeak kommen beispielsweise im öffentlichen Nahverkehr in Paris sowie in der New Yorker U-Bahn zur Anwendung.

Automatische Fluggastinformationssysteme

Stellen Sie sich vor, Sie wären soeben an einem geschäftigen Flughafen angekommen. Nun stellen Sie sich vor, was für eine Vielzahl von Informationen Sie möglicherweise benötigen, um Ihren Transit ohne unnötigen Stress oder Trubel und pünktlich vollziehen zu können.

Logischerweise müssen von derartigen Informationssystemen sowohl ankommende als auch abfliegende Passagiere bedient werden. Zu den erforderlichen Ansagen gehören:

Check-In und Sicherheitskontrolle
Aufrufe/letzte Aufrufe zum Boarding
Informationen zu den Gates
Mitteilungen zu ankommenden Flügen
Verzögerungen beim Gepäckband
Gestrichene Flüge und umgeleitete ankommende Flüge
Sonstige, beliebig gestaltbare Mitteilungen

Die automatische Bereitstellung dieser Mitteilungen, mit Myriaden von Versionen für die verschiedensten Bereiche wie Ankunftsgates, Abfluggates, Gepäckhalle usw. kann mithilfe eines modernen Automatischen Fluggastinformationssystems, auch „AFAS“ (von „Automatic Flight Announcement System“) genannt, abgewickelt werden.

Ein solches AFAS mit dem Namen „Blazon Pro AFAS“ wird vom Unternehmen Teckinfo angeboten. Das in einer Windows-Umgebung ausgeführte System ist modular aufgebaut und skalierbar. Das System tätigt automatisch Ansagen zu den oben aufgeführten geplanten und ungeplanten Ereignissen. Dazu kann das System in einem von drei Modi betrieben werden: „Automatisch“, „Halbautomatisch“ und „Manuell“.

Im Automatik-Betrieb nimmt das System Informationen von anderen Systemen wie ATC, FIDS/ATS und PIDS entgegen und generiert anhand vorkonfigurierter Mitteilungsvorlagen Ansagen. Im halbautomatischen Betrieb gehen die Informationen von Systemen wie ATC, FIDS/ATS und PIDS an einen Diensthabenden. Dieser Diensthabende ergänzt und modifiziert bei Bedarf die in die Warteschlange eingereihte Meldung und sendet sie anschließend an das Ansagesystem. Im manuellen Betrieb ordnet der Diensthabende die vom AAS-Terminal eingehenden Informationen in eine Warteschlange ein und tätigt dann die Ansage.

Das System kann zuvor aufgezeichnete Phrasen, umfangreiche Mitteilungen und allgemeine Ansagen speichern, abrufen, generieren, zusammenstellen und wiedergeben und die Inhalte mit Videopräsentationen synchronisieren.

[Abkürzungen: ATC = Air Traffic Control (Luftverkehrskontrolle), FIDS = Flight Information Display System (Flugdatenanzeigesystem), ATS = Airport Transit System (ein „Peoplemover“), PIDS = Passenger Information Display System (Fluggastinformationen-Anzeigesystem) und AAS = Automatic Announcement System (Automatisches Ansagesystem)]

Abb. 2: Fluggäste am Flughafen benötigen ausführliche, ständige auf den aktuellen Stand gebrachte Informationen – Bild via Flickr

PA-Technologie für Entwickler

Audio-over-IP, auch als „AoIP“ oder „Networked Audio“ bezeichnet, ist die neueste Technologie für die vollgesteuerte Verteilung von Audiosignalen. Mithilfe von AoIP können Sprache und Musik über herkömmliche Ethernet-Kabel über weite Entfernungen übertragen werden. Diese Technologie wird beispielsweise für die Übertragung von Hintergrundmusik und in PA-Anlagen („Public Address“-Systeme, große öffentliche Flächen beschallende Lautsprecheranlagen) genutzt. Da diese Systeme auf dem IP-Protokoll basieren, können bestimmte Inhalte ausschließlich an als Ziel ausgewählter Stationen übertragen werden. Im Gegensatz zu herkömmlichen PA-Anlagen, bei denen jeder einzelne Lautsprecher über ein Koaxialkabel angeschlossen werden muss, werden bei einem solchen System Mikrofone und Lautsprecher als Netzwerkelemente behandelt und mittels IP-Adressen über bereits vorhandene LANs/WANs angesprochen.

2N ist ein Unternehmen, dass diese Technologie in ihrem Net Speaker Audio-over-IP-System. Mit diesem anhand einer kostenlos als Download verfügbaren Central Management Software für PC gesteuerten System kann der Anwender Musik, aufgezeichnete Sprachansagen, Töne, Jingles und Werbung streamen oder auch Ansagen live pagen. Die Übertragung erfolgt über eine herkömmliche Web-, LAN- oder WLAN-Verbindung und als Ziel können beliebige Zonen vor Ort und/oder Zonen an Remotestandorten ausgewählt werden.

Einige Projekte zur Spracherkennung

Wenn Sie gern mit Technologie zu Spracherkennung und Sprachinteraktion experimentieren möchten, finden Sie auf der Farnell Element 14 Webseite hilfreiche Projekte.

Eines dieser Projekte ist „Matrix Creator“. Dieses Projekt beinhaltet schrittweise Anleitungen für das Einrichten des Alexa Voice Service (AVS) auf einem mit einem Matrix Creator ausgestatteten Raspberry Pi. Es wird vorgeführt, wie Sie mithilfe unserer auf Java basierenden (und auf einem Raspberry Pi ausgeführten) Beispiel-App, eines Servers „Node.js“ und einer mit MATRIX Mic-Array ausgestatteten Wake Word-Engine eines anderen Herstellers auf AVS zugreifen und AVS testen können. Sie werden über den Raspberry Pi Webbrowser eine Webseite besuchen, um mithilfe des Servers „Node.js“ einen „Login mit Amazon“-Autorisierungscode zu erhalten.

Ein weiteres Projekt-Kit – von Google und mit dem Namen „AIY Projects“ – ist im Mai dieses Jahres eingetroffen. Sie finden dieses Kit im offiziellen Raspberry Pi Magazin „The MagPi“. Mithilfe dieses Hardware-Kits können Sie Ihre Raspberry Pi Projekte um Sprachinteraktion bereichern. Das Kit besteh aus einem Google Voice Hardware Accessory on Top (HAT) Erweiterungsboard, einem Voice HAT Board mit Stereomikrofon, einer großen Arcade Taste, Kabeln und einem speziell zugeschnittenen Gehäuse aus Pappe, in das alle diese Bauteile montiert werden.

Sie brauchen nur noch einen Raspberry Pi 3 hinzuzufügen. Dann brauchen Sie nur noch etwas Software einzurichten und schon verfügen Sie über Zugang zum Google Assistant SDK und zur Google Cloud Speech API.

Informationen über den Aufbau dieses Projekts finden Sie auf der Farnell Webseite.

Abb. 3: Bestandteile des AIY Projekt-Kits

Zusammenfassung

Mit dem Jahr 2018 werden unsere Interaktionen mit Technik zu 30 Prozent über „Gespräche“ mit intelligenten Geräten abgewickelt. Smart Speaker-Systeme wie Alexa und Google Assistant sind deutliche Beispiel dieser Technologie und auch mehr und mehr gewohnter Bestandteil unserer häuslichen Umgebung. Immer weitere Entwicklungen bei der Spracherkennung und bei der dahinterstehenden Deep Learning-KI geben Systementwicklern neue Möglichkeiten für die Realisierung eines viel breiteren Angebots von Anwendungen. Bestärkt wird dieser Trend insbesondere durch die immer breitere Verfügbarkeit von Entwicklungstools.

Auch haben wir die Vorteile eines simplen Upgrades von Lautsprechern zu netzwerkfähigen, einzeln ansteuerbaren Geräten und die sich daraus ergebenden Konsequenzen in Richtung flexiblerer, effizienterer und kostengünstigerer PA-Anlagen kennengelernt.