Forschende beobachteten, dass Smart Speaker 0,95-mal pro Stunde fälschlich aufwachten, in einem kontrollierten Test, bei dem sieben Geräten zwei Durchgänge à 134 Stunden Netflix-Inhalte vorgespielt wurden (Northeastern University und Imperial College London, PETS 2020). Eine weitere Laborstudie, die 11 Lautsprecher von 8 Herstellern mit Fernsehsendungen und Nachrichtensendungen testete, lieferte mehr als 1.000 verifizierte versehentliche Auslösungen (Ruhr University Bochum und Max Planck Institute, arXiv 2020). Diese Falschakzeptanzen haben inzwischen auch einen juristischen Preis: Googles Vergleich über 68 Millionen US-Dollar zu Falschakzeptanzen des Assistant erhielt 1,49 Millionen fristgerechte Anträge, bevor er im Oktober 2026 endgültig genehmigt wurde (U.S. District Court N.D. Cal., Beschluss in Kumandan v. Google, 2026). Auf der Erkennungsseite stieg in einem Heim-Benchmark mit Dinner-Party-Aufnahmen über Arrays mit 7 Mikrofonen die Wortfehlerrate von 42,10% bei Nahbesprechungs-Headsets auf 77,52% bei den Fernfeldgeräten (DiPCo-Korpus-Paper, 2019). Wir haben Daten von Northeastern University, Ruhr University Bochum, Amazon Science, Apple Machine Learning Research, Google Research, den Organisatoren der CHiME-Challenge, Johns Hopkins University und zwei Akten bundesweiter Sammelklagen zusammengeführt. Wie viele Haushalte diese Geräte besitzen, behandeln unsere Statistiken zur Nutzung von Smart Speakern; diese Zusammenstellung dreht sich darum, wie gut sie hören.
TL;DR
- Forschende beobachteten 0,95 Fehlaktivierungen von Smart Speakern pro Stunde bzw. 1,43 pro 10.000 gesprochene Wörter, während in der Nähe Fernsehsendungen liefen (Northeastern University und Imperial College London, PETS 2020).
- Das Aktivierungswort Cortana erzeugte 197 versehentliche Auslösungen gegenüber 8 bei Hey Siri in 624 Stunden Audio pro Lautsprecher (Ruhr University Bochum und Max Planck Institute, arXiv 2020).
- Nutzer von Smart Speakern, die mindestens einmal im Monat eine versehentliche Aktivierung bemerkten: 43,7% (Voicebot.ai-Umfrage 2018, berichtet von Voicebot.ai 2020).
- Ein Klassifikator der zweiten Stufe senkte die Fehlalarme von Alexa um etwa 67% zusätzlich zum Detektor der ersten Stufe (Amazon Science, ICASSP 2018).
- Apples Streaming-Transformer unterdrückt 95% der Fehlauslösungen mit einer zusätzlichen Sekunde Audio nach der Auslösung (Apple Machine Learning Research 2021).
- Die Sechs-Mikrofon-Verarbeitung des HomePod verbesserte die Wortfehlerrate relativ um etwa 90% bei Musikwiedergabe (Apple Machine Learning Research 2018).
- Falschrückweisungen des Aktivierungsworts bei einem Fehlalarm pro Stunde: 2,00% bei Nahbesprechung gegenüber 5,11% bei Fernfeld-Arrays (Personalized Voice Trigger Challenge 2020).
- Wortfehlerrate auf einem Dinner-Party-Korpus aus dem Heimbereich: 42,10% bei Nahbesprechung gegenüber 77,52% im Fernfeld (DiPCo-Korpus-Paper, 2019).
- Selbst die besten Systeme der Challenges CHiME-7 und CHiME-8 bleiben bei den CHiME-6-Dinner-Partys im Heimbereich über 30% tcpWER (Review der CHiME-7/8-DASR-Challenges, arXiv 2025).
- 24,76% von 2.552 Alexa-Interaktionen von Erwachsenen im Alter von 66 bis 94 Jahren betrafen einen Fehler (Johns Hopkins University, arXiv 2024).
- Googles Vergleich über 68 Millionen US-Dollar zu Falschakzeptanzen des Assistant erhielt 1,49 Millionen fristgerechte Anträge (Beschluss zur endgültigen Genehmigung in Kumandan v. Google, Oktober 2026).
- Apples Siri-Vergleich über 95 Millionen US-Dollar zahlt bis zu 20 US-Dollar pro Gerät für unbeabsichtigte Aktivierungen (Verwalter des Vergleichs Lopez v. Apple, 2025-2026).
1. Versehentliche Aktivierungen: Wie oft TV-Dialoge einen Lautsprecher wecken
0,95 Fehlaktivierungen pro Stunde klingt wenig, bis man bedenkt, dass ein Fernseher im Wohnzimmer stundenlang läuft und dass dieselbe Studie fand, dass fast alle lokal erkannten Aktivierungen (das Gerät leuchtete auf) auch an die Cloud gesendet wurden. Die Datenschutzfrage lautet daher nicht nur, wie oft ein Lautsprecher aufwacht, sondern auch, wie lange er danach weiter zuhört.
Bei der Dauer ist die Studie von Northeastern und Imperial College am aufschlussreichsten: Das längste Zehntel der Aktivierungen dauerte je nach Gerät 8 bis 10 Sekunden, lang genug, um einen vollständigen Satz eines privaten Gesprächs aufzunehmen. Fehlaktivierungen waren zudem kein zufälliges Rauschen: 20,7% der Aktivierungen des Google Home Mini und 17,7% der Aktivierungen des HomePod wiederholten sich in mehr als 75% der 12 Testläufe, was bedeutet, dass bestimmte Dialogzeilen bestimmte Geräte zuverlässig täuschen. Umfragen unter Besitzern, berichtet von Voicebot.ai, erzählen dieselbe Geschichte vom Sofa aus.
| Metrik | Wert | Quelle |
|---|---|---|
| Den Testlautsprechern vorgespielte Inhalte | Zwei Durchgänge à 134 Stunden aus 12 Fernsehsendungen, in den USA und im Vereinigten Königreich, an 7 Geräte (Google Home Mini, Apple HomePod, Harman Kardon Invoke, 2 Echo Dot der 2. Generation, 2 Echo Dot der 3. Generation) | Northeastern University und Imperial College London, PETS 2020 |
| Beobachtete Rate der Fehlaktivierungen | 0,95 pro Stunde bzw. 1,43 pro 10.000 gesprochene Wörter | Northeastern University und Imperial College London, PETS 2020 |
| Fernsehsendungen mit den meisten Aktivierungen | The West Wing: durchschnittlich 4,26 Aktivierungen pro Stunde; Narcos: 6,21 Aktivierungen pro 10.000 Dialogwörter | Northeastern University und Imperial College London, PETS 2020 |
| Dauer, die die längsten 10% der Aktivierungen erreichten; längste Einzelaktivierung | Mindestens 10 Sekunden beim HomePod, 9 Sekunden beim Google Home Mini, 8 Sekunden beim Echo Dot der 2. Generation (Aktivierungswort Echo); bis zu 43 Sekunden in einem Experiment, als Ausreißer behandelt | Northeastern University und Imperial College London, PETS 2020 |
| Nutzer von Smart Speakern, die bemerkten, dass sie ihren Sprachassistenten mindestens einmal im Monat versehentlich geweckt hatten | 43,7% | Voicebot.ai-Umfrage 2018, berichtet von Voicebot.ai 2020 |
| Nutzer der Sprachsuche in den USA (einschließlich Smartphones), die ihren Assistenten innerhalb eines Monats versehentlich weckten | 64% von 501 Befragten | The-Manifest-Umfrage, berichtet von Voicebot.ai 2020 |
| Anteil der gemeldeten versehentlichen Aktivierungen, bei denen die Software ihr Aktivierungswort ohne erkennbaren Grund erkannte | 29% | The-Manifest-Umfrage, berichtet von Voicebot.ai 2020 |
Jüngste verfügbare Daten: Northeastern University und Imperial College London, PETS 2020, sowie Umfragen unter Besitzern von 2018 bis 2020. Seitdem wurde keine größere unabhängige Messung von Fehlaktivierungen veröffentlicht, daher bleiben dies die Referenzzahlen. Die vielfach wiederholte Schlagzeile “bis zu 19-mal pro Tag” stammt aus der Presseberichterstattung, nicht aus den von der Studie selbst berichteten Raten.
2. Welche Aktivierungswörter am häufigsten fehlauslösen
Die Kluft zwischen den Aktivierungswörtern ist enorm: Cortana erzeugte 197 versehentliche Auslösungen, Hey Siri dagegen 8 bei derselben Wiedergabe. Kurze, alltäglich klingende Aktivierungswörter kollidieren mit der Alltagssprache; die Forschenden fanden, dass das chinesische Wort ‘dage’ (großer Bruder) mit ‘Echo’ und die deutsche Wendung ‘Am Sonntag’ in Wettervorhersagen mit ‘Amazon’ verwechselt wurde.
Die Cloud wirkt als zweiter Filter, aber als unvollkommener. Nur ein kleiner Teil der lokalen Cortana-Auslösungen überstand die Serverprüfung, doch das Paper zu versehentlichen Auslösungen fand, dass eine in der Cloud bestätigte Auslösung 10 Sekunden oder mehr Audio hochladen kann. Ein Cloud-Verifizierungsschritt ist, in einfachen Worten, ein zweiter, größerer Erkenner auf den Servern des Unternehmens, der den Ausschnitt erneut anhört und das Aufwecken abbricht, wenn er dem Gerät widerspricht.
| Metrik | Wert | Quelle |
|---|---|---|
| Testumfang | 11 Smart Speaker von 8 Herstellern; 13 Hauptdatensätze mit je 24 Stunden, zweimal abgespielt (13 × 24 × 2 = 624 Stunden pro Lautsprecher) | Ruhr University Bochum und Max Planck Institute, arXiv 2020 |
| Versehentliche Auslösungen nach Aktivierungswort | Cortana 197; Alexa 99; Computer 77; Amazon 57; Echo 43; OK/Hey Google 16; Hey Siri 8 | Ruhr University Bochum und Max Planck Institute, arXiv 2020 |
| Cortana-Auslösungen, die auch die Prüfung in der Cloud bestanden | 8 von 197 (8 / 197 = 4,1%) | Ruhr University Bochum und Max Planck Institute, arXiv 2020 |
| Auslösungen von Amazon und Google, die bei 10 Wiederholungen mindestens 4-mal erneut auslösten | Etwa 75% | Ruhr University Bochum und Max Planck Institute, arXiv 2020 |
| Aktivierungswort ‘Computer’ ausgelöst durch dieselben Modern-Family-Folgen, englische Version gegenüber deutscher Version | 9-mal gegenüber 1-mal | Ruhr University Bochum und Max Planck Institute, arXiv 2020 |
| Nach einer in der Cloud bestätigten Auslösung hochgeladenes Audio gegenüber der Zeit, bis eine nur lokale Auslösung stoppt | 10 Sekunden oder mehr gegenüber etwa 1-2 Sekunden | Ruhr University Bochum und Max Planck Institute, arXiv 2020 |
Jüngste verfügbare Daten: Ruhr University Bochum und Max Planck Institute, arXiv 2020. Die Zahl für Alexa steht im Text des Papers als 99 und in einer Zeile einer Übersichtstabelle als 100; wir verwenden die Zahl aus dem Text.
3. Erkennung des Aktivierungsworts: Falschrückweisungen gegen Fehlalarme abwägen
Jede Engine für Aktivierungswörter balanciert zwei Fehler aus. Eine Falschrückweisung liegt vor, wenn der Lautsprecher ein echtes ‘Alexa’ oder ‘Hey Siri’ ignoriert; ein Fehlalarm (auch Falschakzeptanz oder Fehlauslösung genannt) liegt vor, wenn er aufwacht, obwohl niemand das Aktivierungswort gesagt hat. Ingenieure legen eine der Fehlerraten fest und versuchen dann, die andere zu senken, weshalb Ergebnisse als “relative Reduktion bei einem festen Fehlalarmniveau” oder “bei 0,1 Falschakzeptanzen pro Stunde” angegeben werden.
Das Muster über die Anbieter hinweg ist eine mehrschichtige Verteidigung. Das Spitzenergebnis stammt hier von Apple: 95% der Fehlauslösungen mit nur einer zusätzlichen Sekunde Audio unterdrückt (Apple Machine Learning Research 2021). Amazons Zwei-Stufen-Detektor und Apples Lattice-basierte Prüfungen zeigen dieselbe Logik: Ein günstiger, dauerhaft aktiver Detektor weckt das Gerät, und eine aufwendigere zweite Stufe entscheidet, ob es weiter zuhört.
| Metrik | Wert | Quelle |
|---|---|---|
| Zwei-Stufen-Detektor auf dem Gerät mit Hintergrundsprachmodellierung: Falschrückweisungen bei festem Fehlalarmniveau; Fehlalarme bei fester Fehlerkennungsrate | Etwa 16% relative Reduktion; etwa 37% relative Reduktion | Amazon Science, ICASSP 2018 |
| Klassifikator der zweiten Stufe zusätzlich zum Detektor der ersten Stufe | Etwa 67% weniger Fehlalarme | Amazon Science, ICASSP 2018 |
| Rate der Fehlauslösungen mit einem komplementären Sprachmodell, bei festen 0,4% fälschlicher Unterdrückung echter Anfragen | 38,34% relative Reduktion, dann weitere 10,8% mit einem parallelen Modell | Apple, Interspeech 2020 |
| Von einem Streaming-Transformer mit einer Sekunde Audio nach der Auslösung unterdrückte Fehlauslösungen | 95% | Apple Machine Learning Research 2021 |
| Dasselbe Streaming-Modell gegenüber der Nicht-Streaming-Version | Durchschnittlich 18% relative Reduktion der Falschrückweisungen; 32% weniger Laufzeitspeicher; 56% weniger Inferenzzeit | Apple Machine Learning Research 2021 |
| Mehrmikrofon-Netz gegenüber einem auf jedem Mikrofon einzeln laufenden Einkanalmodell, bei 0,1 Falschakzeptanzen pro Stunde | 27,2% (sauber) und 31,8% (verrauscht) relative Reduktion der Falschrückweisungen auf Testsets mit zwei Mikrofonen | Google Research, Odyssey 2020 |
| Design des Siri-Sprachauslösers | Zwei Auslösephrasen (‘Hey Siri’ und ‘Siri’) über 7 Gerätekategorien; Netz der ersten Stufe auf 4 Bit pro Gewicht komprimiert | Apple Machine Learning Research 2023 |
Kontext: Anbieter veröffentlichen für ausgelieferte Produkte fast nie absolute Falschakzeptanzraten, nur relative Verbesserungen. Das Paper zum Complementary Language Model und das Google-Paper zu mehreren Kanälen folgen dieser Konvention. Jüngste verfügbare Daten zur Architektur des ausgelieferten Systems: Apple Machine Learning Research, Voice Trigger System for Siri, 2023.
4. Beamforming und das akustische Front End
Beamforming bedeutet, die Signale mehrerer Mikrofone so zu kombinieren, dass das Array zum Sprecher hin ‘hört’ und vom Lärm weg. Echounterdrückung bedeutet, die eigene Musik des Lautsprechers von dem abzuziehen, was seine Mikrofone aufnehmen. Beides ist wichtig, denn wie Apple gemessen hat, kann die eigene Wiedergabe des Geräts 30-40 dB lauter sein als die Stimme, die es zu hören versucht (Apple Machine Learning Research 2018).
Der Gewinn ist genau dort am größten, wo ein Smart Speaker am meisten Mühe hat: bei der Wiedergabe seiner eigenen Musik. Amazons Arbeit zur mehrschichtigen Echounterdrückung berichtet ähnliche Größenordnungen. Dasselbe Richtungsprinzip verringert bei Hörgeräten das Rauschen am Ohr, wie unsere Statistiken zum SNR von Hörgeräten mit Richtmikrofon zeigen; ein Smart Speaker wendet es von der anderen Seite des Raums aus an.
| Metrik | Wert | Quelle |
|---|---|---|
| Mikrofone im Apple HomePod; Rechenaufwand der Sprachverbesserung | Sechs; weniger als 15% eines einzelnen A8-Kerns mit 1,4 GHz | Apple Machine Learning Research 2018 |
| Wiedergabe des Geräts (Echo) gegenüber Fernfeldsprache; Resthall nach linearer Echounterdrückung bei hoher Lautstärke | 30-40 dB lauter; 10-20 dB über der Fernfeldsprache | Apple Machine Learning Research 2018 |
| Relative Verbesserung der Wortfehlerrate durch die Mehrkanalverarbeitung des HomePod | Etwa 40% (verhallte Sprache), 90% (Musikwiedergabe), 74% (starkes Hintergrundrauschen), 61% (konkurrierender Sprecher) | Apple Machine Learning Research 2018 |
| Absolute Verbesserung bei Falschrückweisungen von ‘Hey Siri’ mit einem konkurrierenden Sprecher | 29,0% gegenüber maskenbasierter Rauschreduktion; 30,3% gegenüber der Ausgabe der Referenz-Signalverarbeitung | Apple Machine Learning Research 2018 |
| Echo- und Rauschreduktion des mehrschichtigen Systems von Amazon bei Echo-Geräten | Etwa 40 dB Echoreduktion; etwa 19 dB Rauschreduktion | Amazon Science 2018 |
| Relative Verbesserung der Wortfehlerrate durch die drei Schichten (von Amazon SBNR, SBRES und NLEC genannt) | Etwa 22%, 14% und 17% | Amazon Science 2018 |
| Array des Fernfeldgeräts in den DiPCo-Heimaufnahmen | 7 Mikrofone: 6 auf einem Kreis mit 35 mm Radius plus 1 in der Mitte | DiPCo-Korpus-Paper, 2019 |
| In jeder CHiME-6-Dinner-Party verwendete Arrays | 6 Microsoft-Kinect-Geräte mit linearen 4-Kanal-Arrays (24 Array-Mikrofone) | Paper zur CHiME-6-Challenge, 2020 |
Jüngste verfügbare Daten: Apple Machine Learning Research 2018 und Amazon Science 2018. Beide Unternehmen haben seither neuere Hardware ausgeliefert, aber keines hat vergleichbare Front-End-Messungen veröffentlicht.
5. Der Entfernungsnachteil bei der Fernfelderkennung
Wird das Mikrofon vom Mund auf die andere Seite des Raums verlegt, verdoppeln sich die Erkennungsfehler in kontrollierten Tests fast. Die Wortfehlerrate stieg von 42,10% bei Nahbesprechungs-Headsets auf 77,52% bei Fernfeldgeräten in denselben Dinner-Party-Sitzungen (DiPCo-Korpus-Paper, 2019), und die Falschrückweisungen des Aktivierungsworts in der Personalized Voice Trigger Challenge waren bei Fernfeld-Arrays mehr als doppelt so hoch wie bei Nahbesprechungs-Smartphones.
Gesprächsaudio im Haushalt ist weit schwieriger als ein einzelner Befehl: Menschen reden durcheinander, wechseln die Räume und kochen. Zwei Begriffe helfen beim Lesen der Tabelle. Guided Source Separation (GSS, geführte Quellentrennung) ist ein Mehrmikrofon-Verfahren, das die Information, wer wann gesprochen hat, nutzt, um jede Stimme zu trennen, und tcpWER ist eine Wortfehlerrate, die zusätzlich Wörter bestraft, die dem falschen Sprecher oder dem falschen Zeitpunkt zugeordnet wurden. Der Review zu CHiME-7 und CHiME-8 zeigt, dass Dinner-Partys im Heimbereich trotz jahrelanger Fortschritte das schwierigste Szenario bleiben.
| Metrik | Wert | Quelle |
|---|---|---|
| Falschrückweisungen des Aktivierungsworts bei einem Fehlalarm pro Stunde, Nahbesprechungs-Smartphone gegenüber Fernfeld-Mikrofonarray (Entwicklungsset) | 2,00% gegenüber 5,11% | Personalized Voice Trigger Challenge 2020 |
| Aufnahmeaufbau der Challenge | 612 Stunden, 658.995 Äußerungen, 550 Sprecher; Arrays mit 4 oder 6 Kanälen in 1 m, 3 m und 5 m Entfernung in einem als Smart Home eingerichteten Raum | Personalized Voice Trigger Challenge 2020 |
| Fernfeld-Aktivierungswort für das Smart Home (‘Xiao T, Xiao T’), Evaluierungsset: Falschrückweisungen und Fehlalarme | Bestes reines Audiosystem 6,38% und 4,65%; bestes audiovisuelles System 2,15% und 3,44%; offizielle audiovisuelle Baseline 10,1% und 15% | System der Duke Kunshan University, ICASSP 2023 (MISP-2021-Challenge) |
| Wortfehlerrate, Nahbesprechungs-Headset gegenüber Fernfeldgerät mit 7 Mikrofonen (Evaluierungsset) | 42,10% gegenüber 77,52% | DiPCo-Korpus-Paper, 2019 |
| Wortfehlerrate der CHiME-6-Baseline (Entwicklung / Evaluierung), mit GSS gegenüber einem herkömmlichen Beamformer (BeamformIt) | 51,8% / 51,3% gegenüber 69,8% / 61,2% | Paper zur CHiME-6-Challenge, 2020 |
| CHiME-6-Baseline, wenn das System auch herausfinden muss, wer wann gesprochen hat (Entwicklung / Evaluierung) | 84,3% / 77,9% | Paper zur CHiME-6-Challenge, 2020 |
| Wortfehlerrate des besten CHiME-5-Systems (Entwicklung / Evaluierung) | 45,6% / 46,6% (USTC-iFlytek) | Paper zur CHiME-6-Challenge, 2020 |
| CHiME-6-tcpWER der besten CHiME-7/8-Systeme; Teilnahme an CHiME-8 | Über 30%; 9 Teams reichten 32 Systeme ein | Review der CHiME-7/8-DASR-Challenges, arXiv 2025 |
Kontext: Die Zahlen der Challenges messen offene Gespräche, keine kurzen Befehle, und überzeichnen daher den Fehler, den ein Lautsprecher bei ‘Stell einen Timer’ macht. Sie sind dennoch der beste öffentliche Beleg dafür, wie viel der Raum selbst kostet, und das CHiME-6-Paper zeigt, dass allein der Wechsel von einem herkömmlichen Beamformer zu GSS auf dem Entwicklungsset etwa 18 Punkte brachte (69,8% minus 51,8%).
6. Wer überhört wird: ältere Erwachsene zu Hause
Fehler beim Aktivierungswort und bei der Erkennung verteilen sich nicht gleichmäßig. In einem einmonatigen Einsatz in Privathaushalten betrafen 24,76% der Alexa-Interaktionen von Erwachsenen im Alter von 66 bis 94 Jahren einen Fehler (Johns Hopkins University, arXiv 2024), und die Fehlerraten sanken über die vier Wochen nicht. Die Anfrage zu hören war nur ein Teil des Problems: Das Missverstehen der Absicht war die größte einzelne Fehlerkategorie.
Das Aktivierungswort selbst bringt Menschen ins Stolpern. Ein knapp verfehltes Wort wie ‘Alexis’ verursachte mehr Fehlversuche als Fehlaktivierungen, was das Spiegelbild des TV-Problems aus Abschnitt 1 ist: Das Gerät ist streng gegenüber seinem Besitzer und nachsichtig gegenüber dem Fernseher. Lücken nach Akzent und Dialekt behandeln unsere Statistiken zur Akzent-Verzerrung bei der Spracherkennung; dieser Abschnitt bleibt bei Alter und Kognition.
| Metrik | Wert | Quelle |
|---|---|---|
| Interaktionen mit einem Fehler, 15 Haushalte mit Personen im Alter von 66 bis 94 Jahren, Echo Dot, vier Wochen | 24,76% (632 von 2.552) | Johns Hopkins University, arXiv 2024 |
| Spracherkennungsfehler als Anteil aller Fehler | 24,4% (154 von 632) | Johns Hopkins University, arXiv 2024 |
| Fehler, bei denen Alexa die Anfrage gar nicht aufnahm (‘nicht zugehört’) | 10,9% (69 von 632) | Johns Hopkins University, arXiv 2024 |
| Fehler durch das Sagen des falschen Aktivierungsworts (zum Beispiel ‘Alexis’) | 7,8% (49 von 632) | Johns Hopkins University, arXiv 2024 |
| Fehler durch Fehlaktivierungen (Fehlauslösungen); Anteil, der beim erneuten Versuch behoben wurde | 2,4% (15 von 632); 6,7% | Johns Hopkins University, arXiv 2024 |
| Fehler bei der Absichtserkennung, die größte Fehlerkategorie | 32,3% (204 von 632) | Johns Hopkins University, arXiv 2024 |
| Spracherkennungsfehler bei von 83 älteren Erwachsenen vorgelesenen Alexa-Befehlen, Demenzgruppe gegenüber kognitiv unauffälliger Gruppe | Bei der Demenzgruppe signifikant höher | Cohn et al., arXiv 2026 |
Die Demenzstudie von 2026 berichtet, dass Sprechlautstärke, Stimmqualität und Pausenanteil die Erkennungsgenauigkeit vorhersagten, was die Altersunterschiede wieder mit der Akustik verknüpft: Leisere, behauchtere Stimmen verlieren auf dem Weg durch den Raum mehr Energie, bevor sie das Array erreichen.
7. Falschakzeptanzen vor Gericht und in der Unternehmenspolitik
Falschakzeptanzen sind von einer Labormetrik zu einem Haftungsrisiko geworden. Googles Vergleich hat einen Gruppenzeitraum, der am 18. Mai 2016 beginnt, und eine Datenschutzgruppe, die um Aufnahmen von Falschakzeptanzen definiert ist, und 1,49 Millionen fristgerechte Anträge gingen auf Benachrichtigungen ein, die per E-Mail an 173.814.291 Adressen verschickt wurden (U.S. District Court N.D. Cal., Beschluss zur endgültigen Genehmigung in Kumandan v. Google, Oktober 2026). Nach unserer Rechnung ergibt das eine Antragsquote von etwa 0,86% der benachrichtigten Adressen (1,49 Millionen / 173.814.291); der Beschluss selbst nennt keine Antragsquote.
Apples paralleler Siri-Vergleich deckt unbeabsichtigte Siri-Aktivierungen während privater Gespräche über ein Jahrzehnt ab. Auch die Unternehmenspolitik hat sich bewegt: Apple erklärte im Januar 2025, keine Audioaufnahmen von Siri-Interaktionen zu speichern, es sei denn, Nutzer stimmen ausdrücklich zu (Apple Newsroom 2025).
| Metrik | Wert | Quelle |
|---|---|---|
| Vergleichsfonds zu Falschakzeptanzen von Google Assistant; Datum der endgültigen Genehmigung | 68.000.000 US-Dollar, ohne Rückfallanspruch; 13. Oktober 2026 | U.S. District Court N.D. Cal., Beschluss in Kumandan v. Google, 2026 |
| Zustellung der Benachrichtigungen und Ausschlüsse | E-Mails an 173.814.291 Adressen, 98,76% zugestellt; 217 gültige Ausschlussanträge und 7 Einwände | U.S. District Court N.D. Cal., Beschluss in Kumandan v. Google, 2026 |
| Geschätzte Zahlung je Gruppenmitglied | Etwa 18 bis 56 US-Dollar (Käufergruppe); etwa 2 bis 10 US-Dollar (Datenschutzgruppe) | U.S. District Court N.D. Cal., Beschluss in Kumandan v. Google, 2026 |
| Zugesprochene Anwaltshonorare | 22.666.666,70 US-Dollar (ein Drittel des Fonds) | U.S. District Court N.D. Cal., Beschluss in Kumandan v. Google, 2026 |
| Apple-Vergleich zu unbeabsichtigten Siri-Aktivierungen | Fonds von 95 Millionen US-Dollar; bis zu 20 US-Dollar pro Siri-Gerät, bis zu fünf Geräte; Gruppenzeitraum vom 17. September 2014 bis 31. Dezember 2024 | Verwalter des Vergleichs Lopez v. Apple, 2025-2026 |
| Anteil der Audioschnipsel des Assistant, die von Sprachexperten geprüft wurden | Rund 0,2% | Google, Blog The Keyword, Juli 2019 |
| Anteil der Siri-Anfragen, die menschliche Bewerter hörten, bevor Apple die Bewertung aussetzte | Weniger als 0,2% | Apple Newsroom, August 2019 |
Kontext: Googles Stellungnahme von 2019 zu Sprachdaten beschrieb Falschakzeptanzen als selten, und Apples Stellungnahme von 2019 sagte zu, Aufnahmen zu löschen, die als versehentliche Auslösungen eingestuft wurden. Keines der beiden Unternehmen veröffentlichte eine Häufigkeit von Falschakzeptanzen, weshalb die Laborstudien aus den Abschnitten 1 und 2 der wichtigste öffentliche Beleg bleiben.
Zusammenfassung: Beamforming bei Fernfeld-Smart-Speakern und Genauigkeit des Aktivierungsworts in Zahlen
| Metrik | Wert | Quelle |
|---|---|---|
| Fehlaktivierungen, während in der Nähe Fernsehsendungen liefen | 0,95 pro Stunde bzw. 1,43 pro 10.000 Wörter | Northeastern University und Imperial College London, PETS 2020 |
| Längste 10% der Aktivierungen | 8 bis 10 Sekunden oder mehr, je nach Gerät | Northeastern University und Imperial College London, PETS 2020 |
| Versehentliche Auslösungen, Cortana gegenüber Hey Siri, 624 Stunden pro Lautsprecher | 197 gegenüber 8 | Ruhr University Bochum und Max Planck Institute, arXiv 2020 |
| Nutzer von Smart Speakern, die mindestens monatlich eine versehentliche Aktivierung bemerken | 43,7% | Voicebot.ai-Umfrage 2018, berichtet von Voicebot.ai 2020 |
| Durch einen Klassifikator der zweiten Stufe beseitigte Fehlalarme | Etwa 67% | Amazon Science, ICASSP 2018 |
| Reduktion der Fehlauslösungen durch ein komplementäres Sprachmodell | 38,34% relativ | Apple, Interspeech 2020 |
| Mit einer zusätzlichen Sekunde Audio unterdrückte Fehlauslösungen | 95% | Apple Machine Learning Research 2021 |
| Reduktion der Falschrückweisungen durch ein Netz mit zwei Mikrofonen bei 0,1 Falschakzeptanzen pro Stunde | 27,2% sauber, 31,8% verrauscht | Google Research, Odyssey 2020 |
| Pegel der Gerätewiedergabe gegenüber Fernfeldsprache | 30-40 dB lauter | Apple Machine Learning Research 2018 |
| Verbesserung der Wortfehlerrate durch die HomePod-Verarbeitung bei Musikwiedergabe | Etwa 90% relativ | Apple Machine Learning Research 2018 |
| Echoreduktion bei Echo-Geräten | Etwa 40 dB | Amazon Science 2018 |
| Falschrückweisungen des Aktivierungsworts, Nahbesprechung gegenüber Fernfeld | 2,00% gegenüber 5,11% | Personalized Voice Trigger Challenge 2020 |
| Bestes audiovisuelles Fernfeld-Aktivierungswortsystem, Falschrückweisungen und Fehlalarme | 2,15% und 3,44% | System der Duke Kunshan University, ICASSP 2023 |
| Wortfehlerrate, Nahbesprechung gegenüber Fernfeld | 42,10% gegenüber 77,52% | DiPCo-Korpus-Paper, 2019 |
| CHiME-6-Baseline, GSS gegenüber herkömmlichem Beamformer (Entwicklungsset) | 51,8% gegenüber 69,8% | Paper zur CHiME-6-Challenge, 2020 |
| Beste CHiME-7/8-Systeme bei den CHiME-6-Dinner-Partys im Heimbereich | Über 30% tcpWER | Review der CHiME-7/8-DASR-Challenges, arXiv 2025 |
| Alexa-Interaktionen mit einem Fehler, Erwachsene im Alter von 66 bis 94 Jahren | 24,76% | Johns Hopkins University, arXiv 2024 |
| Vergleich zu Falschakzeptanzen von Google Assistant und fristgerechte Anträge | 68 Millionen US-Dollar; 1,49 Millionen | U.S. District Court N.D. Cal., Beschluss in Kumandan v. Google, 2026 |
| Apple-Vergleich zu unbeabsichtigten Siri-Aktivierungen | 95 Millionen US-Dollar; bis zu 20 US-Dollar pro Gerät | Verwalter des Vergleichs Lopez v. Apple, 2025-2026 |
Methodik und Quellen
Wir führten 15 Recherchen durch und lasen für jede der obigen Zahlen das Primärpaper, die Gerichtsakte oder die Unternehmensseite. Wo nur eine relative Verbesserung veröffentlicht ist, geben wir sie als relativ an; relative Verbesserungen haben wir nicht in absolute Raten umgerechnet. Die beiden Vergleichszahlen sind Gerichts- und Verwalterunterlagen, keine technischen Messungen.
- Northeastern University und Imperial College London, When Speakers Are All Ears: Characterizing Misactivations of IoT Smart Speakers, PETS 2020
- Voicebot.ai, Bericht über die Umfrage von The Manifest und die Voicebot-Umfrage 2018, Januar 2020
- Ruhr University Bochum und Max Planck Institute for Security and Privacy, Unacceptable, where is my privacy? Exploring Accidental Triggers of Smart Speakers, arXiv 2020
- Amazon Science, Monophone-based Background Modeling for Two-stage On-device Wake Word Detection, ICASSP 2018
- Amazon Science, mehrschichtige Echounterdrückung und Sprachverbesserung für Smart Speaker, 2018
- Apple Machine Learning Research, Complementary Language Model and Parallel Bi-LRNN for False Trigger Mitigation, Interspeech 2020
- Apple Machine Learning Research, Streaming Transformer for Hardware Efficient Voice Trigger Detection and False Trigger Mitigation, 2021
- Apple Machine Learning Research, Voice Trigger System for Siri, 2023
- Apple Machine Learning Research, Optimizing Siri on HomePod in Far-Field Settings, 2018
- Google Research, Small Footprint Multi-channel Keyword Spotting, Odyssey 2020
- The 2020 Personalized Voice Trigger Challenge: Open Database, Evaluation Metrics and the Baseline Systems, arXiv 2021
- Duke Kunshan University, Post-Challenge Audio-Visual Wake Word Spotting System for the MISP 2021 Challenge, ICASSP 2023
- DiPCo, Dinner Party Corpus, 2019
- CHiME-6 Challenge: Tackling Multispeaker Speech Recognition for Unsegmented Recordings, 2020
- Cornell et al., Recent Trends in Distant Conversational Speech Recognition: A Review of CHiME-7 and 8 DASR Challenges, arXiv 2025
- Johns Hopkins University, Situated Understanding of Errors in Older Adults’ Interactions with Voice Assistants: A Month-Long, In-Home Study, arXiv 2024
- Cohn et al., Spracherkennungsfehler bei älteren Erwachsenen mit und ohne Demenz bei der Nutzung von Amazon Alexa, arXiv 2026
- U.S. District Court N.D. Cal., Kumandan v. Google, Beschluss zur endgültigen Genehmigung, 13. Oktober 2026
- Lopez v. Apple, Website des Verwalters des Lopez Voice Assistant Settlement, 2025-2026
- Google, More information about our processes to safeguard speech data, Juli 2019
- Apple Newsroom, Improving Siri’s privacy protections, August 2019
- Apple Newsroom, Our longstanding privacy commitment with Siri, Januar 2025
- Daten-Hinweis: Die meisten technischen Messungen in dieser Zusammenstellung stammen aus den Jahren 2018 bis 2023, weil Hersteller von Smart Speakern relative Verbesserungen und Architekturhinweise veröffentlichen statt absoluter Falschakzeptanzraten für ausgelieferte Geräte; behandeln Sie jede Zahl aus 2018-2021 als jüngste verfügbare Daten, nicht als aktuelle Produktleistung. Die Angabe ‘bis zu 19-mal pro Tag’, die zur Northeastern-Studie kursiert, ist eine Presseschlagzeile und keine Rate, die die Studie berichtet. Das Paper zu versehentlichen Auslösungen nennt im Text 99 Alexa-Auslösungen und in einer Zeile einer Übersichtstabelle 100. Googles Multikanal-Paper ist auf seiner Google-Research-Seite mit Reduktionen der Falschrückweisungen von 27,2% und 31,8% aufgeführt; andere Einträge zu verwandten Versionen zeigen abweichende Zahlen, zitieren Sie also die Version, die Sie gelesen haben. Die Johns-Hopkins-Studie gibt ihre wöchentliche Fehlerrate im Text mit 20-30% und in einer Abbildungsunterschrift mit 21-26% an. Die Umfragen von Voicebot 2018 und The Manifest sind nicht vergleichbar (die zweite schließt Smartphones und Tastendrücke ein). Die Zahlungen aus Googles Vergleich waren zum Zeitpunkt des Beschlusses vom Oktober 2026 noch nicht ausgezahlt, und der Beschluss gibt die Anträge mit Stand 17. September 2026 an, zuzüglich mehr als 40.000 verspäteter Anträge, die möglicherweise angenommen werden.
Zuletzt aktualisiert: 24. Oktober 2026. Wir aktualisieren diese Zusammenstellung vierteljährlich, und die nächste Aktualisierung wird erwartet, wenn die Zahlungen aus dem Vergleich Kumandan v. Google ausgezahlt und die Tagungsbände der ICASSP 2027 veröffentlicht sind.