Drei Mängel von KI-Podcasts: Konfabulation, Streichung von Argumenten, Auslassungen beim Vorlesen

Alle Informationsflussplattformen treiben die Audio-Umstellung voran, und KI-Tools konzentrieren sich voll auf das Format "Podcast mit einem Klick generieren". Aber das Ergebnis dieser "Ein-Klick-Generierung" ist möglicherweise nicht so gut.

Für tiefgehende Artikel verlassen wir uns auf handfeste Daten, klare Positionen und eine logische Kette, die sich von Anfang bis Ende zusammenfügt. Wenn die KI-Podcast-Umstellung diese Grundlagen nicht einmal bewahren kann, dann wird nach einem einzigen Klick nicht mehr dein eigener Artikel im Podcast wiedergegeben.

Um dies zu überprüfen, habe ich zwei Materialauszüge aus unseren früheren Artikeln ausgewählt und sie an Kouzi übergeben, um den Inhalt neu zu strukturieren und den Podcast aufzunehmen.

Der erste Inhalt ist eine Finanzanalyse von weniger als 600 Wörtern, ich nenne ihn Teil A, er ist voller harter Zahlen und dient dazu, die Treue der KI zu genauen Informationen zu testen.

Der andere Teil hat über 300 Wörter, ich nenne ihn Teil B, er hat eine extreme Position und ist voller Metaphern, um zu testen, ob die KI es wagt, scharfe Urteile beizubehalten.

Wenn diese beiden Hürden nicht genommen werden können, ist die "Ein-Klick-Generierung" ein falsches Konzept.

Um verschiedene Stile abzugleichen, haben wir ernste Gespräche, unterhaltsame Crosstalk und akademische Angebelei als Testrichtungen ausgewählt. Zuerst verwenden wir Teil A zur Vorausprüfung, um zu sehen, wie dieselben harten Zahlen in den drei Stilen jeweils behandelt werden.

Teil B wird nur in den Modi "ernst" und "Crosstalk" ausgeführt, um tiefgehend zu prüfen, ob die extreme Position in ernsten Gesprächen erhalten bleibt und ob sie in unterhaltsamen Crosstalk zu Witzen verwässert wird. Der akademische Stil wurde nicht für Teil B ausgeführt, da Teil B wenige Fachbegriffe enthält und das spezifische Problem des Auslassens von Wörtern im akademischen Stil nicht getestet werden kann.

Wir haben insgesamt mehrere Tests durchgeführt, am ersten Tag war die Stimmlage des Audios von Teil A im Crosstalk-Modus völlig durcheinander, am zweiten Tag war die Stimmlage von Teil B im Crosstalk-Modus fast ausschließlich weiblich und wurde automatisch komprimiert, beide Tage sind fehlgeschlagen. Am dritten Tag habe ich denselben Befehl erneut ausgeführt, um zu sehen, ob dieser Stil überhaupt verwendbar ist.

Vergleichsgrundlage ist das "Volltext-Hören" von WeChat-Artikeln selbst. "Volltext-Hören" bietet null Umschreibung, wie die Nachrichtensendung im Fernsehen, ohne Emotion. Dieser Zustand "keine Fehler, aber auch keine Highlights" ist der Status quo, dem wir täglich gegenüberstehen. Wir wollten mit Kouzi Podcasts erstellen, um diese Mittelmäßigkeit zu durchbrechen, aber wir stellten fest, dass die Sache nicht so einfach ist.

Erster Tag: Drei Stile für Teil A

Zuerst habe ich das ernste Gespräch getestet. Ich habe ein neues Gespräch erstellt, den Befehl eingegeben, Kouzi hat Skript und Audio auf einmal ausgegeben, das war in fünf Minuten erledigt. Das Skript wurde von 570 Wörtern auf fast 1800 Wörter erweitert, alle 19 harten Zahlen waren vorhanden.

Beim Abgleich mit dem Originaltext habe ich Probleme festgestellt. "Sie sind nicht einmal in derselben Größenordnung" wurde zu "Der Abstand hat sich auf mehr als das Vierfache vergrößert". "Die Wachstumsrate ist auf 10,42 % gefallen" wurde zu "Ein fast halb so starker Rückgang". Noch verborgener ist, dass die KI nach einem scharfen Urteil selbst einen Satz hinzugefügt hat: "Zum Schluss möchte ich sagen, dass ich nicht behaupte, WPS werde sterben, seine Grundgruppe ist noch vorhanden." Dieser Satz steht nicht im Ausgangsmaterial, es ist eine selbst hinzugefügte Pufferung.

Die Zahlen im Audio sind korrekt ausgesprochen, alle Probleme liegen auf der Skriptebene. Diesmal hat Kouzi vage Urteile zu genauen Zahlen ohne Quelle umgewandelt und scharfe Schlussfolgerungen mit einer Pufferschicht versehen.

Ich habe den Befehl für unterhaltsamen Crosstalk gewechselt. Anders als bei der ernsten Version hat Kouzi diesmal zuerst das Skript ausgegeben und dann nach Bestätigung das Audio erzeugt.

Das Skript hat viele genaue Zahlen verwischt, die Nachkommastellen wurden abgeschnitten, 15,78 % tauchten überhaupt nicht auf. Acht Zahlen wurden unscharf gemacht, eine wurde direkt verloren.

Aber schwerwiegender als die Zahlen ist die Stimmlage. Das Skript hat zwei Rollen A und B geschrieben, A ist weiblich, B ist männlich. Im Ergebnis wurden fast alle Zeilen von B von einer weiblichen Stimme gelesen, und die Zeilen von A waren auch mit männlichen Stimmen vermischt. Die Stimmlage war völlig durcheinander, ich konnte überhaupt nicht weiterhören und musste das Skript Wort für Wort abgleichen. Der Zwei-Personen-Podcast wurde zu einem chaotischen Einmannvortrag.

Die von der KI geschriebenen Witze ("Monatsgehalt im Vergleich zu Musk", "Kleiner Laden gegen Walmart") sind auch zu sicher, sie haben keinen echten Talkshow-Rhythmus. Der von mir geforderte Konflikt wurde nicht umgesetzt, das Ergebnis wurde zu einer Roast-Show, bei der A dominiert und B nur zustimmende Kommentare abgibt.

Ich habe den Befehl für akademische Angebelei gewechselt. Auch hier wurde zuerst das Skript ausgegeben, nach Bestätigung dann das Audio. Das Skript hat "Dokumente schreiben, Tabellen erstellen" zu "Document Authoring, Spreadsheet Manipulation" aufgewertet, die Dichte der Fachbegriffe ist maximal, alle 19 Zahlen sind erhalten, sogar mit Nachkommastellen.

Aber nach der Audiogenerierung habe ich Satz für Satz abgeglichen und festgestellt, dass Wörter ausgelassen wurden. Das Wort "Formatting" im Skript fehlte im Audio direkt. Der Satz "Das Datenrad dreht sich, die Modelliteration beschleunigt" wurde auch zur Hälfte ausgelassen. Wenn es zu viele Fachbegriffe gibt, fängt es an, Wörter und Sätze auszulassen.

Vom Höreindruck her springen viele gemischte chinesische und englische Wörter heraus, es wirkt zwar angeberisch, aber man weiß nicht, ob es wirklich professionell oder falsch professionell ist. Was du hörst, sind nur Fragmente, die vollständigen Sätze sind längst verschwunden.

Zweiter Tag: Zwei Stile für Teil B

Am ersten Tag war die Stimmlage von Teil A im Crosstalk-Modus völlig durcheinander. Als ich am zweiten Tag Teil B getestet habe, habe ich eine Einschränkung in den Befehl hinzugefügt: "A ist männlich, B ist weiblich, streng zuweisen, keine Vermischung erlaubt".

Zuerst habe ich die ernste Version von Teil B getestet. Das Ausgangsmaterial wurde zu ".md tötet gerade .wps".

Das Wort "töten" wurde beibehalten. Aber die KI hat davor eine Pufferschicht hinzugefügt: "Das klingt hart, aber die Tatsache ist...". Das Schlüsselwort wurde nicht gelöscht, aber es wurde zuerst eine weiche Polsterung davor gesetzt.

Die Qualität des Konflikts ist besser als bei Teil A, es gibt zwölf harte Auseinandersetzungen, B verteidigt .wps die ganze Zeit und läuft nicht über. Die Stimmlage stimmt auch, A ist männlich, B ist weiblich, keine Vermischung.

Rückblickend: Der ernste Stil hat die höchste Informations-treue, Zahlen und Positionen sind erhalten, aber die KI fügt heimlich zusätzliche Inhalte hinzu.

Ich habe den Crosstalk-Befehl gewechselt, um Teil B zu testen. Zuerst wurde ein dreiseitiges Skript erzeugt. Dann hat Kouzi den Hinweis angezeigt "Das Skript ist zu lang, bitte kürzen", und nach automatischer Komprimierung wurde das Audio erzeugt.

Was wurde komprimiert? Der Inhalt "Neun und ein halbe von zehn chinesischen Arbeitnehmern nutzen WPS" fehlt. Der Satz "Früher hast du 200 Yuan für eine WPS-Mitgliedschaft bezahlt, um Formatierungsfunktionen zu erhalten. Jetzt erledigt die KI die Formatierung in drei Sekunden, ist diese 200 Yuan noch wert?" fehlt auch.

Das Ende wurde auch aus dem ursprünglichen gegenseitigen Nicht-Nachgeben zu "Der Gewinner ist .ai" geändert. Es ist vollständig zu einer vermittelnden, unentschlossenen Aussage geworden.

Das Schlimmere ist, dass die KI diese Entscheidung im Hintergrund getroffen hat, ohne dich überhaupt zu fragen.

Bei der Stimmlage gibt es immer noch dasselbe Problem. Fast alles ist weibliche Stimme, nur ein Satz "Gut gut, ich drücke es anders aus..." ist männlich. Man kann überhaupt nicht erkennen, dass zwei Personen miteinander sprechen.

Dritter Tag: Nachprüfung von Teil B im Crosstalk-Modus

An den ersten zwei Tagen ist der Crosstalk-Modus fehlgeschlagen, am dritten Tag habe ich denselben exakten Befehl erneut für Teil B im Crosstalk-Modus ausgeführt. Diesmal hat das Skript 750 Wörter, Kouzi hat keinen Hinweis "zu lang" angezeigt, nach Bestätigung wurde das Audio erzeugt. Die Stimmlagen sind korrekt zugewiesen, A ist männlich, B ist weiblich, keine Vermischung. Der Inhalt ist vollständig, nicht komprimiert.

Diesmal sieht es endlich gut aus, man kann erkennen, dass zwei Personen sprechen, es hat Crosstalk-Atmosphäre, ist aber nicht besonders lustig.

Drei Versuche im Crosstalk-Modus, zwei Fehlschläge. Am ersten Tag wurde keine Einschränkung für Teil A hinzugefügt, die Stimmlage war durcheinander; am zweiten Tag wurde eine Einschränkung für Teil B hinzugefügt, aber es war trotzdem fast ausschließlich weibliche Stimme; am dritten Tag wurde die Einschränkung hinzugefügt, dann funktionierte es normal. Dieser Stil selbst ist instabil, dass er beim dritten Versuch funktioniert, wirkt eher wie ein zufälliger Treffer beim Kartenziehen.

Hinweis: Der akademisch angeberische Stil wurde nur für Teil A getestet, Teil B wurde nicht abgedeckt.

Zusammenfassung

Zusammengenommen hat der ernste Stil die höchste Treue, aber die KI fügt heimlich zusätzliche Inhalte hinzu, ergänzt Details bei Unklarheiten und mildert scharfe Urteile. Der Crosstalk-Stil hat die vielfältigsten Probleme: Zahlen werden verwischt, Argumente werden komprimiert, die Stimmlagen-Zuweisung schlägt in zwei von drei Fällen fehl. Der akademische Stil lässt Wörter und Sätze aus, sobald es zu viele Fachbegriffe gibt.

Dieser Test hat nur Kouzi getestet, aber die Tendenz zur Änderung von Manuskripten, die ich gesehen habe, taucht wiederholt auf. Er übersetzt "nicht in derselben Größenordnung" in eine konkrete Multiplikatorzahl, fügt vor "töten" den Satz "Das klingt hart" hinzu und komprimiert direkt ein Drittel des Inhalts, wenn das Skript zu lang ist. Diese drei Aktionen sind in den sechs erzeugten Audios nie ausgeblieben.

Tiefe Inhalte erfordern aber genau "Genauigkeit, Schärfe und klare Positionen".

Was kann man also tun?

Wenn man unbedingt KI zur Podcast-Erstellung verwenden will, hier einige praktische Vorschläge basierend auf unseren Tests:

Erstens: Skript und Audio in getrennten Schritten erstellen. Zuerst das Skript festlegen, es von Menschen Satz für Satz abgleichen und erst dann das Audio erzeugen, niemals "mit einem Klick".

Zweitens: Lange Artikel am besten abschnittsweise erzeugen. Das reduziert zumindest das Risiko, dass das Skript automatisch komprimiert wird.

Drittens: Lesen mit einer einzigen Stimmlage und manueller Überprüfung ist derzeit die Lösung mit der höchsten Treue. Man opfert Ausdruckskraft für Vollständigkeit.

Es gibt noch zwei Richtungen, die wir diesmal nicht getestet haben, aber für die nächste Überprüfung wert sind: Ob mehr "Verbotspunkte" im Befehl die selbstständige Ergänzung von Inhalten reduzieren können; ob das Schreiben von wichtigen Zahlen in Textform (z. B. "5,929 Milliarden") verhindern kann, dass sie gerundet werden.

In diesen sechs Tests war die erzeugte Podcast-Ausgabe nie nur einfaches Vorlesen. Die ernste Version erzeugt falsche Genauigkeit, die Crosstalk-Version verliert Zahlen und Argumente, die akademische Version lässt Wörter und Sätze aus.

Das ist also immer noch ein Kompromiss: Bevor du einen Stil auswählst, kläre zuerst, welchen Teil des Inhalts du unbedingt behalten willst.