Klassische Sprachassistenten arbeiten weitgehend „taub“ für alles, was zwischen den Zeilen liegt. Eine Spracherkennung macht aus dem Gesagten Text, ein Sprachmodell erzeugt eine Antwort, eine Sprachsynthese liest sie vor. Ob der Anrufer dabei gereizt, unsicher oder in Eile klang, geht in dieser Kette meist verloren. Ebenso klingt die Antwort oft gleichförmig: höflich, aber ohne Gespür dafür, ob gerade Ruhe, Tempo oder Verständnis gefragt wäre. An genau dieser Stelle setzt Hume an. Der Anbieter spricht von Prosodie – dem Sammelbegriff für Melodie, Rhythmus und Betonung der gesprochenen Sprache – und von Ausdrucksmessung, also der automatisierten Einschätzung, welche Ausdrucksmuster in einer Stimme oder einem Gesicht erkennbar sind.
Das Unternehmen wurde von dem Emotionsforscher Alan Cowen gegründet, der zuvor in der Forschung zu Emotionsausdruck tätig war, unter anderem bei Google. Wissenschaftliche Wurzeln prägen das Selbstverständnis des Anbieters bis heute: Hume beruft sich auf eigene Studien zur Vielfalt menschlicher Ausdrucksformen und hat früh ethische Leitlinien für empathische KI formuliert. Anfang 2026 wurde zudem berichtet, dass Teile der Führung und des Forschungsteams im Rahmen einer Lizenzvereinbarung zu Google DeepMind gewechselt sind, während Hume sein Produktgeschäft fortführt. Was das für Roadmap, Support und Vertragssicherheit bedeutet, sollte vor einer langfristigen Bindung beim Anbieter erfragt werden.
Drei Eigenschaften prägen Hume AI:
Hume ist nicht als klassischer Sprachsynthese-Anbieter gestartet, sondern mit einer Messplattform. Die ersten Produkte analysierten Audio-, Video- und Textdaten auf Ausdrucksmuster und richteten sich vor allem an Forschung, Marktforschung und Produktentwicklung. Erst danach entstand mit dem Empathic Voice Interface ein Sprachdialog-System, das diese Analyse in Echtzeit mit einem Sprachmodell und einer Sprachausgabe verbindet. Mit Octave folgte eine eigenständige Sprachsynthese, die sich auch unabhängig von EVI nutzen lässt.
Diese Entwicklung erklärt, warum das Angebot heute aus mehreren, teils sehr unterschiedlichen Bausteinen besteht. Für ein Unternehmen ist es wichtig, diese Bausteine getrennt zu betrachten: Eine ausdrucksstarke Stimme für den Telefon-Assistenten ist rechtlich und ethisch etwas völlig anderes als die systematische Auswertung von Emotionen in Kundengesprächen – und erst recht als die Analyse der Stimmung von Mitarbeitenden. Wir kommen darauf in Kapitel 04 und Kapitel 09 ausführlich zurück.
Hume richtet sich an Entwicklerteams, Produktunternehmen und Plattformanbieter, die Sprachfunktionen mit besonderem Fokus auf Natürlichkeit und Ausdruck bauen wollen. Typische Anwendungsfelder sind digitale Begleiter und Coaching-Anwendungen, Lern- und Trainingssoftware, Hörbuch- und Medienproduktion, Spiele und interaktive Figuren, Kundendialoge mit hohem Anspruch an Tonalität sowie Forschungsprojekte rund um menschliche Kommunikation. Für eine Fachabteilung, die ohne IT-Unterstützung einen Telefon-Assistenten aufsetzen möchte, ist Hume in Reinform zu technisch. Hier sind Plattformen, die Hume als einen von mehreren Bausteinen einbinden, oder spezialisierte Voice-Agent-Anbieter der passendere Weg.
Hume besetzt eine Nische, die sich mit keinem einzelnen Wettbewerber deckt. Mit Octave konkurriert der Anbieter mit klassischen Sprachsynthese-Spezialisten, die vor allem für Stimmqualität und Stimmenvielfalt bekannt sind. Mit EVI tritt er gegen Speech-to-Speech-Schnittstellen großer Modellanbieter und gegen Voice-Agent-Plattformen an. Mit der Expression Measurement API bedient er einen Markt, der eher aus Forschung, Marktforschung und Media-Analytics kommt. Die verbindende Klammer ist der Anspruch, Ausdruck zu verstehen und zu erzeugen – nicht nur Wörter.
Diese Positionierung hat zwei Seiten. Einerseits bietet Hume Funktionen, die andere Anbieter nicht oder nicht in dieser Tiefe haben: ausdrucksstarke Stimmen, deren Sprechweise sich per natürlicher Sprache steuern lässt, und Gesprächsführung, die Sprechweise einbezieht. Andererseits ist Hume ein vergleichsweise kleiner Anbieter in einem Markt, in dem große Modellanbieter ihre Sprachmodelle ebenfalls immer ausdrucksstärker machen. Der Abstand bei Natürlichkeit und Ausdruck kann sich daher verändern. Eine Architektur, in der die Sprachkomponente austauschbar bleibt, ist auch hier die vernünftigste Absicherung.
Sowohl EVI als auch Octave sind in mehreren Generationen erschienen. Neuere Versionen brachten jeweils Verbesserungen bei Natürlichkeit, Reaktionszeit, Sprachenvielfalt und Steuerbarkeit, teilweise aber auch geänderte Schnittstellen und andere Konfigurationsmöglichkeiten. Ältere Versionen werden erfahrungsgemäß nach einer Übergangsfrist abgekündigt. Für ein Unternehmensprojekt heißt das: Nicht auf eine bestimmte Versionsnummer planen, sondern auf Qualitätskriterien – und einen Testprozess vorsehen, mit dem eine neue Generation geprüft und freigegeben werden kann, bevor sie produktiv geht.
Ein EVI-Gespräch beginnt mit einer Konfiguration. Darin werden die Anweisungen für den Assistenten, die Stimme, das zugrunde liegende Sprachmodell, verfügbare Werkzeuge, Begrüßung, Zeitlimits und weitere Verhaltensregeln festgelegt. Konfigurationen lassen sich in der Entwicklerplattform anlegen und versionieren, sodass nachvollziehbar bleibt, welche Fassung zu welchem Zeitpunkt aktiv war. Die eigentliche Verbindung läuft über eine WebSocket-Schnittstelle: Die Anwendung sendet laufend Audio, EVI meldet erkannte Nutzerbeiträge, liefert Antworten als Text und Audio und signalisiert Ereignisse wie Werkzeugaufrufe oder Gesprächsende.
Wie bei jedem guten Voice Agent entscheidet das Timing über das Gesprächserlebnis. EVI erkennt, wann ein Sprecher fertig ist, und berücksichtigt dabei nach Angaben des Anbieters nicht nur Stille, sondern auch die Sprechweise: Eine zögernde, nach oben gezogene Stimme deutet darauf hin, dass noch etwas folgt. Spricht der Nutzer dazwischen, unterbricht EVI die eigene Antwort und hört zu. Wie gut das in der Praxis funktioniert, hängt stark vom Kanal ab. Am Telefon mit reduzierter Audioqualität, Freisprecheinrichtungen und Hintergrundgeräuschen verhalten sich alle Systeme anders als im ruhigen Büro mit Headset. Testgespräche unter realen Bedingungen sind daher Pflicht.
Octave unterscheidet sich von klassischen Sprachsynthese-Systemen durch seinen Ansatz. Statt einen Text Laut für Laut in Audio zu übersetzen, nutzt Octave ein Sprachmodell, das den Sinn eines Satzes erfasst und daraus eine passende Sprechweise ableitet. Ein Satz wie „Das tut mir wirklich leid“ wird so anders gesprochen als „Das haben Sie großartig gemacht“, ohne dass jede Nuance manuell markiert werden muss. Zusätzlich lassen sich Regieanweisungen in natürlicher Sprache mitgeben, etwa ruhig und beruhigend, sachlich und zügig oder freundlich mit einem Lächeln in der Stimme.
Für Stimmen bietet Octave mehrere Wege: eine Bibliothek vorhandener Stimmen, das Entwerfen neuer Stimmen über eine Beschreibung und das Erstellen von Stimmen aus Sprachaufnahmen. Gerade letzteres ist rechtlich sensibel: Stimmen sind personenbezogen, und das Nachbilden der Stimme einer realen Person braucht deren ausdrückliche Zustimmung sowie klare vertragliche Regeln zu Nutzung, Dauer und Widerruf. Die Synthese ist für Streaming ausgelegt, sodass die Ausgabe bereits beginnt, bevor der gesamte Text verarbeitet ist – Voraussetzung für den Einsatz in Echtzeit-Dialogen. Konkrete Reaktionszeiten hängen von Modellvariante, Region und Netz ab und sind im eigenen Setup zu messen.
Die Sprachunterstützung unterscheidet sich zwischen den Produkten und hat sich mit jeder Generation erweitert. Englisch ist bei Hume die am weitesten entwickelte Sprache; weitere Sprachen, darunter nach Herstellerangaben auch Deutsch, wurden schrittweise ergänzt. Für den deutschsprachigen Einsatz ist das ein zentraler Prüfpunkt: Wie natürlich klingen deutsche Stimmen? Wie gut werden Komposita, Fachbegriffe, Zahlen, Eigennamen und Dialekte verstanden und ausgesprochen? Funktioniert die Steuerung der Sprechweise im Deutschen genauso gut wie im Englischen? Und unterstützt die jeweils aktuelle EVI-Generation Deutsch im Dialog oder nur in der Sprachausgabe? Diese Fragen sind mit eigenen Hörproben und Testgesprächen zu beantworten.
Während eines EVI-Gesprächs entstehen Transkripte, Antworttexte und – je nach Konfiguration – Ausdruckswerte zu den Nutzerbeiträgen. Hume speichert Gesprächsverläufe in der Plattform, sofern dies nicht deaktiviert wird, und stellt sie für Auswertung und Fortsetzung von Gesprächen bereit. Für Unternehmen ist entscheidend, diese Datenspeicherung bewusst zu konfigurieren: Was wird gespeichert, wie lange, wer hat Zugriff, und lassen sich Ausdruckswerte ganz unterdrücken? Möglichkeiten wie eine Abschaltung der Datenspeicherung sind beim Anbieter zu prüfen und vertraglich festzuhalten.
Wenn Menschen sprechen, verändert sich ihre Stimme ständig: Tonhöhe steigt und fällt, das Tempo wird schneller oder langsamer, die Lautstärke schwankt, die Stimme wird rauer, gepresster oder weicher. Hinzu kommen nichtsprachliche Laute wie Lachen, Seufzen, Räuspern oder ein überraschtes Luftholen. Diese Merkmale nennt man Prosodie und Paralinguistik. Hume hat Modelle mit großen Mengen an Sprachaufnahmen trainiert, bei denen Menschen eingeschätzt haben, welchen Ausdruck sie in einer Stimme wahrnehmen. Das Modell lernt daraus Zusammenhänge zwischen akustischen Mustern und diesen Einschätzungen.
Das Ergebnis ist keine einzelne Diagnose wie wütend oder fröhlich, sondern eine Reihe von Wahrscheinlichkeitswerten für viele Ausdruckskategorien gleichzeitig – etwa wie stark ein Abschnitt nach Interesse, Verwirrung, Erleichterung, Ungeduld oder Belustigung klingt. Hume betont, dass diese Werte beschreiben, wie ein Ausdruck von Menschen typischerweise wahrgenommen würde, und nicht, was eine Person tatsächlich fühlt. Diese Unterscheidung ist zentral. Bei EVI fließen solche Einschätzungen in die Antwortgenerierung ein: Das Sprachmodell erhält neben dem Text auch Hinweise auf die Sprechweise und kann darauf mit passender Wortwahl und Tonalität reagieren.
Analog arbeitet die Expression Measurement API auch mit Gesichtsausdrücken in Bildern und Videos sowie mit der Wortwahl in Texten. Zusätzlich lassen sich auf Basis dieser Merkmale eigene Klassifikatoren trainieren, etwa um zu erkennen, ob ein Gesprächsabschnitt eher zu einer Beschwerde oder zu einer Zustimmung führt. Technisch ist das eindrucksvoll. Ob und wofür es eingesetzt werden darf, ist eine andere Frage, die in Kapitel 09 behandelt wird.
Die Forschung zu Emotionen ist seit Jahrzehnten von einer grundlegenden Debatte geprägt. Eine Denkrichtung geht davon aus, dass bestimmte Gefühle mit relativ universellen Ausdrucksformen verbunden sind. Eine andere betont, dass Emotionen stark von Kontext, Kultur, Persönlichkeit und Situation abhängen und sich nicht zuverlässig an Gesicht oder Stimme ablesen lassen. Übersichtsarbeiten der Psychologie kommen überwiegend zu dem Schluss, dass der Zusammenhang zwischen äußerem Ausdruck und innerem Erleben deutlich schwächer und uneinheitlicher ist, als populäre Vorstellungen nahelegen. Ein Lächeln kann Freude, Verlegenheit, Höflichkeit oder Unbehagen bedeuten; eine laute Stimme kann Ärger, Begeisterung oder schlicht eine schlechte Telefonverbindung ausdrücken.
Für den praktischen Einsatz folgen daraus mehrere ehrliche Einschränkungen:
Daraus folgt keine Pauschalablehnung. Wenn ein Voice Agent auf hörbare Ungeduld mit kürzeren Antworten reagiert oder bei hörbarer Verwirrung nachfragt, kann das ein Gespräch verbessern, ohne dass über Menschen geurteilt wird. Problematisch wird es, sobald Ausdruckswerte gespeichert, Personen zugeordnet, ausgewertet oder für Entscheidungen genutzt werden. Die Grenze zwischen Gesprächsfluss und Emotionsprofil ist der entscheidende Gestaltungspunkt.
Ein Voice Agent, der nur angenehm klingt, löst noch kein Kundenanliegen. EVI kann deshalb mit Werkzeugen arbeiten: Die Anwendung beschreibt Funktionen wie Termin prüfen oder Bestellstatus abfragen, das Modell erkennt im Gespräch, wann eine Funktion gebraucht wird, und sendet einen strukturierten Aufruf. Die Anwendung führt ihn in den eigenen Systemen aus und gibt das Ergebnis zurück. Daneben gibt es eingebaute Werkzeuge, etwa für eine Websuche oder das Beenden eines Gesprächs; Umfang und Verfügbarkeit sind beim Anbieter zu prüfen. Wie bei allen Voice Agents gilt: Werkzeugaufrufe serverseitig validieren, schreibende Aktionen im Gespräch bestätigen lassen und kritische Vorgänge an Menschen übergeben.
Bemerkenswert ist die Offenheit beim Sprachmodell. EVI lässt sich nach Herstellerangaben mit Modellen verschiedener Anbieter kombinieren, und Unternehmen können über eine eigene Schnittstelle sogar ihr eigenes Sprachmodell oder ihre eigene Dialoglogik anbinden. Hume übernimmt dann Hören, Sprechweise und Sprachausgabe, während die inhaltliche Antwort aus der eigenen Anwendung kommt. Das ist interessant für Unternehmen, die bestehende Dialogsysteme oder ein in der EU betriebenes Sprachmodell weiter nutzen möchten. Datenschutzrechtlich ist zu beachten, dass jeder zusätzliche Modellanbieter ein weiterer Empfänger von Gesprächsinhalten ist.
Hume stellt Software-Bibliotheken für gängige Programmiersprachen und Web-Frameworks bereit, darunter nach unserem Kenntnisstand TypeScript beziehungsweise JavaScript und Python, sowie Komponenten für Web-Oberflächen. Über die Entwicklerplattform lassen sich Konfigurationen anlegen, Stimmen ausprobieren, Gespräche testen und Protokolle einsehen. Eine Reihe von Beispielprojekten zeigt typische Muster: Sprachassistent im Browser, Anbindung eines eigenen Sprachmodells, Werkzeugnutzung, Telefonie. Für einen Prototypen ist das ein schneller Einstieg. Für den Produktivbetrieb gelten die üblichen Anforderungen: Zugangsschlüssel ausschließlich serverseitig verwalten, kurzlebige Tokens für Endgeräte nutzen, Fehler und Verbindungsabbrüche sauber behandeln.
Octave lässt sich unabhängig von EVI als reine Sprachsynthese nutzen – etwa für Ansagen, Lerninhalte, Produktvideos oder als Ausgabekomponente in einem Voice Agent, dessen übrige Bausteine von anderen Anbietern stammen. Diese Entkopplung ist für viele Unternehmen der pragmatischste Einstieg: Man profitiert von der Ausdrucksstärke der Stimme, ohne die Gesprächssteuerung oder gar die Ausdrucksanalyse an Hume zu binden.
Für mittelständische Unternehmen liegt die eigentliche Herausforderung oft in der bestehenden Telefonanlage. Cloud-Telefonanlage, klassische Anlage mit SIP-Trunk oder Contact-Center-Software – in jedem Fall muss geklärt werden, wie Anrufe zum Voice Agent gelangen, wie sie mit Kontext an Mitarbeitende zurückgegeben werden und wer welche Daten verarbeitet. Telefonqualität ist zudem ein Sonderfall für ausdrucksstarke Sprach-KI: Schmalbandiges Audio schneidet genau die Frequenzen ab, in denen viele Feinheiten der Stimme liegen. Was im Browser beeindruckend klingt, wirkt am Telefon mitunter deutlich flacher.
Umgekehrt bietet die Realtime API ein einheitliches Modell ohne zusätzliche Schnittstelle zwischen Sprach- und Textverarbeitung, was Werkzeugtreue und Konsistenz zugutekommen kann. Beide Anbieter sind US-Unternehmen; beim Datenschutz unterscheiden sich vor allem die verfügbaren EU-Bezugswege. Wer ausschließlich einen robusten Telefon-Assistenten sucht, wird in der Realtime API oft die breitere Basis finden. Wer Gesprächserlebnis und Tonalität zum Kern seines Produkts macht, sollte Hume ernsthaft testen.
Anweisungen für einen empathischen Voice Agent unterscheiden sich von klassischen Chat-Prompts. Gesprochene Antworten müssen kurz sein, Aufzählungen und lange Absätze funktionieren am Telefon nicht. Hinzu kommt bei Hume die Ebene der Tonalität: Wie soll der Assistent auf hörbare Ungeduld reagieren? Wann ist ein ruhiger, verlangsamter Ton angemessen, wann eher ein sachlicher? Bewährt hat sich, diese Regeln explizit zu formulieren und dabei Grenzen zu ziehen – etwa keine Kommentare zur vermuteten Gefühlslage des Gegenübers, kein Spiegeln von Ärger, keine übertriebene Anteilnahme in sachlichen Anliegen.
Ein häufiger Fehler ist zu viel Empathie. Sätze wie „Ich höre, dass Sie frustriert sind“ wirken bei einer einfachen Lieferstatusabfrage befremdlich und können als übergriffig empfunden werden. Empathie zeigt sich am Telefon eher in Tempo, Klarheit und Lösungsorientierung als in ausgesprochenen Gefühlsdeutungen. Anweisungen und Stimmkonfigurationen sollten versioniert werden wie Software, damit nachvollziehbar bleibt, welche Fassung wann aktiv war.
Sprachmodelle verhalten sich nicht deterministisch, und ausdrucksstarke Sprachausgabe fügt eine weitere Variable hinzu: Derselbe Satz kann bei zwei Durchläufen unterschiedlich betont werden. Deshalb braucht jede produktive Anwendung eine Evaluierung mit typischen und schwierigen Szenarien, die regelmäßig durchgespielt wird. Bewertet werden Lösungsquote, korrekte Werkzeugaufrufe, Einhaltung von Grenzen und die wahrgenommene Gesprächsqualität. Für die Tonalität sind menschliche Hörproben unverzichtbar; automatisierte Bewertungen erfassen sie nur unvollständig.
Im laufenden Betrieb kommen Kennzahlen hinzu: Anteil gelöster Anliegen, Übergaben an Menschen, Abbrüche, Gesprächsdauer, Reaktionszeiten und Fehler. Gesprächsprotokolle sind dafür wichtig, aber datenschutzrechtlich sensibel – und Ausdruckswerte in Protokollen sind es in besonderem Maße. Speicherdauer, Zugriffsrechte und Pseudonymisierung sind von Anfang an festzulegen; Ausdruckswerte sollten in Protokollen nach Möglichkeit gar nicht auftauchen.
Die Abrechnung erfolgt nutzungsabhängig, bei EVI typischerweise nach Gesprächszeit, bei Octave nach Textmenge oder erzeugter Audiolänge. Bei hohem Volumen können die Kosten schnell steigen, zumal bei Anbindung externer Sprachmodelle deren Kosten hinzukommen können. Wirksame Hebel sind maximale Gesprächsdauern, schlanke Anweisungen, Caching wiederkehrender Ansagen bei Octave und ein Monitoring der Kosten pro Gespräch. Ebenso wichtig sind Rückfallebenen: Fällt der Dienst aus oder wird er langsam, braucht es definierte Wege – Weiterleitung an Mitarbeitende, Rückrufangebot oder Umschalten auf eine alternative Sprachausgabe über eine Orchestrierungsschicht.
Für den DACH-Markt steht und fällt jeder Einsatz mit der Qualität im Deutschen. Hume hat seine Sprachunterstützung über die Produktgenerationen ausgebaut, die Reife ist aber nicht in allen Sprachen und Produkten gleich. Vor einer Entscheidung sollten mindestens folgende Punkte mit eigenen Tests geprüft werden: Klingen deutsche Stimmen natürlich oder hörbar übersetzt? Werden Umlaute, zusammengesetzte Wörter, Abkürzungen, Zahlen, Datumsangaben, Kundennummern und Produktnamen korrekt gesprochen? Wie gut versteht EVI deutsche Sprecher mit regionaler Färbung – etwa aus Bayern, Sachsen, Österreich oder der Schweiz? Und funktioniert die Steuerung von Sprechweise und Emotion im Deutschen so fein wie im Englischen?
Ebenso wichtig ist der Unterschied zwischen Sprachausgabe und Dialog. Es ist möglich, dass Octave Deutsch in guter Qualität spricht, während die jeweils aktuelle EVI-Generation Deutsch im Gespräch nur eingeschränkt oder gar nicht unterstützt – oder umgekehrt. Der aktuelle Stand ist in der Dokumentation des Anbieters zu prüfen und in einem kurzen Pilot zu verifizieren, bevor Budgets fest eingeplant werden.
Hume passt zu Mittelständlern und Softwareanbietern, denen ausdrucksstarke, natürlich klingende Sprachausgabe einen echten Mehrwert bringt, die über eigene Entwicklung oder einen erfahrenen Partner verfügen und die bereit sind, Datenschutz und Rechtsrahmen aktiv zu klären. Besonders interessant ist der Einsatz als Sprachausgabe in einer modularen Architektur, bei der Spracherkennung und Sprachmodell nach eigenen Kriterien gewählt werden.
Hume bietet nach unserem Kenntnisstand gestaffelte Tarife von einem kostenlosen Einstieg für Tests bis zu individuellen Enterprise-Vereinbarungen. Die Abrechnung erfolgt nutzungsabhängig und unterscheidet sich je Produkt. Für die Wirtschaftlichkeitsbetrachtung empfiehlt sich eine Rechnung pro erledigtem Anliegen oder pro produzierter Inhaltsminute statt pro Gesprächsminute: Was kostet ein vollständig erledigter Anruf inklusive Plattform, Sprachmodell, Telefonie und anteiligem Betrieb – und was kostet derselbe Vorgang heute? Bei Octave lohnt der Vergleich mit Studioaufnahmen und anderen Sprachsynthese-Anbietern. Aktuelle Preise, Kontingente und Rabatte sind beim Anbieter zu prüfen; belastbare Zahlen liefert erst ein Pilot.
Hume ist ein US-Anbieter, und die Verarbeitung findet nach unserem Kenntnisstand in Rechenzentren in den USA statt. Damit liegt ein Drittlandtransfer vor, der eine tragfähige Grundlage benötigt – etwa das EU-US Data Privacy Framework, sofern der Anbieter zertifiziert ist, oder Standardvertragsklauseln mit einer ergänzenden Bewertung des Transferrisikos. Zu prüfen sind außerdem Auftragsverarbeitungsvertrag, Liste der Unterauftragsverarbeiter, technische und organisatorische Maßnahmen sowie die Frage, ob Daten zur Verbesserung der Modelle genutzt werden. Hinzu kommt der CLOUD Act: US-Behörden können unter bestimmten Voraussetzungen Zugriff auf Daten verlangen, die von US-Unternehmen verarbeitet werden, auch wenn diese außerhalb der USA gespeichert sind. Wie sich die Rechtslage zum Datentransfer weiterentwickelt, sollte laufend beobachtet werden.
Der EU AI Act regelt Emotionserkennung ausdrücklich und streng. Als Emotionserkennungssystem gilt dabei ein KI-System, das Emotionen oder Absichten natürlicher Personen auf Grundlage ihrer biometrischen Daten – etwa Stimme oder Gesichtsausdruck – erkennt oder ableitet. Für den Einsatz von Hume ergeben sich daraus drei zentrale Prüfpunkte:
Ob eine konkrete Anwendung von Hume unter die Definition der Emotionserkennung fällt, hängt von der Ausgestaltung ab: Werden Ausdruckswerte nur flüchtig zur Steuerung der Sprechweise genutzt, oder werden Emotionen identifiziert, gespeichert und ausgewertet? Die Leitlinien der EU-Kommission zu den verbotenen Praktiken geben hierzu Auslegungshinweise. Für einen Kunden-Voice-Agent ohne Arbeitsplatzbezug ist das Verbot in der Regel nicht einschlägig, die übrigen Pflichten können es aber sein. Sobald Mitarbeitende Teil des Gesprächs sind – etwa bei Live-Unterstützung von Servicekräften –, ist besondere Vorsicht geboten.
Stimmdaten sind personenbezogen. Werden sie mit speziellen technischen Verfahren verarbeitet, die eine eindeutige Identifizierung ermöglichen, handelt es sich um biometrische Daten, die nach Art. 9 DSGVO zu den besonderen Kategorien personenbezogener Daten gehören. Auch ohne Identifizierungszweck können Analysen von Stimme und Ausdruck Rückschlüsse auf Gesundheitszustand, psychische Verfassung oder andere sensible Merkmale zulassen. Für solche Verarbeitungen ist eine Ausnahme nach Art. 9 Abs. 2 DSGVO erforderlich, in der Praxis häufig eine ausdrückliche Einwilligung, die freiwillig, informiert und widerrufbar sein muss. Im Beschäftigungsverhältnis ist Freiwilligkeit regelmäßig fraglich.
Darüber hinaus gelten die Grundpflichten: Rechtsgrundlage, transparente Information, Datenminimierung, Löschkonzept und technische sowie organisatorische Maßnahmen. Eine Datenschutz-Folgenabschätzung ist bei Ausdrucksanalyse in aller Regel angezeigt. Für Sprachaufzeichnungen ist zudem die Vertraulichkeit des gesprochenen Wortes zu beachten, in Unternehmen mit Betriebsrat die Mitbestimmung bei technischen Einrichtungen, die zur Überwachung geeignet sind. Beim Klonen von Stimmen braucht es die ausdrückliche Zustimmung der Sprecherin oder des Sprechers und klare Regeln zu Nutzung und Widerruf.