Das Singen des Alphabets sollte das Einfachste sein, was eine KI-Stimme leisten kann. A-B-C-D-E-F-G. Sieben diskrete Laute, die jedem Kind auf dem Planeten vertraut sind. Doch wer schon einmal mit KI-Musikgenerierung experimentiert hat, weiß, dass die Realität chaotischer ist. Bitt man ein Modell, das Alphabet zu singen, verschmelzen die Buchstaben L, M, N, O und P oft zu einer einzigen verschwommenen Silbe. „Elemmennopee“ ist kein Buchstabe. Es ist ein Symptom.

Dies ist das LMNOP-Problem, und es reicht weit über Kinderreime hinaus. Wochentage, nummerierte Anweisungen und jede Art von geordneter Liste offenbaren dieselbe Schwäche. Ein Entwickler hat dies kürzlich getestet, indem er acht Songs durch eine KI-Pipeline generierte und das Ergebnis mit mlx-whisper, einem Tool zur automatischen Spracherkennung, maß. Anstatt sich auf subjektives Zuhören zu verlassen, ließ er die Transkriptionssoftware genau berichten, was die KI gesungen hatte. Die Ergebnisse waren eindeutig. Aufzählungen bringen synthetische Sänger auf eine Weise aus dem Konzept, wie es die normale Sprache einfach nicht tut.

Warum Listen KI-Stimmen scheitern lassen

Gesprochene Sprache trägt Kontext in sich. Wenn jemand murmelt: „Ich bringe den Hund in den Park“, und man das Wort „Hund“ verpasst, ergibt der Satz trotzdem noch Sinn. Die umgebenden Wörter füllen die Lücken. Listen bieten dieses Sicherheitsnetz nicht. Jedes Element steht für sich allein. Wenn das Modell den Unterschied zwischen „B“ und „D“ verschleift, erhält der Zuhörer keine Teilbedeutung. Er erhält Rauschen.

Im Alphabetlied ist die LMNOP-Gruppe der offensichtlichste Schwachpunkt. Das Sprachmodell behandelt die Sequenz wie einen einzigen phonetischen Klumpen statt wie fünf einzelne Buchstaben. Ohne kontextuelle Hinweise, um jeden Laut zu verankern, rät der Synthesizer bei den Übergängen zwischen den Konsonanten. Meistens rät er falsch. Dasselbe passiert bei den Wochentagen oder nummerierten Schritten. Das Modell hetzt durch die Sequenz und presst unterschiedliche Elemente zu einem undeutlichen Brei zusammen.

Den Schaden messen

Um dies objektiv zu untersuchen, generierte der Entwickler acht Songs und ließ sie durch mlx-whisper laufen, um die Genauigkeit des Textes zu bewerten. Die Pipeline war unkompliziert: einen Prompt schreiben, das Audio generieren, das Ergebnis transkribieren und den transkribierten Text mit dem beabsichtigten Songtext vergleichen.

Bei herkömmlichen erzählenden Songtexten war das Ergebnis weitgehend getreu. Die Wörter landeten dort, wo sie sollten. Doch wenn die Prompts Listen, Alphabete oder Aufzählungen enthielten, lieferte mlx-whisper Kauderwelsch. Buchstaben verschwanden oder verschmolzen. Zahlen wurden zu unerkennbaren Silben. Das Experiment bestätigte, dass listenlastige Songtexte eine messbar schlechtere Verständlichkeit aufweisen als Prosa.

Prompt-Architektur, die hilft

Man kann sich nicht darauf verlassen, dass die Nachbearbeitung eine verwaschene Liste korrigiert. Die Lösung muss erfolgen, bevor die erste Note generiert wird. Ein sorgfältig konstruierter erster Prompt kann das Modell zu einer klareren Artikulation zwingen. Diese Anpassungen kosten nichts, aber sie verändern, wie das Modell atmet und Pausen macht.

  • Lange Abfolgen in kleinere Gruppen unterteilen. Anstatt A-B-C-D-E zu schreiben, strukturiere die Zeile als A-B-C-D und E-F-G. Der winzige Reset zwischen den Gruppen gibt dem Modell die Chance, die richtigen Konsonanten zu treffen, anstatt sie zu verschmieren.

  • Zahlen ausschreiben. Verwende „dreißig“ anstatt „30“. Geschriebene Ziffern sind abstrakte Symbole; das Modell komprimiert sie manchmal zu abgehacktem, stimmlosen Rauschen. Ein ausgeschriebenes Wort bietet phonetische Substanz.

  • Visuelle Abstände um Buchstaben einfügen. Schreibe „A - B - C“ mit Bindestrichen oder Leerzeichen statt „ABC“. Die visuelle Trennung signalisiert dem Modell, dass es sich um eigenständige Elemente handelt und nicht um ein einzelnes Akronym oder Wort.

  • Die Silbenzahl festlegen. Halte jede Zeile zwischen sechs und zehn Silben. Starke Variationen führen dazu, dass das Modell kurze Zeilen hetzt und lange Zeilen dehnt. Listen erfordern ohnehin Präzision; ein ungleichmäßiger Rhythmus macht eine genaue Darbietung fast unmöglich.

  • Das Wort „und“ aus Listen entfernen. In der natürlichen Sprache fungiert „und“ als Konjunktion. In einer gesungenen Liste fügt es eine weiche Silbe hinzu, die oft die harte Kante des vorangegangenen Elements verschluckt. „Montag, Dienstag, Mittwoch“ ist prägnanter als „Montag, Dienstag und Mittwoch“.

Die Regenerationsfalle

Hier schlägt die menschliche Intuition fehl. Bei gewöhnlichen Songtexten führt iteratives Prompting meist zu besseren Ergebnissen. Man hört eine unpassende Phrase, passt die Formulierung an und generiert erneut. Die nächste Version klingt besser. Der Test zeigte, dass dieser Ansatz bei Liedern ohne Aufzählungen funktioniert. Aber bei Liedern, die Listen enthalten, machte das Umschreiben des Prompts das Ergebnis schwerer verständlich.

Die Daten waren eindeutig. Lieder ohne Listen verbesserten sich nach Prompt-Korrekturen. Lieder mit Aufzählungen verschlechterten sich.

Der Übeltäter ist der akustische Seed. In Lyrics-to-Song-Modellen bewirkt das Ändern des Prompts nicht einfach eine Bearbeitung des vorhandenen Audios. Es wirft das gesamte generative Fundament neu auf. Das Modell baut die Performance von Grund auf neu auf. Bei narrativen Texten könnte der neue Würfelwurf ein klareres Take ergeben. Bei Listen provoziert man meist nur ein noch stärkeres Verschleifen der Wörter. Man korrigiert vielleicht das Timing eines einzelnen Buchstabens, nur um zuzusehen, wie das Modell „J“, „K“ und „L“ beim nächsten Versuch völlig verschluckt. Das ursprüngliche Take war fehlerhaft, aber die Überarbeitung tauschte oft nur ein phonetisches Chaos gegen ein anderes aus.

Ein smarterer Workflow für listenlastige Songtexte

Da die Regeneration Gefahr läuft, die Klarheit zu zerstören, muss sich Ihr Prozess ändern. Hören Sie auf, der perfekten Neufassung hinterherzujagen. Behandeln Sie den ersten Prompt stattdessen wie einen Casting-Aufruf.

Generieren Sie mehrere Versionen aus dem exakt gleichen Prompt unter Verwendung verschiedener Random Seeds. Fassen Sie den Text nicht an. Halten Sie den Songtext konstant und lassen Sie das Modell die Performance variieren. Sie führen ein Vorsingen durch, keine Edit-Session.

Bewerten Sie dann jeden Kandidaten. Lassen Sie jede Version durch mlx-whisper oder ein ähnliches Transkriptionstool laufen und messen Sie, welches Take Ihren Prompt am getreuesten wiedergibt. Wählen Sie den Gewinner basierend auf der Textgenauigkeit, selbst wenn die Instrumentierung oder der Gesangston etwas weniger poliert ist. Bei listenlastigen Inhalten zählt die Verständlichkeit mehr als der Vibe.

Am wichtigsten: Bringen Sie Ihre Korrekturen an den Anfang. Wenden Sie Abstandsregeln, Silbenlimits und Gruppierungen an, bevor Sie überhaupt auf „Generieren“ klicken. Schreiben Sie das Alphabet-Lied nicht einfach in normalem Englisch und versuchen Sie, es später zu flicken. Das Modell ist weniger nachsichtig bei nachträglichen Änderungen, wenn Listen im Spiel sind. A