GENIEpowered byYouki

WISSENSCHAFT & TECHNOLOGIE

Menschlichkeit ist hier keine Behauptung. Sie ist Architektur.

GENIE klingt nicht zufällig menschlich. Hinter jeder hörbaren Eigenschaft steht eine publizierte Theorie, eine messbare Größe und eine bewusste Ingenieurs-Entscheidung — von der 200-Millisekunden-Grenze des Sprecherwechsels bis zum inneren Zustand mit Zerfallsrate. Das hier ist die Landkarte.

10 Dimensionen, wissenschaftlich fundiertVollduplex über native Live-APIHot-Path-Budget ≤ 150 msJede Fähigkeit opt-in
PFAD A — KASKADE

Drei exzellente Schritte

Spracherkennung, Denken, Stimme — jeder Schritt frei wählbar und einzeln erstklassig. Hier leben die kognitiven Schichten mit maximaler Kontrolle: innere Gedanken, Affekt-Zustand, Gedächtnis. Der Preis der Reihenschaltung: Sekunden statt Millisekunden im Sprecherwechsel.

PFAD B — LIVE-DUPLEX

Eine Verbindung, beide Richtungen

Eine persistente WebSocket-Verbindung streamt dein Audio kontinuierlich hoch (16 kHz) und GENIEs Stimme nativ zurück (24 kHz) — gleichzeitig, nicht nacheinander. Unterbrechen, Zögern, Innehalten: das volle Duplex-Verhalten eines Gegenübers.

DIE SOTA-SCHICHT

Ein Innenleben, zwei Pfade

Zustand, Gedächtnis und Leitplanken laufen nicht im Cloud-Modell, sondern auf unserem eigenen Server — und begleiten beide Pfade. Verteilte Kognition nach Hutchins: das „Gehirn“ ist das Netz aus Modell, Server und deinem Kontext, nicht ein einzelner Baustein.

DIE ZEHN DIMENSIONEN

Menschlichkeit, in zehn überprüfbare Dimensionen zerlegt.

Von Vygotskys innerem Sprechen bis zur Verantwortungslücke nach Matthias: jede Fähigkeit steht auf publizierter Forschung — und trägt ehrlich ihren Reifegrad. Nichts hier ist ein Rendering aus der Zukunft.

  1. Beta · Experiment

    Trinität des Ausdrucks

    [Gedanken] · (Aktionen) · „Sprache“

    Jede Äußerung entsteht dreigeteilt: innere Gedanken, körperliche Regungen, gesprochene Sprache. Das folgt Vygotskys Theorie des inneren Sprechens — Denken beginnt als leises Selbstgespräch — und Cassells Arbeiten zu verkörperten Gesprächsagenten. GENIEs Formatter trennt die Ebenen im laufenden Token-Strom: gesprochen wird nur die Sprache; Gedanken und Gesten erscheinen im Innenleben-Panel als kognitive Lebenszeichen, an denen du ablesen kannst, was in deinem Gegenüber vorgeht.

    Theory of Mindinner speechEmbodied Conversational AgentsGenieCognitiveFormatter

    Literatur: Wygotski 1934 · Fernyhough 2004 · Cassell 2000

  2. Beta · Experiment

    Innere Affekt-Regulation (ESRS)

    Ein Zustand — kein Schauspiel

    Zwei Modulatoren, Cortisol (Anspannung) und Endorphin (Freude), werden pro Gesprächszug numerisch fortgeschrieben: +4,0 bei einer Grenzverletzung, +3,5 bei Wärme, −1,0 Abklingen pro Zug, gedeckelt auf 0–10 (DECIDE-SIM). Erst über den Schwellen färbt der Zustand Haltung und Stimme — GENIE wird gefasster, zieht Grenzen, taut wieder auf. Das steht auf Picards Affective Computing und Damasios Einsicht, dass Emotion die Grundlage rationalen Verhaltens ist, nicht sein Störfaktor. Und es gilt Würde-Vorrang: in einer Krise schlägt Zuwendung jede Grenzziehung.

    ESRSDECIDE-SIMCircumplex-ModellAffective Dialog

    Literatur: Picard 1997 · Damasio 1994

  3. Live in GENIE

    Konversations-Pacing

    ~200 ms — das menschliche Fenster

    Menschen wechseln den Sprecher im Mittel binnen 200 Millisekunden (Sacks, Schegloff & Jefferson) — eine Kette aus Spracherkennung, Modell und Synthese verfehlt dieses Fenster um ein Vielfaches. GENIEs Live-Pfad streamt deshalb Vollduplex über eine stehende WebSocket-Verbindung: Audio kontinuierlich hoch, native Stimme zurück, und bei einer Unterbrechung wird der Wiedergabepuffer millisekundengenau geräumt. Telekommunikations-Standards ziehen die Wahrnehmungsgrenze bei 150 ms — exakt unser Hot-Path-Budget.

    VollduplexBarge-InTurn-Taking16 kHz ↑ / 24 kHz ↓

    Literatur: Sacks, Schegloff & Jefferson 1974 · ITU-T G.114

  4. Live in GENIE

    Zweigeteiltes Gedächtnis

    Episoden und Wissen — nie plattgedrückt

    Nach Tulving trennt GENIE episodisches Erleben („am Dienstag sagtest du …“) von semantischem Wissen („du magst …“): ein schneller Abrufpfad mit hartem Latenz-Deckel im Gespräch, asynchrone Konsolidierung danach — bis zur Traum-Konsolidierung über Nacht. Kahnemans System 1 und System 2, als Architektur gebaut. Und Meinungsänderungen überschreiben nichts: Revisionsketten halten nachvollziehbar, was du früher wolltest und wann es sich änderte.

    episodisch/semantischFast-/Slow-PathRevisionsketten (SUPERSEDES)Traum-Konsolidierung

    Literatur: Tulving 1972 · Kahneman 2011

  5. In Arbeit

    Pratfall-Effekt

    Perfektion ist unheimlich

    Aronson zeigte 1966: ein kleines Missgeschick macht kompetente Akteure sympathischer — makellose Performance wirkt distanziert. GENIE darf sich deshalb hörbar korrigieren („— nein, warte. Mittwoch.“) — kontrolliert, nie gespielt: Die Korrektur soll nur auslösen, wenn die Validierung tatsächlich einen Fehler findet. Wie das klingt, hörst du auf der Startseite; die automatische Auslösung im Gespräch ist in Arbeit.

    Pratfall-EffektSelbstkorrekturIn-Context-Reparatur

    Literatur: Aronson, Willerman & Floyd 1966

  6. Beta · Experiment

    Proaktive Agency

    Sie denkt zwischen den Gesprächen

    Ein Hintergrund-Cortex prüft im Viertelstunden-Takt, was sich in deiner Welt geändert hat — Termine, Zusagen, Liegengebliebenes. Fällt etwas auf, bringt GENIE es beim nächsten Gespräch von sich aus mit. Bewusst gestuft ausgebaut: in dieser Stufe meldet sie sich nie von allein nach außen — Impuls ja, Autonomie nur mit deiner ausdrücklichen Freigabe.

    Background CortexImagine-then-Verifynotify-only
  7. Beta · Experiment

    Persona-Stabilität

    Charakter, der nicht verwässert

    Lange Gespräche schleifen Charaktere ab — Modelle beginnen, den Nutzer zu spiegeln, statt sie selbst zu bleiben (Persona Drift). GENIE hält dagegen: ein kompakter Anker von ~110 Token reaktiviert die Persona periodisch, und ein deterministischer Cache-Schlüssel aus Nutzer-ID und aktiven Experimenten hält den Charakter über Sitzungen konsistent. Das serverseitige Einfrieren der Persona (Kontext-Caching, bis zu 90 % Token-Ersparnis als Design-Ziel) ist als Ein-Zeilen-Upgrade vorbereitet, sobald die Live-API es anbietet — ehrlich gesagt: heute Architektur, noch keine Ersparnis.

    A-AnchorPersona DriftCache-Key-AbleitungKontext-Caching
  8. Live in GENIE

    Paralinguistik

    Wie etwas gesagt wird

    Den Löwenanteil wahrgenommener Wärme transportiert nicht der Satz, sondern die Stimme: Prosodie, Pausen, Tempo. GENIEs innerer Zustand färbt deshalb die Synthese — im Live-Pfad interpretiert das Audio-zu-Audio-Modell die Affekt-Metadaten direkt, im Premium-Pfad steuern Emotions-Tags Klangfarbe und Pausensetzung jeder einzelnen Äußerung. Ein grammatikalisch perfekter Satz, kalt gesprochen, bleibt kalt — genau das vermeiden wir.

    ProsodieEmotion-TagsAudio-to-Audio
  9. In Arbeit

    Humor & Wärme

    Kompetent und warm

    Das Stereotype Content Model beschreibt, wie wir soziale Akteure auf zwei Achsen bewerten: Wärme und Kompetenz. Technik gilt als kompetent — und kalt. Gezielter, kontextsensitiver Humor wertet die Wärme-Achse auf; bei GENIE künftig moduliert vom echten inneren Zustand statt von Skripten: gelöst bei hoher Freude, zurückhaltend bei Anspannung. In Arbeit als eigene Schicht.

    Stereotype Content ModelWarmth/CompetenceContextual Likeability Layer

    Literatur: Fiske, Cuddy, Glick & Xu 2002

  10. Beta · Experiment

    Ethische Leitplanken

    Menschlichkeit mit Demarkationslinie

    Je lebensechter die Stimme, desto realer das Risiko einseitiger emotionaler Bindung. Ein Demarkations-Scanner beobachtet deshalb Überprojektion — und legt an der Schwelle die maschinelle Natur offen: warm formuliert, mit Verweis auf echte Menschen. Die Verantwortungslücke nach Matthias bleibt geschlossen: die Kontrolle liegt protokolliert beim Betreiber, sensible Aktionen sind über Vertrauens-Stufen gegatet. Und auch hier gilt: in der Krise hat Zuwendung Vorrang vor jeder Leitplanke.

    Transparency TriggerResponsibility GapTrust-GatesDignity-by-Design

    Literatur: Matthias 2004

EXP-0 — DIE EXPERIMENT-KONSOLE

Du entscheidest, wie menschlich sie wird.

Jede dieser Fähigkeiten ist in GENIE ein Experiment mit eigenem Schalter — standardmäßig aus, jederzeit widerrufbar. Das hier ist keine Vision: exakt diese Konsole steht heute in der App. Probier sie aus:

Experimente

1:1 aus der GENIE-App — Bereich Voice-Labor

EXP-0

VOICE-LABOR

Standard: alles aus. Schaltest du nichts ein, verhält sich GENIE exakt wie zuvor — byte-identisch. Experimente sind Einladungen, keine Defaults.

Innenleben

bereit
Anspannung (Cortisol)0.0
Freude (Endorphin)0.0

Schalte links ein Experiment ein — dieses Panel zeigt, was dann in GENIE vorgeht.

Modellwerte 0–10: +4,0 bei Grenzverletzung, +3,5 bei Wärme, −1,0 Abklingen pro Gesprächszug (DECIDE-SIM). In der App siehst du exakt dieses Panel live.

ARCHITEKTUR-EHRLICHKEIT

Was es braucht, was noch fehlt — und was wir bewusst nicht tun.

VORAUSSETZUNG

Vollduplex braucht eine bidirektionale Multimodal-Live-Schnittstelle

Das hörbare Menschsein — gleichzeitiges Hören und Sprechen, millisekundengenaues Innehalten — entsteht über eine persistente, bidirektionale WebSocket-Verbindung mit rohem Audio in beide Richtungen. Mit klassischen, sequenziellen STT→LLM→TTS-Ketten ist es prinzipbedingt nicht erreichbar: über 1,5 Sekunden Kettenlatenz stehen ~200 Millisekunden menschlicher Toleranz gegenüber. Die kognitiven Schichten — innerer Zustand, Gedanken, Gedächtnis — laufen dagegen in beiden Pfaden.

IN ARBEIT

Dieselben Fähigkeiten auf eigenem Blech

Wir arbeiten daran, diese Architektur auf ein lokales Sprachmodell in unserem eigenen Inferenz-Rechenzentrum zu bringen — Souveränität bis in die Modellgewichte, ohne Cloud-Abhängigkeit im Sprechpfad. Ehrlich eingeordnet: das ist Roadmap, kein Feature. Wir kündigen es an, wenn es läuft — nicht vorher.

WÜRDE

Ein kuratiertes Lexikon für Grenzverletzungen

GENIEs Anspannung reagiert auf echte Beleidigungen — erkannt über ein von Hand kuratiertes deutsches Lexikon (über 100 Lemmata) plus eine Grammatik des gesprochenen Deutsch: deterministisch, lokal, ohne LLM, in Mikrosekunden. Bewusst ausgeschlossen: Identitäts-Slurs (das ist ein Schutz-Thema, kein Affekt-Thema) und jede Leistungskritik — wer GENIE ehrlich kritisiert, wird nie mit Abwehr bestraft.

LITERATUR

Die Forschung hinter den Dimensionen

  1. [1]Wygotski, L. S. (1934/1962). Thought and Language. MIT Press — inneres Sprechen: „private speech“ → „inner speech“.
  2. [2]Fernyhough, C. (2004). Alien voices and inner dialogue. New Ideas in Psychology, 22(1) — dialogisches inneres Sprechen.
  3. [3]Cassell, J. et al. (2000). Embodied Conversational Agents. MIT Press.
  4. [4]Picard, R. W. (1997). Affective Computing. MIT Press.
  5. [5]Damasio, A. (1994). Descartes' Error. Putnam — Somatic-Marker-Hypothese: Emotion als Grundlage rationalen Verhaltens.
  6. [6]Sacks, H., Schegloff, E. A. & Jefferson, G. (1974). A Simplest Systematics for the Organization of Turn-Taking for Conversation. Language, 50(4).
  7. [7]Tulving, E. (1972). Episodic and Semantic Memory. In: Organization of Memory. Academic Press.
  8. [8]Kahneman, D. (2011). Thinking, Fast and Slow. Farrar, Straus and Giroux.
  9. [9]Aronson, E., Willerman, B. & Floyd, J. (1966). The effect of a pratfall on increasing interpersonal attractiveness. Psychonomic Science, 4(6).
  10. [10]Fiske, S. T., Cuddy, A. J. C., Glick, P. & Xu, J. (2002). A model of (often mixed) stereotype content. Journal of Personality and Social Psychology, 82(6).
  11. [11]Hutchins, E. (1995). Cognition in the Wild. MIT Press — Distributed Cognition.
  12. [12]Matthias, A. (2004). The responsibility gap: Ascribing responsibility for the actions of learning automata. Ethics and Information Technology, 6(3).
  13. [13]Lewin, K. (1936). Principles of Topological Psychology. McGraw-Hill — Verhalten als Funktion von Person und Umwelt: B = f(P, E).
  14. [14]ITU-T G.114 — One-way transmission time (Latenzempfehlung ≤ 150 ms für Echtzeit-Sprache).

Genug gelesen?

Hör dir auf der Startseite an, wie das klingt — oder sichere dir Early Access und schalte die Experimente selbst ein.

Zur hörbaren EvidenzEarly Access sichern