Sprache und Bilder: sprechen und zeigen

Bisher hast du in diesem Kurs mit der KI per Text kommuniziert. Aber ChatGPT bietet noch zwei weitere Kanäle – Sprache und Bilder. Sie verwandeln ein cleveres Chatfenster in einen Assistenten, der immer zur Hand ist.

Sprachmodus: kein Diktat, sondern ein Gespräch

Den Sprachmodus haben wir bereits in der Lektion über Apps aktiviert. Jetzt gehen wir ins Detail, denn hier werden oft zwei Dinge verwechselt. **Diktieren** (das Mikrofon-Symbol im Eingabefeld) wandelt deine Sprache einfach in Text um – du sprichst, Buchstaben erscheinen, und von da an ist es ein gewöhnlicher Chat. Der **Sprachmodus** (das Kopfhörer-/Wellenform-Symbol) ist ein vollständiges Gespräch: Du sprichst, die KI antwortet laut mit einer echten Stimme, und du kannst sie mitten im Satz unterbrechen – sie stoppt und wechselt. Der Unterschied ist wie Texten versus Telefonieren.

Warum der Sprachmodus Gewohnheiten ändert

Eine detaillierte Anfrage einzutippen, ist Arbeit. Sie auszusprechen, ist natürlich. In **40 Sekunden Sprechzeit** gibst du dreimal so viel Kontext, wie du getippt hättest, und erinnere dich an die Regel aus der ersten Dialog-Lektion: **mehr Kontext, präzisere Antwort**. Es befreit auch deine Hände und Augen: im Auto, am Herd, beim Kinderwagenschieben wird die KI zu jemandem, mit dem du sprichst, statt zu einer App, auf die du starrst.

So sieht eine gute Sprach-Session aus

• Lautes Üben. „Lass uns ein Probeinterview machen. Du bist ein strenger Personalchef, stell eine Frage nach der anderen, ich antworte laut, und am Ende bewertest du meine Antworten.“ Eine Sprechübung, die du per Text nie bekommen würdest.
• Brainstorming unterwegs. Du gehst und denkst laut nach, die KI nimmt es auf und schlägt Wendungen vor. Ideen werden festgehalten, solange sie frisch sind.
• Unterwegs etwas klären. „Erklär mir den Unterschied zwischen Leasing und Kredit, in einfachen Worten“ – im Zug, ohne Bildschirm.

Bilder, Teil eins: Die KI schaut sich dein Foto an

Zieh ein Bild in den Chat (die Büroklammer oder die Kamera in der App) und frag danach. Das ist kein Partytrick, sondern ein Arbeitswerkzeug:

• Fotografiere einen **verwirrenden Fehler auf deinem Bildschirm** – „Was bedeutet das und wie behebe ich es?“
• Mach ein Foto von einem **Gericht in einem Restaurant mit fremder Speisekarte** – „Was ist das, und sind Nüsse drin?“
• Zeig ihr **eine Grafik aus einem Bericht** – „Beschreib den Trend, den ich sehe.“
• Fotografiere **den Inhalt deines Kühlschranks** – „Was kann ich daraus zum Abendessen kochen?“

Das Modell liest, was auf dem Bild ist, und antwortet in Worten. Screenshots, Fotos, Diagramme, handschriftliche Notizen – alles ist möglich.

Bilder, Teil zwei: Die KI zeichnet nach Beschreibung

Die Kehrseite ist die **Generierung**: Beschreib es in Worten, und ChatGPT zeichnet das Bild aus dem Nichts. „Zeichne ein Logo für ein Café: minimalistisch, eine Tasse und Berge, warme Töne“ – ein Bild in Sekunden. Das kommt häufiger vor, als du denkst: eine Illustration für einen Beitrag, ein grobes Logo, eine Geburtstagskarte, ein Diagramm für eine Präsentation, eine Referenz für deinen Designer. Genau wie bei Text funktioniert die **Iteration** (die Antwort noch einmal überarbeiten, aus der ersten Dialog-Lektion): „heller“, „Hintergrund entfernen“, „versuch einen anderen Stil“.

Wo Bilder an ihre Grenzen stoßen

Zwei ehrliche Grenzen, damit du nicht enttäuscht bist. Erstens: Generierte Bilder sind **Illustrationen, keine Fotos von realen Ereignissen**, und kleine Details (besonders Text im Bild und Finger) sind immer noch unvollkommen – überprüf das, bevor du veröffentlichst. Zweitens: Wenn es ein Foto liest, gilt dieselbe Regel wie bei Text aus der 10-Jobs-Lektion – **überprüfe die Fakten**. „Identifiziere diesen Pilz, ist er essbar“ ist eine schlechte Idee: Der Preis eines Fehlers ist deine Gesundheit, und das Modell kann falsch liegen. Bei Lebensmitteln, Medikamenten und Rechtsdokumenten assistiert die KI, aber ein Profi entscheidet.

Häufige Fragen zu Sprache und Bildern

• „Können Leute um mich herum es hören?“ Nein – der Ton geht an deine Kopfhörer oder den Lautsprecher deines Telefons, wie bei jedem Anruf.
• „Kann ich mit Akzent oder schlecht sprechen?“ Ja, das Modell verarbeitet echte Sprache, Pausen und Versprecher problemlos – sprich, wie du sprichst.
• „Kann ich ein generiertes Bild herunterladen und verwenden?“ Herunterladen, ja, über den Speicher-Button; aber bevor du es geschäftlich veröffentlichst, überprüf die Nutzungsbedingungen des Dienstes und denk an die unvollkommenen kleinen Details.
• „Warum hat die KI etwas auf meinem Foto nicht erkannt?“ Meistens liegt es an der Qualität: dunkle, unscharfe oder schräge Aufnahmen werden schlecht gelesen – mach ein neues, gerades Foto bei gutem Licht.

Mach das jetzt

Zwei Minuten, zwei Klicks. Erstens: Aktiviere den Sprachmodus und frag laut nach einer Erklärung für etwas, das dich interessiert – hör einfach, wie sich das anfühlt. Zweitens: Fotografiere etwas in deiner Nähe (ein Etikett, einen Kassenbon, eine Buchseite) und frag danach. Du hast gerade alle drei Kanäle genutzt: Text, Sprache, Bild.