Für Hindi und Englisch ist die digitale Welt längst kein Neuland mehr. Künstliche Intelligenz kann in beiden Sprachen Anfragen verarbeiten, Texte erzeugen und gesprochene Sprache erkennen - auch weil für sie große Mengen digitaler Daten zur Verfügung stehen.
Anders sieht es allerdings aus, wenn künstliche Intelligenz nicht nur das weitverbreitete Englisch oder Hindi verstehen, sondern auch mit den vielen anderen, oftmals kleineren Sprachen des Landes arbeiten soll, insbesondere dann, wenn es keine stabile Internetverbindung gibt.
Deren Status auch im Digitalen zu verbessern, hat sich Indien vorgenommen.
Was zunächst nach einer rein technischen Frage klingt, wirft grundlegendere Fragen auf: Welche der vielen Sprachen Indiens werden in dieser neuen digitalen Infrastruktur überhaupt berücksichtigt? Und was passiert mit jenen, für die es kaum Daten gibt?
Wie groß das Problem ist, zeigt die Forschung. Eine 2024 veröffentlichte Übersicht über 84 Forschungsarbeiten zu generativer KI und Large Language Models für indische Sprachen nennt fehlende Daten, Standardisierung, sprachliche Vielfalt und unzureichende Evaluationsmöglichkeiten als zentrale Herausforderungen.
Der teils in Indien lebende und arbeitende Elektroingenieur und KI-Experte Julius Haas verweist zunächst auf die ungleiche Datengrundlage. Im Vergleich zu Englisch oder Deutsch gebe es einen wesentlich kleineren Textkorpus - "das gilt sowohl mit Blick auf die Quantität wie auch die Qualität", so Haas im DW-Interview. Auch lokale Dialekte stellten besondere Anforderungen: Schon Unterschiede in Schreibweise oder Intonation könnten relevant sein.
Für die kleinsten Sprachen sind die Grenzen noch deutlicher. "Wenn eine Sprache kaum dokumentiert ist und nur sehr wenig schriftliches Material existiert, gibt es nicht genügend Daten, mit denen ein Modell trainiert werden könnte", sagt die an der Universität Kiel lehrende Soziolinguistin Ariba Hidayet Khan im DW-Gespräch. KI könne solchen Sprachen deshalb derzeit nur begrenzt helfen.
Anders sehe es bei gefährdeten Sprachen aus, die noch gesprochen werden und für die zumindest Material existiert. Wenn jüngere Generationen zunehmend auf größere Sprachen wie Hindi oder Englisch wechseln, könnten digitale Angebote einen Anreiz schaffen, die eigene Sprache weiterzulernen. "Wenn wir KI einsetzen, solange diese Sprachen noch gesprochen werden, könnte dies dazu beitragen, sie länger zu erhalten", sagt Khan.
Aus diesem Grund versucht Indien, die notwendige Datengrundlage aufzubauen. Ein wichtiger Akteur ist AI4Bharat, ein Forschungsinstitut am IIT Madras. Es entwickelt Datensätze und Modelle für Übersetzung, Spracherkennung, Sprachsynthese und große Sprachmodelle.
"Im Grunde ist das vor allem eine Frage der Investitionen", sagt Julius Haas. "Es sind keine grundlegenden technologischen Durchbrüche mehr notwendig, auch wenn weitere Verbesserungen, etwa bei Tokenizern (Programme zur lexikalischen Analyse, Anm. d. Red.), durchaus Vorteile bringen können." Entscheidend sei, wo Forschungsgelder und Mittel für Training und Infrastruktur eingesetzt würden.
Sprache sei eng mit Lernen, Identität und kultureller Zugehörigkeit verbunden, heißt es im State of the Education Report for India 2025der UNESCO. Die UNESCO fordert deshalb inklusive digitale Technologien, die mehrsprachige Bildung unterstützen.
Doch Digitalisierung kann auch ganz neue Hierarchien schaffen.
"Schon heute sehen wir, dass KI zum Beispiel mit amerikanischem Englisch besser funktioniert als mit bestimmten anderen englischen Varietäten", sagt Ariba Hidayet Khan. Für Indien stelle dies eine besondere Gefahr dar: "KI könnte bestehende sprachliche Hierarchien verstärken."
Die Forschungsübersicht verweist ebenfalls auf die schwierige Lage sogenannter Low-Resource-Sprachen. Weil ihnen große Datenmengen fehlen, werden Verfahren gesucht, mit denen Modelle Wissen zwischen Sprachen übertragen und auch mit wenig Material arbeiten können.
Damit wird die Datensammlung selbst zum entscheidenden Teil der Sprach-KI. Neben Texten werden auch gesprochene Sprache, Dialekte und regionale Varianten erfasst. Doch wer eine Sprache digitalisiert, trifft auch eine Auswahl: So geht es etwa darum, welche Sprecher und Varietäten aufgenommen werden wer die Daten später verwenden darf.
Eine weitere Herausforderung ist die technische Infrastruktur.
Damit bleiben zwei Fragen offen: Zum einen, wie viele der kleineren Sprachen tatsächlich in den digitalen Systemen sichtbar werden. Und zum anderen, wer darüber bestimmt, welche Variante einer Sprache zum digitalen Standard wird. Zwar kann KI Übersetzungen, Lernmaterialien und neue Zugänge zu Informationen ermöglichen. Ebenso kann sie aber auch bestehende Unterschiede reproduzieren oder gar zementieren. Denn sprachliche Vielfalt im digitalen Raum entsteht nicht nur durch entsprechende Technologie - sondern auch durch die Entscheidungen darüber, welche Daten gesammelt werden und wer über sie verfügt.