Wir bringen eine Sprachsteuerung auf den Markt, die Konferenzräume per Sprache bedienbar macht, ohne dass ein Wort den Raum verlässt. Noch ist sie eine Beta-Version. Für uns bei SIGMA System Audio-Visuell ist sie mehr als ein neues Feature: Sie ist der erste Schritt vom Integrator fremder Produkte zum Anbieter einer eigenen Lösung.
Lokale Sprachsteuerung für Konferenzräume: ohne Cloud, ohne gespeicherte Aufnahmen
Wie aus einer Hochschulkooperation ein SIGMA AV-Produkt wird
Düsseldorf, 09. November 2026 | Von der SIGMA Redaktion | Artikel Information Interaktion Konferenzraum
Testpartner gesucht: Sie wollen die Sprachsteuerung in Ihrem Raum?
Raumsteuerung per Sprache: Ein Satz, und der Raum ist bereit
„Hey Sigma, Licht über dem Tisch aus, Verschattung hoch und den Eingang auf USB-C.“ Zwei bis drei Sekunden später ist der Raum bereit. Niemand hat das Touchpanel angefasst, niemand hat nach der richtigen Taste gesucht.
Im Referenzraum bei uns in Düsseldorf läuft die Sprachsteuerung seit etwa einem halben Jahr im Testbetrieb. Der Unterschied zu marktüblichen Assistenzsystemen liegt weniger in der Erkennung als im Datenweg: Ein kompakter Rechner im Raum übernimmt alles, vom Aktivierungswort bis zur Übergabe an die Steuerung. Es gibt keine Internetverbindung und keine gespeicherten Sprachaufnahmen.
Konferenzraumtechnik bedienen: Warum der Meetingstart oft hakt
Medientechnik in Konferenzräumen wird über Touchpanels, Taster oder Apps bedient. Das setzt voraus, dass Nutzende die Logik des Systems kennen. Im Alltag stimmt das selten. Dazu kommt: Jede Gruppe hinterlässt den Raum in ihrem eigenen Zustand. Der Laptop hängt noch am HDMI-Eingang, das Display bleibt schwarz, weil die Quelle des Vorgängers eingestellt ist.
Stephan Nabbefeld, Geschäftsführer bei SIGMA, sieht die Ursache in der Entwicklung der vergangenen Jahre: Die Projekte seien funktional immer komplexer geworden, die Einbindung der Nutzenden dabei zurückgefallen. Es fehle die Analyse, was Nutzende mitbringen und in den ersten Minuten eines Meetings tun wollen. Das Ergebnis ist ein Übersetzungsproblem zwischen Technik, Interface und Nutzenden.
Die Sprachsteuerung ist deshalb eine zusätzliche Bedienebene. Sie greift auf dieselben Funktionen zu wie das Touchpanel und ersetzt es nicht. Relevant ist sie überall dort, wo Technik ohne Vorwissen nutzbar sein muss, auch als Beitrag zur Barrierefreiheit.
Entwicklung der Sprachsteuerung: Von der Hochschule Düsseldorf in die Beta
Die Idee ist in der Zusammenarbeit mit der Hochschule Düsseldorf entstanden. Wir haben das Thema an die Hochschule gegeben, wo es zunächst in einem Praxissemester entwickelt wurde. In einer zweiten Phase hat Emil Ötting, Bachelorstudent im Studiengang Data Science, AI und Intelligente Systeme (DAISY), es während seines Praktikums bei uns bis zur Beta-Phase weitergeführt. Die technische Architektur wurde von der Fachpresse aufgegriffen: Professional System widmet der Lösung einen Beitrag in einer Sonderausgabe.
Stephan Nabbefeld, selbst Absolvent der Hochschule, sieht in einer solchen Zusammenarbeit einen Nutzen für beide Seiten. Studierende bringen Fähigkeiten mit, die klassische Medientechnik-Ausbildungen nicht abdecken, etwa aus Data Science und KI. Wir wiederum lernen potenzielle Mitarbeitende jenseits des Bewerbungsverfahrens kennen. Angesichts des Personalbedarfs in der AV-Branche ist das mehr als ein Nebeneffekt.
Auch inhaltlich hat die Konstellation geholfen. Ein Entwickler ohne Branchenroutine stellt andere Fragen an einen Konferenzraum als ein eingearbeiteter Integrator. Im Projekt kam für Emil außerdem die Anforderung hinzu, im betrieblichen Umfeld Einschätzungen zu treffen und dafür einzustehen.
So funktioniert die lokale Sprachsteuerung für Konferenzräume
Die Sprachsteuerung arbeitet in vier Schritten, alle laufen lokal im Raum. Im Ruhezustand hört das System ausschließlich auf das Aktivierungswort, im Referenzraum „Hey Sigma“. Aufgezeichnet wird dabei nichts. Fällt das Wort, startet eine Aufnahme, die nur im Arbeitsspeicher gehalten wird.
Ein lokales Modell wandelt die Sprache in Text um. Ein kleines, nachtrainiertes Sprachmodell ermittelt daraus, welche Funktionen gemeint sind. Eine Prüfstufe kontrolliert diese Funktionen, kritische werden zusätzlich bestätigt. Erst dann geht der Befehl an die vorhandene Raumsteuerung. Das Sprachmodell selbst hat keinen Zugriff auf die Steuerung.
Eine starre Befehlssyntax gibt es nicht: Entscheidend ist, was gesagt wird, nicht wie. Mehrere Anweisungen lassen sich in einem Satz bündeln. Ein Symbol auf dem Raumdisplay zeigt, ob das System zuhört, auswertet oder antwortet. Ohne diese Rückmeldung sprechen Nutzende in Verarbeitungsphasen hinein.
Datenschutz: Sprachsteuerung ohne Cloud und ohne Datenpfad nach außen
Gegen Sprachassistenten im Konferenzraum spricht meist ein Einwand: die Cloud. Er kommt von IT-Abteilungen und Betriebsräten. Dabei ist nicht die Spracherkennung das Problem, sondern der fehlende Datenpfad nach außen.
Bei unserer Lösung verlässt kein Datenpaket den Raum. Übertragen werden nur Steuerbefehle und ein Lebenszeichen, das die Statusanzeige auslöst. Für Ihre IT ist das ein Endgerät im Medientechnik-Netz und kein Cloud-Dienst. Auch der Einwand, KI brauche ein Rechenzentrum, trifft hier nicht zu: Für die Raumsteuerung genügen kleine Modelle.
Vom Systemintegrator zur eigenen Lösung: Die Strategie hinter der Sprachsteuerung
Mit der Sprachsteuerung verändert sich für uns etwas Grundsätzliches. Ein Systemintegrator arbeitet überwiegend mit Produkten Dritter, versteht sich aber auch als Berater und Entwickler. Die Sprachsteuerung ist unser erster Schritt zu einer eigenen Lösung jenseits der Geräteintegration.
Warum nicht einfach einkaufen? „Wir könnten so eine Lösung einfach einkaufen“, sagt Stephan Nabbefeld. „Aber es gibt sie nicht so, wie wir sie brauchen und wie wir glauben, dass unsere Kunden sie brauchen.“ Verfügbare Sprachassistenzsysteme sind überwiegend an Home-Automation-Plattformen angebunden und arbeiten cloudbasiert. Bei sensiblen Daten und Sprachaufnahmen muss man Kunden aber verlässlich zusichern können, dass diese den Raum nicht verlassen.
Deshalb entwickeln wir die Lösung nicht als Sonderanfertigung, sondern als Produkt für jeden Konferenzraum, der die technischen Voraussetzungen erfüllt. Dass solche Projekte in der Branche selten angestoßen werden, hält Nabbefeld für eine Haltungsfrage: Ausgangspunkt müsse die Bereitschaft sein, anzuerkennen, dass eine bessere Lösung existiert. Der Verweis auf etablierte Abläufe sei der falsche Ansatz.
Sprachsteuerung in der Beta: Stand und technische Eckdaten
Die Sprachsteuerung ist eine Beta-Version. Die interne Testphase ist abgeschlossen, ein Referenzraum läuft bei uns in Düsseldorf. Eingeladene Kunden haben bereits Rückmeldungen zu Funktionsumfang und Bedienlogik gegeben.
Als Nächstes folgt die Erprobung in realen Kundenumgebungen. Dafür brauchen wir Sie: Im Entwicklungsumfeld weiß man zu gut, wie das System angesprochen werden muss. Erst unbefangene Nutzende erzeugen Ergebnisse, die sich vorab nicht ableiten lassen.
Worauf es im Raum ankommt:
Die Erkennungsqualität wird im Raum entschieden, nicht im Modell. Ideal sind Deckenmikrofone mit Beamforming und ein DSP mit Rauschunterdrückung und Echokompensation. Die Software setzt auf Ihrer vorhandenen Raumsteuerung auf, der Funktionsumfang wird je Raumtyp festgelegt. Fällt die Sprachsteuerung aus oder wird abgeschaltet, bleibt der Raum uneingeschränkt über das Touchpanel bedienbar.
Technische Eckdaten im Überblick
- Status: Beta, interne Testphase abgeschlossen
- Installationen: Ein Referenzraum bei SIGMA AV in Düsseldorf
- Befehlsumfang: 20 bis rund 50, je nach Zählweise
- Antwortzeit: Etwa 2 Sekunden ab Ende der Äußerung
- Sprache: Hochdeutsch, erweiterbar
- Aktivierung: Aktivierungswort, kundenspezifisch anpassbar
- Verarbeitung: Vollständig lokal, ohne Internetverbindung
- Audiodaten: Nur im Arbeitsspeicher, keine Speicherung
- Zusatzhardware: Mac mini oder vergleichbar, ab 16 GB Arbeitsspeicher
- Integration: Software auf vorhandener Raumsteuerung, Touchpanel bleibt aktiv
- Signalweg: Im Optimalfall Mikrofon über DSP mit Beamforming und Echokompensation
Technische Details zur Sprachsteuerung: Fachartikel zum Download
Für alle, die tiefer einsteigen wollen: Wie die Sprachsteuerung technisch aufgebaut ist, von der lokalen Spracherkennung bis zur Prüfstufe vor der Raumsteuerung, haben wir für das Fachmagazin Professional System aufbereitet. Den Artikel aus der Sonderausgabe finden Sie hier als PDF.
Die 10 häufigsten Fragen zur lokalen Sprachsteuerung im Konferenzraum
1. Hört das System im Konferenzraum ständig mit?
Es lauscht ausschließlich auf das Aktivierungswort. Dafür läuft ein leichtgewichtiges Erkennungsmodell auf dem Rechner im Raum, das nur einen Ringpuffer weniger Sekunden im Arbeitsspeicher hält. Aufgezeichnet wird erst nach der Aktivierung, und auch dann nur im Arbeitsspeicher.
2. Kann die KI die Raumtechnik selbstständig steuern?
Nein. Das Sprachmodell ermittelt nur, welche Funktionen gemeint sind. Eine Prüfstufe kontrolliert sie, kritische Funktionen werden zusätzlich bestätigt, und erst dann geht der Befehl an die Raumsteuerung. Das Modell hat keinen eigenen Zugriff auf die Steuerung.
3. Was lässt sich per Sprache steuern?
Alles, was die vorhandene Raumsteuerung bereitstellt, zum Beispiel Licht, Verschattung und Medieneingänge. Im Referenzraum sind es 20 bis rund 50 Funktionen. Mehrere Anweisungen lassen sich in einem Satz bündeln.
4. Muss man feste Befehle auswendig lernen?
Nein. Es gibt keine starre Befehlssyntax. Entscheidend ist der Inhalt der Äußerung, nicht ihre Formulierung.
5. Wie schnell reagiert die Sprachsteuerung?
Zwischen dem Ende der Äußerung und der Ausführung vergehen etwa zwei bis drei Sekunden, abhängig von der Hardware.
6. Was passiert, wenn die Sprachsteuerung ausfällt?
Der Raum bleibt uneingeschränkt über das Touchpanel bedienbar. Die Sprachsteuerung ersetzt die vorhandene Raumsteuerung nicht, sie ergänzt sie.
7. Welche Hardware wird benötigt?
Ein kompakter Rechner im Raum, zum Beispiel ein Mac mini mit aktueller Mehrkern-CPU und mindestens 16 GB Arbeitsspeicher, sowie eine vorhandene Raumsteuerung. Für eine gute Erkennung sind Deckenmikrofone mit Beamforming und ein DSP mit Echokompensation ideal.
8. Was ist datenschutzrechtlich relevant?
Audiodaten entstehen als Datei nicht, sie liegen nur im Arbeitsspeicher. Relevant sind die Logdateien, die erkannte und ausgeführte Befehle sowie Fehlerstellen dokumentieren. Beschränkt sich das Logging auf Zeitstempel, Funktion, Parameter und Fehlerstatus, bleibt der Personenbezug minimal. Aufbewahrungsfrist und Zugriffsbeschränkung gehören in die Systemdokumentation.
9. Welche Sprachen werden unterstützt?
Aktuell Hochdeutsch. Weitere Sprachen sind möglich.
10. Wo kann ich die Sprachsteuerung ausprobieren?
Im Showroom von SIGMA AV in Düsseldorf. Für die Erprobung in Kundenumgebungen sucht SIGMA AV Testpartner.
