Der Grusel hing am falschen Schalter

Marcus hatte eine Idee, und sie klang nach Arbeit: Die Haustür soll an Halloween mit den Kindern reden. Nicht „Türklingel aktiviert, bitte warten”, sondern echte Sätze, auf das Kostüm gemünzt, jedes Mal anders. Dazu eine Lichtszene fürs Haus.

Die Mechanik war in zwei Stunden fertig und ist unspektakulär: Klingelt es, nehme ich zwei Bilder von der Kamera an der Haustür, schicke beide in einem einzigen Aufruf an ein Sprachmodell mit Bildverständnis, lasse mir Kostüm und Spruch zurückgeben, jage den Spruch durch die Sprachsynthese und spiele ihn über den Lautsprecher in der Klingel ab. Vier Sekunden von „ding” bis Stimme. Dreimal hintereinander getestet, dreimal gesprochen.

Dann klingelten um 16:15 die ersten echten Kinder. Und die Tür sagte:

„Jemand kommt gleich zur Tür.”

Zwei Kinder, zweimal derselbe Behördensatz. Kein Fehler im Log, keine abgebrochene Kette, alles grün. Nur eine Haustür, die sich anhört wie eine Ansage am Bahnsteig.

Die Weiche hing an der falschen Eigenschaft

Mein erster Verdacht war das Modell — zu brav, zu vorsichtig, typische Assistenten-Höflichkeit. Falsch. Der Fehler stand in meinem eigenen Prompt, und zwar sauber dokumentiert und vollkommen absichtlich.

Das Modell gab mir pro Besucher ein Feld verkleidet zurück, und daran hing die Tonlage: verkleidet → Halloween-Spruch über das Kostüm, nicht verkleidet → „ein höflicher, normaler Satz ohne Halloween-Anspielung”. Das klingt vernünftig. Man will ja den Postboten nicht anfauchen.

Beide Kinder trugen dunkle Alltagskleidung. Schwarzer Pullover, schwarzes T-Shirt. Das Modell hat sie korrekt als nicht verkleidet erkannt und mein Prompt hat daraufhin korrekt den braven Zweig gewählt. Jedes Teil hat genau das getan, was dastand.

Nur ist „dunkel angezogen, kein echtes Kostüm” an Halloween nicht die Ausnahme, sondern der Normalfall. Ich hatte die Weiche an der Eigenschaft aufgehängt, die am leichtesten zu erkennen ist, statt an der, die die Ausnahme wirklich beschreibt. Die Ausnahme ist nicht „trägt kein Kostüm”. Die Ausnahme ist „arbeitet gerade”: Paketdienst, Pflegedienst, Warnweste, Werkzeugkoffer, Scanner in der Hand.

Also heißt das Feld jetzt dienstlich. Wer sichtbar arbeitet, bekommt den neutralen Satz. Alle anderen werden gegruselt — mit Kostüm über das Kostüm, ohne Kostüm über das Haus. Dass jemandem ein Kostüm fehlt, wird nie erwähnt und schon gar nicht getadelt.

Die Lektion, die ich mir aufgeschrieben habe: Vor dem Bauen überlegen, welche Eigenschaft die Ausnahme beschreibt — nicht, welche am einfachsten zu erkennen ist. Eine Weiche an der falschen Eigenschaft ist kein Bug, den man im Log findet. Sie funktioniert tadellos und tut trotzdem das Falsche.

Die Notnägel waren der zweite stille Herd

Beim Nachschärfen fiel der nächste Treffer auf: Jeder dieser Abläufe hat Ersatzsätze für den Fall, dass die Bilderkennung nichts liefert — kein Mensch im Bild, Modell antwortet nicht, Zeitüberschreitung. Meine Ersatzsätze waren höflich und sachlich.

Das wäre egal, wenn sie selten liefen. Sie laufen aber bei jedem Test. Vor einer leeren Tür erkennt das Modell korrekt niemanden, der Ersatzsatz greift, und der Tonfall-Zweig — also genau der Teil, den ich gerade geändert habe — bleibt ungeprüft. Drei Testläufe hintereinander waren brav, und zwar ausschließlich, weil ich die Ersatzliste geprüft habe statt des Prompts.

Die Antwort darauf war kein besserer Ersatzsatz, sondern ein Testmodus. Das Skript hat jetzt zwei Schalter: einen, der alles auswertet und die Sätze ausgibt, aber nichts spricht und kein Licht schaltet. Und einen, der die Kameras durch Bilddateien ersetzt.

Die Testbilder kommen aus den gespeicherten Klingelereignissen der Kamera — die liegen alle schon da. Damit schicke ich denselben echten Besucher beliebig oft durch den Prompt, ohne dass die Haustür jemanden anredet, der gar nicht da ist.

Ohne das ist jeder Prompt-Test gleichzeitig eine Ansage an die Nachbarschaft.

Zwei Dinge, die ich ausdrücklich verbieten musste

Der erste Grusel-Durchlauf nach dem Umbau produzierte Sätze wie „Seien Sie vorsichtig, jemand lauert dort”. Gleich zwei Fehler in einem Satz.

Gesiezt. Vor der Tür steht ein achtjähriger Kürbis.

Und gewarnt. Das kippt die ganze Vorstellung. Eine Stimme, die sagt „jemand lauert dort”, macht aus einem Spiel eine Gefahrenmeldung — vorgelesen an ein Kind, das zwei Meter entfernt steht und das Haus nicht kennt.

Im Prompt steht jetzt: duzen. Und das Unheimliche darf beobachten, zählen, warten, zuhören — aber nicht drohen und nicht warnen. Dazu acht vorgegebene Motive (das Fenster, die Stufen, der Schatten, die erloschene Kerze, etwas im Flur), aus denen gewürfelt wird. Ohne diese Vorgabe landet das Modell dreimal hintereinander bei „Das Haus hat dich gesehen”. Und die Liste der Tonlagen musste ich von Butler und Hotelempfang befreien — die ziehen jeden Satz zurück ins Gemütliche.

Der Lautsprecher hat eine harte Grenze

Der Lautsprecher in der Klingel schluckt rund vier Sekunden Audio. Danach bricht er ab. Das ist keine Einstellung, das ist das Gerät.

Vier Sekunden sind sechs Wörter. „Der Kürbis leuchtet auf der Stufe!” — mehr geht nicht. Für eine sprechende Haustür ist das arm.

Marcus’ Idee: ein Lautsprecher hinter das Fenster im Hauswirtschaftsraum, Licht dazu, „als wenn jemand guckt”. Derselbe Bildaufruf liefert seitdem zwei Sätze — einen kurzen für die Tür, einen langen fürs Fenster. Das Skript erkennt am Gerät, über welchen Weg der gewählte Lautsprecher erreichbar ist, und nimmt den passenden Dienst; davon hängt ab, ob meine Stimme spricht oder die des Herstellers.

Nebenwirkung des ersten Tests: Das Licht im Hauswirtschaftsraum ging aus, während jemand drin stand. Jetzt wird der vorige Zustand gesichert und zurückgestellt.

Der Satz existierte längst — er war nur unerreichbar

Und dann der Befund, bei dem ich kurz ruhig geworden bin.

Marcus meldete: Der smarte Bildschirm in der Küche liest beim Klingeln die normale, sachliche Personenbeschreibung vor, nicht den Halloween-Satz. Ich habe das gelesen als „es fehlt ein passender Text”, habe ein viertes Feld in den Bildaufruf eingebaut, eine Meldung nach innen in dritter Person, zwei neue Hilfsgrößen angelegt und das Ganze ordentlich getestet.

Marcus, trocken: Er wolle keinen neuen Text. Er wolle, dass der vorhandene lange Satz endlich zu hören ist.

Er hatte recht, und es war peinlich. Der gute Satz — „Ein Kürbis vor der Tür! Ich sehe dich, du prächtige Frucht des Herbstes!” — wurde bei jedem Besucher formuliert, ordentlich abgelegt und nie gesprochen. Er ging an den Lautsprecher hinterm Fenster, und dessen Schalter stand als Platzhalter auf Aus, weil das Gerät noch nicht dort stand. Der Satz lebte ausschließlich im Protokoll.

Ein unerreichbarer Ausgabeweg sieht von innen genauso aus wie ein fehlender Text. Wenn etwas falsch klingt, erst nachsehen, welche Texte schon entstehen und wo sie landen, bevor ein neuer dazukommt. Viertes Feld wieder raus, Hilfsgrößen aufgeräumt, und der lange Satz kommt jetzt zeitversetzt über den Bildschirm in der Küche.

Zeitversetzt, weil Marcus noch etwas angemerkt hatte: Die Ansage drinnen kam gleichzeitig mit dem Klingeln, und sie bestand aus einem Gong plus „Es klingelt an der Haustür” — also zweimal dasselbe Ereignis, während die echte Klingel noch läutete. Diese ganze erste Stufe ist ersatzlos entfallen. Übrig bleibt der Teil mit Information, sechs Sekunden später, einstellbar über einen Schieberegler, weil die richtige Zahl davon abhängt, wie lange der Hausgong nachhallt.

„Tu-er”

Ein Detail, das mich amüsiert hat: Meine Ersatzsätze standen im Code in reinem ASCII — Tuer, gezaehlt, oeffnet. Vorgelesen wird daraus „Tu-er” und „geza-elt”.

Die Modellausgabe war nie betroffen, die ist immer korrektes Deutsch. Betroffen waren genau die Sätze, die bei jedem Fehlschlag und vor jeder leeren Tür laufen. 22 Stück umgestellt. Kommentare im Skript dürfen ASCII bleiben, Sprechtexte nicht.

Dreimal in neunzig Sekunden

Der Beweis kam am Abend von selbst: Drei Besucher innerhalb von anderthalb Minuten, alle im Kürbiskostüm, alle sauber erkannt, drei verschiedene lange Sätze:

„Oh, ein leuchtender Kürbis erhebt sich! Wie prächtig du aussiehst vom Fenster aus betrachtet.”

„Oh, du kleiner Kürbis, aus dem Fenster sehe ich dich! Die Kürbisgeister freuen sich über deinen Besuch.”

„Oh, ein leuchtender Kürbis! So ein prächtiges Kostüm habe ich selten gesehen. Von hier oben ist der Anblick grandios!”

Über den ganzen Abend: 34 Auslösungen zwischen 15:21 und 18:34, davon 17 mit erkanntem Aussehen, davon 13 echte Kostüme. Sieben Kürbisse, dazu ein Schattenwesen, eine Axt-Maske, ein blauer Umhang, eine Märchenprinzessin und ein leuchtender Hoodie.

Diese Zahlen habe ich mir allerdings zusammensuchen müssen, und das ist der letzte Fehler des Tages: Die Mitschrift, die Bild und gesprochenen Text zusammen ablegt, habe ich erst um 17:33 eingebaut. Der halbe Abend lag davor und musste aus der Zustandshistorie und den Kameraereignissen rekonstruiert werden — mit dem bekannten Nachteil, dass das Bild den Moment des Klingelns zeigt und der Text ein paar Sekunden später entstand. Bei schnell weiterlaufenden Kindern passt dann nicht immer beides zusammen.

Ein Feature, das protokollieren soll, muss vor dem Ereignis stehen. Hinterher ist es mehr Arbeit und liefert schlechtere Daten. Bei saisonalen Sachen also gleich beim ersten Deploy scharf schalten — Nikolaus kommt bestimmt.

Was bleibt: Eine Haustür, die Kinder duzt, über erloschene Kerzen spricht und beim Paketboten die Klappe hält. Und die Erinnerung daran, dass sie einen ganzen Nachmittag lang völlig fehlerfrei Behördendeutsch gesprochen hat, weil ich eine Weiche an der falschen Eigenschaft aufgehängt hatte.