Sprachinteraktion (in Games) - Wann kommt der Durchbruch?

[AnarchX]

Die Spiele wurden auf Grund des schnellen Fortschritts im Bezug auf die Grafik immer realistischer. In den letzten Jahren entwickelte sich auch verstärkt die Physik in der virtuellen Welt weiter.

Aber der auf den ersten Blick realistische Eindruck wird dann meist getrübt durch Charactere im Spiel, die nur ein paar Standardsätze beherrschen, welche im Worst-Case auch noch sehr schlecht vertont sind oder in anderen Fällen findet die Kommunikation nur über Texte statt, was dann schnell Langeweile aufkommen lässt.

In den Zeiten wo bald ein Quadcore zu einem Standard-PC gehört und sehr frei programmierbare GPUs mit mehreren hundert GFLOPs verfügbar sind, muss sich doch langsam hier mal etwas tun?

So hätte eine fortschrittliche "Sprach-Engine" die Texte in Sprache umwandelt, wie es bisher schon möglich ist, aber eben noch Parameter besitzt um die Stimme an den jeweiligen Character anzupassen, auch einige Vorteile für Entwickler:
- teuere Synchronsprecher entfallen
- Synchronisation in einer anderen Sprache würde nur dem Übersetzen der Dialogtexte entsprechen
- großer Umfang an gesprochenen Dialogen so einfach zu ermöglichen

Wenn man hier noch weiterdenkt, würde sich hier auch die Kombination mit einem Chatbot-System anbieten, wodurch man Abstand von festen Texten gewinnen würde.
Zudem könnten dann auch die NPCs Dinge äußern die sie in Gesprächen mit Spieler erlernt/erfahren haben.

Und die Krönung dessen, wäre dann natürlich Verbindung mit einem Spracherkennungssystem, wodurch eine direkte Kommunikation stattfinden würde zwischen Spieler und NPC.

Insgesamt würde mich so ein "Feature" weit mehr beeindrucken, als irgendwelche Shaderspielerreien.

Aber warum interessiert sich die Industrie nicht dafür, die Technologien sind doch verfügbar?
Das letzte Spiel was mich in diese Richtung beeindruckt hatte war UT2004, welches sowohl Text-to-Speech als auch Spracherkennung für Bot-Befehle anbot.


Nun, was ist eure Meinung dazu?

Sind euch Projekte bekannt, welche die von mir beschriebenen Ansätze aufgreifen?

[Gast]

Es hört sich einfach nicht so toll an wenn alle wie Stephen Hawking sprechen...

[ShadowXX]

Es hört sich einfach nicht so toll an wenn alle wie Stephen Hawking sprechen...
Dann hör dir das hier mal an:
http://www.linguatec.de/onlineservices/voice_reader

Das hört sich IMHO superb an.

[Die gelbe Eule]

2Moons aka Dekaron hat so etwas, Mythos und Hellgate:London planen ähnliches. NPCs lassen sich so steuern, sprich: kaufe mir 2 pots, quest antworten usw.

[Gast]

Alles schön und gut, aber aus Text Sprache zu generieren ist der vollkommen falsche Ansatz.
Und nein, die Technologien dafür sind noch nicht wirklich verfügbar.

[AnarchX]

Alles schön und gut, aber aus Text Sprache zu generieren ist der vollkommen falsche Ansatz.


Dann klär uns doch auf welchen Ansatz du besser finden würdest?

[ShadowXX]

Alles schön und gut, aber aus Text Sprache zu generieren ist der vollkommen falsche Ansatz.
Und nein, die Technologien dafür sind noch nicht wirklich verfügbar.
Hör doch endlich mal hier rein: http://www.linguatec.de/onlineservices/voice_reader

Dann überdenkst du vielleicht das ganze nochmal.

Davon abgesehen, wird sowas heutzutage schon teilweise in Games gemacht.

[Gast]

Dann klär uns doch auf welchen Ansatz du besser finden würdest?
Nimm mal einen Text aus einer dir unbekannten Sprache und spricht den Satz ohne ihn zu verstehen.
Es wird immer schlecht klingen.
Wer ein paar Linguistikvorlesungen hinter sich hat, versteht, dass hinter Sprache mehr steht, als ablesen von Text. Die Bedeutung einzelner Teile im Kontext verändert ihre Ausprache/Betonung und beeinflusst auch rundherum alles.
Zuerst muss man die Bedeutung generieren und daraus direkt die Sprache. Die Textebene verliert einfach zuviel an Informationen, die man wieder versuchen müsste zu rekonstruieren.
Hör doch endlich mal hier rein: http://www.linguatec.de/onlineservices/voice_reader
Schöne Spielerei, aber in einem Spiel würde das die Atmosphäre total zerstören. Dafür klingt es noch viel zu schlecht.

Davon abgesehen, wird sowas heutzutage schon teilweise in Games gemacht.
Das wird alles mit der MS Speechapi gemacht. Das ist nichts wirklich tolles.

[AnarchX]

Nimm mal einen Text aus einer dir unbekannten Sprache und spricht den Satz ohne ihn zu verstehen.
Es wird immer schlecht klingen.
Wer ein paar Linguistikvorlesungen hinter sich hat, versteht, dass hinter Sprache mehr steht, als ablesen von Text. Die Bedeutung einzelner Teile im Kontext verändert ihre Ausprache/Betonung und beeinflusst auch rundherum alles.
Zuerst muss man die Bedeutung generieren und daraus direkt die Sprache. Die Textebene verliert einfach zuviel an Informationen, die man wieder versuchen müsste zu rekonstruieren.


Deshalb wünsche ich mir ja auch eine "fortschrittliche" Sprach-Engine, die eben gerne auch einen Kern eines Quadcores vollständig auslasten könnte.

Deshalb müsste eben auch das Verhältnis des NPCs zum Spieler einen Einfluss auf die Aussprache haben und die Dialogtexte müssten halt dann auch mit Tags durchsetzt sein, die der Engine eine Information geben, wie der entsprechend Abschnitt ausgesprochen werden sollte.

Du bist also der Meinung, dass man die Textebene überspringen sollte?
Das würde wiederrum eine leistungsstärkere KI erfordern und mögliche Projekte in etwas weitere Ferne rücken.

[Adam D.]

Sorry für OT, aber lasst euch mal "Loooooooooooooooooooooooooooooooooool" auf Deutsch vorlesen. Wird wohl nix mit den l33t-Spielen und Spracherkennung ;D

[Spasstiger]

Sowas in UT2007 würde die ganze Atmosphäre kaputt machen:
http://www.voicereadera.de/cache/u00000102/vr00081298.MP3

[AnarchX]

Sowas in UT2007 würde die ganze Atmosphäre kaputt machen:
http://www.voicereadera.de/cache/u00000102/vr00081298.MP3

Es ist ja klar, dass man soetwas nicht 1:1 übernehmen kann. Das System müsste eben Anpassungen erfahren bzw. so frei anpassbar sein, damit Malcom in UT2007 mit einer tiefen, coolen Stimme sich über den Spieler lustig machen kann, nach einem Frag. ;)

[Gast]

Du bist also der Meinung, dass man die Textebene überspringen sollte?
Zu großen Teilen ja. Um es steuerbar zu halten muss man aber auch gewisse Dinge vorgeben können.
Das würde wiederrum eine leistungsstärkere KI erfordern und mögliche Projekte in etwas weitere Ferne rücken.
Man braucht eine KI in der Agenten eigenes Wissen (damit meine ich richtiges Wissen) haben können. Das gibts seit kurzem in Ansätzen auch schon als Middleware im Spielesektor.
Ein großes Problem dabei ist die Modellierung von Wissen wiederverwendbar zu halten. Man kann nicht jedes Mal alles neu designen für jedes Spiel. Die Modellierung muss mit der Zeit wachsen, da realistische Agenten viel zu komplex sind. Dafür braucht man entsprechende Abstraktionen etc.. Das wird aber das Hauptthema meiner Ph.D. Arbeit werden.
Ich hab hier auch schon Notizen für Dynamic Storytelling mit Sprechgenerierung hier liegen, aus denen man schöne Diplomarbeiten machen könnte. Aber ob sie das werden, entscheidet der Chef.

[#44]

Mit etwas Aufwand ist das sicher kein Problem. Bei uns an der FH hat ne Projektguppe nen TtS-engine geschrieben die (beinahe) einwandfrei 'gefränkelt' hat.

Solange sich die Entwickler bemühen, die Spracherkennung besser als bei Vista ist (;D) und die Texte nicht per Wörterbuch/Programm übersetzt werden denke ich ist das eine ganz gute Idee.

Gerade bei einfacheren kurzen Sätzen von Nebencharakteren würde sowas kaum bis garnicht Auffallen.

[tokugawa]

Alles schön und gut, aber aus Text Sprache zu generieren ist der vollkommen falsche Ansatz.


Sie sind der falsche Ansatz aus linguistischer Sicht.

Aus Spielentwicklungssicht ist aber Text der beste Ansatz. Contenterstellung ist nicht selten ein Bottleneck, und Text ist nun mal der am einfachsten zu erstellende Content. Und "Content-driven" ist eigentlich immer erwünscht in der Spieleentwicklung.


Und nein, die Technologien dafür sind noch nicht wirklich verfügbar.

Du hast mit deinen Ansätzen prinzipiell recht. Sprache ist definitiv mehr als Text, das zeigen alleine schon etwa die "Tonsprachen" wie etwa Chinesisch auf der rein grammatikalischen Ebene, und dann wiederum die verschiedenen Intonationsmuster je nach Kontext auf der semantischen Ebene.


Trotzdem ist es wünschenswert dies irgendwie in Text kodieren zu können. Es muß ja nicht ein natürlicher Sprachentext in korrekter Rechtschreibung sein, sondern es reicht eine formale Metasprache im Textformat, die Betonung und sonstige über reinen Text hinausgehende Information kodiert. Eine Art "Markup-Sprache" für Sprachgenerierung sozusagen.

Und solche Systeme gibt es sogar schon.

[Gast]

Aus Spielentwicklungssicht ist aber Text der beste Ansatz.
Deine persönliche Meinung. Aber das als allgemeine Tatsache hinzustellen ist falsch.

Es macht für einen Großteil der Dialoge Sinn, wenn man nur grob den Gesprächsverlauf vorgeben müsste in Form von Gesprächstopics und ein paar Parametern und daraus wird der ganze Dialog generiert.
Damit hat man wesentlich weniger Arbeit und möglicherweise jedes mal einen leicht anderen Dialog, die Gemütszustände der NPC könnte den ganzen Dialog beeinflussen etc..
Es wären auch ganz neue Arten von NPCs möglich.

Das ist alles nichts was ein kleiner Spieleentwickler, wie ihr es seit, selbst entwickeln will, aber für den Middlewarebereich ist es wirklich interessant.

[Monger]

Reiner Text ist einfach zu informationsarm, um als Grundlage für Sprache auszureichen. Als Mensch interpretiert man den Text einfach, aber das wird eine Maschine auch auf absehbare Zeit nicht zufriedenstellend erledigen.

Ich könnte mir vorstellen, wenn man das bestehende Vokabular aus Phonemen noch ein wenig aufpeppt, man aber genau solche Nuancen hinkriegen kann. So eine Art MIDI für Sprache...
Dann stellt sich aber wieder die Frage, was schwieriger ist: an jedem einzelnen Satz rumzufeilen, oder sich einfach ein paar Sprecher zu mieten! ;)
Und ich befürchte so Probleme wie mit dem Uncanny Valley. Lieber gar keine Sprachausgabe, als eine bei der ich mich unwohl fühle.


Imho ist das eine ganz ähnliche Diskussion wie mit den generischen Texturen. Es ist zwar verlockend, den Computer alles ausrechnen zu lassen, aber die Entwicklung der zugrunde liegenden Formeln ist im Endeffekt vermutlich kostspieliger als das Problem mit roher Gewalt zu lösen.

[tokugawa]

Deine persönliche Meinung. Aber das als allgemeine Tatsache hinzustellen ist falsch.


Nicht nur meine persönliche Meinung, das ist schon verbreiteter.

Hat auch logische technische Hintergründe: Textfiles lassen sich am besten mergen und verwalten in Configuration Management/Versionierungssystemen im Vergleich zu Binärdaten.


Es macht für einen Großteil der Dialoge Sinn, wenn man nur grob den Gesprächsverlauf vorgeben müsste in Form von Gesprächstopics und ein paar Parametern und daraus wird der ganze Dialog generiert.


Und wie widerspricht sich das mit "es liegt als Textfile vor"?


Damit hat man wesentlich weniger Arbeit und möglicherweise jedes mal einen leicht anderen Dialog, die Gemütszustände der NPC könnte den ganzen Dialog beeinflussen etc..
Es wären auch ganz neue Arten von NPCs möglich.


Ist ja alles richtig, und das ganze in eine Markup-Language, sodass die Files aus denen das generiert wird in Textform vorliegen. Eine Art Source Code halt.


Das ist alles nichts was ein kleiner Spieleentwickler, wie ihr es seit, selbst entwickeln will, aber für den Middlewarebereich ist es wirklich interessant.

Für den Forschungsbereich wo ich ja auch tätig bin ebenfalls.



Reiner Text ist einfach zu informationsarm, um als Grundlage für Sprache auszureichen. Als Mensch interpretiert man den Text einfach, aber das wird eine Maschine auch auf absehbare Zeit nicht zufriedenstellend erledigen.


Text - als TextFILES - kann man fast beliebig mit Information füttern. Man braucht nur eine formale Sprache...

Ich rede ja nicht von Text in der Form dass man das als "menschen-lesbaren Text" sieht, sondern als Text mit diversen Markups und Zusatzinformationen.

Z.b. "(surprised)Hah, woher kommst (emphasis)du(/emphasis) denn?(/surprised)" bzw. noch viel komplexer.

[Monger]

Text - als TextFILES - kann man fast beliebig mit Information füttern. Man braucht nur eine formale Sprache...

Ich rede ja nicht von Text in der Form dass man das als "menschen-lesbaren Text" sieht, sondern als Text mit diversen Markups und Zusatzinformationen.

Z.b. "(surprised)Hah, woher kommst (emphasis)du(/emphasis) denn?(/surprised)" bzw. noch viel komplexer.
Und wie ich schon gesagt habe: solche Texte zu schreiben wird wahrscheinlich VIEL komplizierter als sich einfach einen Sprecher hinzustellen! ;)
Wenn du einen Spezialisten hinsetzen musst, der den Text von den Texteschreibern erstmal aufwendig aufmöbelt, hast du nicht wirklich viel gewonnen.
Ein guter Sprecher macht das instinktiv: da die Stimme hoch, da runter, da ne Pause, da ein Zittern in der Stimme...
Wenn du sowas in Text fassen willst, besteht der Text zu 95% nur aus Markups, die auch jemand korrekt setzen muss! ;)

[Gast]

Nicht nur meine persönliche Meinung, das ist schon verbreiteter.

Hat auch logische technische Hintergründe: Textfiles lassen sich am besten mergen und verwalten in Configuration Management/Versionierungssystemen im Vergleich zu Binärdaten.

...

Ich rede ja nicht von Text in der Form dass man das als "menschen-lesbaren Text" sieht, sondern als Text mit diversen Markups und Zusatzinformationen.
Beim Thema Sprache von Text zu sprechen ist etwas anderes als technisch von human readable ala XML zu sprechen.


Für den Forschungsbereich wo ich ja auch tätig bin ebenfalls.
Ah ich vergass. Die TU Wien ist in jedem Forschungsbereich absolut führend und hat für alles Experten, schliesslich hatten sie ja die Eurographics vor ein paar Jahren. X-D
Komm mal von deinem hohen Pferd herunter. Du bist auch nicht der Experte für alles. In deinem Bereich bist du ganz gut, aber das qualifiziert dich nicht für alle Themen.

Z.b. "(surprised)Hah, woher kommst (emphasis)du(/emphasis) denn?(/surprised)" bzw. noch viel komplexer.
Wenn du mit sowas arbeiten willst viel Spass. Wie Monger sagte, ist es viel zu kompliziert und ein Sprecher wahrscheinlich wesentlich billiger.
Das Zusammenspiel zwischen Semantik, Grammatik, Syntax, Pragmatik und Phonetik ist wesentlich komplizierter als du meinst.
Komplett automatisch generierte einfache Dialoge sind damit überhaupt nicht möglich.

[crusader4]

Die Beschreibung ist eine Sache, die Erzeugung der Sprachsamples aber eine ganz andere. TTS geht vielleicht für Dinge, bei denen man keinen bestimmten Kontext hat (z.B. Vorlesen einer Webseite), aber in einem Spiel wird es jegliche Atmosphäre zerstören. Selbst sehr gute TTS-Systeme sind halt kaum in der Lage, Emotionen zu transportieren. Dazu sind aus meiner Sicht die Modelle der menschlichen Spracherzeugung in Maschinen nicht gut genug. Mehr als die rein physikalische Umgebung des Mund-Rachenraumes zu modellieren (in dem Fall grob anzunähern) wird ja bisher nicht gemacht.
Konkatenative Sprachsynthese wäre ein Ansatz das zu ändern, aber um möglichst viele Aussprüche zu ermöglichen, müßten die Samples sehr kurz sein, was die Anzahl der Nahtstellen erhöht, die meist noch wahrnehmbar sind.
Und das ist bei der ganzen Sprachsynthese auch die Krux: Sprache ist uns so vertraut, und der Mensch ist auch in der Lage die Information zu dekodieren, wenn sie schlecht verständlich ist. Aber die Information hat nur einen eher geringen Anteil am Sprachsignal. Und wenn der Rest nicht stimmt, ist die Akzeptanz durch den Benutzer nicht gegeben, es klingt dann halt künstlich. Das ist für ein Videospiel inakzeptabel, da die Emotionen doch fast wichtiger sind als die transportierte Information.

Grüße, Crusader

Edit: Hab mal etwas mit der von ShadowXX geposteten Seite herumgespielt. Klingt gut, aber ist halt eine Standardstimme ohne jeden Ausdruck.

[tokugawa]

Und wie ich schon gesagt habe: solche Texte zu schreiben wird wahrscheinlich VIEL komplizierter als sich einfach einen Sprecher hinzustellen! ;)
Wenn du einen Spezialisten hinsetzen musst, der den Text von den Texteschreibern erstmal aufwendig aufmöbelt, hast du nicht wirklich viel gewonnen.
Ein guter Sprecher macht das instinktiv: da die Stimme hoch, da runter, da ne Pause, da ein Zittern in der Stimme...
Wenn du sowas in Text fassen willst, besteht der Text zu 95% nur aus Markups, die auch jemand korrekt setzen muss! ;)

Natürlich, da geb ich dir vollkommen recht.

Aber meine Ausführungen waren für den Fall angenommen, dass man so eine Technologie tatsächlich nutzt - und außerdem als Zugeständnis dass Forschung in diese Richtung - egal ob man sie dann wirklich in interaktiven Medien benutzt - definitiv eine interessante Disziplin ist.


Beim Thema Sprache von Text zu sprechen ist etwas anderes als technisch von human readable ala XML zu sprechen.


Deswegen hab ich's ja eindeutig von TextFORMAT gesprochen und es klar spezifiziert was ich meine. Das kannst du nicht verleugnen. Du willst halt scheinbar etwas lesen was ich so nicht geschrieben habe.


Ah ich vergass. Die TU Wien ist in jedem Forschungsbereich absolut führend und hat für alles Experten, schliesslich hatten sie ja die Eurographics vor ein paar Jahren. X-D


Letzten September.

Führend ist wurscht. Es geht darum dass Sprachsynthese definitiv ein interessantes Thema für irgendein Institut der TU wäre. Da stimmst du sicher zu, oder?


Komm mal von deinem hohen Pferd herunter.


Wüsste nicht wo ich einen solchen Eindruck gemacht hätte.


Du bist auch nicht der Experte für alles. In deinem Bereich bist du ganz gut, aber das qualifiziert dich nicht für alle Themen.


Woher willst du wissen was mein "Bereich" ist? Linguistisch gesehen (auch auf höheren Ebenen der Chomsky-Hierarchie) bin ich erstens nicht ganz unerfahren....

Zweitens bin ich jemand der sicher nicht meint dass ein Mensch nur einen "Bereich" wie du es nennst auf immer und ewig haben sollte. Horizont erweitern ist meine Devise - daher werde ich mich sicher nicht auf "meinen Bereich" (was auch immer das sein soll) beschränken sondern weiterhin Dinge tun, die nicht "mein Bereich" sind, auf dass die dann "mein Bereich" werden. Dass ich derzeit im Spieleentwicklungs- und Echtzeitrendering-Bereich unterwegs bin, ist im Prinzip eben genau nicht "mein Bereich", sondern ich hab es mir zu "meinem Bereich" gemacht.

Ach ja: meine linguistischen Interessen sind sogar älter als meine technisch/informatisch/computergrafischen.



Wenn du mit sowas arbeiten willst viel Spass. Wie Monger sagte, ist es viel zu kompliziert und ein Sprecher wahrscheinlich wesentlich billiger.


Klar, das sage ich auch. Ich sprach natürlich von dem Fall wenn man ein solches System entwickeln/erforschen/benutzen will - was man ja nicht muß.

Nona ned sind Sprecher einfacher. Binsenweißheit.


Das Zusammenspiel zwischen Semantik, Grammatik, Syntax, Pragmatik und Phonetik ist wesentlich komplizierter als du meinst.


Wo hab ich bitte gemeint dass diese nicht kompliziert sei? Das ist mir alles bewußt.

Nichtsdestotrotz spricht genau das eben eher dafür dass man es weiterverfolgt und erforscht, oder?


Komplett automatisch generierte einfache Dialoge sind damit überhaupt nicht möglich.

Klar, mit derzeitigem Wissen nicht. Spricht wiederum für weitere Erforschung.


Was willst du eigentlich? Was du schreibst ist alles richtig, und hab ich in der Form entweder genauso gesagt - oder nicht widersprochen (im Gegenteil). Es geht nur darum, dass dies ein verfolgenswerter Ansatz wäre für Forschung.

[Gast]

Wenn du mit sowas arbeiten willst viel Spass. Wie Monger sagte, ist es viel zu kompliziert und ein Sprecher wahrscheinlich wesentlich billiger.Natürlich ist heutzutage ein Sprecher billiger. Aber darum geht es doch gar nicht. Es sagt ja niemand, dass man ein solches System in aktuellen Spielen einsetzen soll. Trotzdem kann man ja mal mit sowas experimentieren bzw. forschen, wie so etwas in Zukunft realisiert werden kann. Auch wenn man dabei rausfindet, dass es für die nächsten 10 Jahre nicht realisierbar ist, hat man Erfahrung und Wissen gewonnen.

[Liszca]

also ich will nicht mit dem PC reden, und ich will noch weniger dass er für mich redet.

wenn dann wil ich mit jemandem direkt reden wie zb in ts oder ventrilo, die gilt es ins spiel zu integrieren und zu verbessern.

alles andere ist eulen nach athen tragen.

[AnarchX]

Dies ist aber nicht Thema des Threads und ein menschlicher Mitspieler wird wenn er nicht gerade ein gut ausgebildeter Schauspieler ist, eben nicht die Rolle eines hochintelligenten NPCs, wie es sie wohl in 10 Jahren geben könnte, übernehmen können.

Und jetzt mal von den Spielen abgesehen, könnte ich durchaus heute schon einen großen Nutzen in einem Interface einer beliebigen Software sehen, welches Sprachinteraktion bieten würde.

[noch ein Gast]

Welche Art von Sprachinteraktion wäre euch eigentlich am wichtigsten?
Für mich jedenfalls weniger die Sprachgeneration, sondern eher das Sprachverständnis. Gerade erst wieder bei einer Runde Total Annihilation gemerkt: Wenn die Artillerie der südöstlichen Basisverteidigung auf Feinde feuert, die sich gerade im Nahkampf mit der nordwestlichen Basisverteidigung zoffen, dann kann man sich Sätze wie "Würdet ihr gottverdammten Irren bitte bitte BITTE dahin feuern, wo NUR Feinde sind?" (auch in Egoshootern, in denen nicht alle bewaffneten NPCs feindlich gesinnt sind, wie z.B. Halo, ein nicht seltener Ausruf) einfach nicht verkneifen, während man manuell Ziele vorgibt, welche außerhalb der gefährlichen Zonen sind.
Bessere Interaktionsmöglichkeiten in Rollenspielen sind sicherlich erstrebenswert, dringender scheint es mir allerdings nötig, befreundeten NPCs klarmachen zu können, was sie tun und was gefälligst lassen sollen. Sicher ließe sich das ähnlich der "Gambits" im aktuellen FF leichter machen, aber nur da, wo man auch die Zeit hat, sich ein passendes Verhaltensmakro zusammenzuklicken. Einmal erstellte Verhaltensmakros lassen sich schnell anwenden, aber auch in einer neuen Situation sollte man schnell präzise Kommandos geben können. Ohne Spracheingabe und (!viel wichtiger!) Sprachverständnis ist das kaum möglich, wobei Sprachverständnis wohl die größte Hürde darstellen dürfte.
Wie lange wird es wohl dauern, bis der Rechner zumindest in den Grenzen der Spiellogik versteht, was wir von ihm wollen?