Spracherkennung ohne Sound: Computer lernen das Lippenlesen

11.04.2016
Manche Menschen können erstaunlich geschickt von den Lippen lesen - aber nicht perfekt. Deswegen arbeiten Wissenschaftler an Computern, die das übernehmen sollen. Ideen für die Anwendung gibt es zuhauf.
Wenn Hintergrundrauschen die Spracherkennung behindert, hilft nur noch Lippenlesen. Computer sollen dies nun lernen. Foto: Franziska Kraufmann
Wenn Hintergrundrauschen die Spracherkennung behindert, hilft nur noch Lippenlesen. Computer sollen dies nun lernen. Foto: Franziska Kraufmann

Berlin (dpa) - Was wäre, wenn die Bilder einer Überwachungskamera ausreichen würden, um die Worte eines Verdächtigen zu verstehen? Wenn Piloten im Rauschen des Cockpits lautlose Befehle geben könnten? 

Die Technik dafür erhoffen sich Forscher von Computern, die von den Lippen lesen können. Doch trotz großer Fortschritte sind die Maschinen noch nicht praxistauglich.

«Ein solches System könnte für eine ganze Reihe von Anwendungen benutzt werden», sagt Helen Bear von der britischen University of East Anglia. Die Informatikerin und ihr Team haben ein Programm entwickelt, das ihrer Studie zufolge deutlich bessere Ergebnisse als bisherige Ansätze liefert - für eine Anwendung unter realen Bedingungen reicht es aber noch lange nicht.

Die Krux: Auf den Lippen sehen viele Töne praktisch gleich aus. Computer müssen lernen, die feinen Unterschiede zu interpretieren, die Menschen verborgen bleiben. Dafür braucht es kluges Training. «Die Sprache sieht bei uns allen unterschiedlich aus, also brauchen wir Modelle, die bei jedem funktionieren», sagt Bear.

Schon 1968 beschrieb der Science-Fiction-Klassiker «2001: Odyssee im Weltraum» die Idee: Der Supercomputer HAL 9000 liest im Film heimlich die Lippenbewegungen von Astronauten durch eine Scheibe. Sie hatten sich eingeschlossen, damit er ihre Pläne nicht mitbekommt. «Das zeigt, wie alt das Thema ist», sagt Tanja Schultz, Professorin für Kognitive Systeme an der Universität Bremen.

Das klassische Vorgehen: Der Computer identifiziert auf einem Video den Bereich der Lippen. Während der Sprecher redet, nimmt das Programm Aussehen und Abfolge der Bewegung (Viseme) sowie die geäußerten Laute (Phoneme) auf. Im dritten Schritt wird es mit einem statistischen Modell trainiert: Wie hängen Video und Audio zusammen? Diese Lernstrategien sind ein entscheidender Teil der Forschung. «Menschen können durch gutes Training gut Lippen lesen, aber sie sind nicht perfekt», sagt Schultz.

Die Laute p, b und m etwa sind auf den Lippen fast nicht zu unterscheiden. Daher braucht das Programm mehr Informationen: Die vorhandenen Wörter einer Sprache schränken die möglichen Phonemketten schon ein. Weitere Hinweise geben erlaubte Satzkonstruktion und Sinn der Aussage. Hilfreich, fast schon unerlässlich: eine Datenbank mit Zusammenhängen von Audio und Text. Ein menschlicher Lippenleser kennt Ausdrücke und Redewendungen seiner Sprache und den Kontext einer Unterhaltung - für Computer ist das schwieriger.

Auch von Sprecher zu Sprecher gibt es große Unterschiede. «Salopp gesagt: Manche kriegen die Zähne nicht auseinander», sagt Schultz. Schon so sollte die Aussprache möglichst deutlich, die Sätze grammatikalisch korrekt und nicht umgangssprachlich sein. «Je spontaner Sprache gesprochen wird, umso schwieriger ist sie zu erkennen.» Und: Manche Sprachen sind einfacher als andere. Gut ist eine große Zahl an Konsonanten - Vokale ähneln sich stark. Fatal ist es, wenn die Tonhöhe in der Sprache eine Bedeutung ausmacht.

Forscher hoffen: Ein zuverlässiges Programm könnte bei der Aufklärung von Straftaten anhand von Überwachungsvideos helfen, eine bessere Verständigung von sprach- und hörbehinderten Menschen ermöglichen, als digitaler Assistent im Stil von Apples Siri und Microsofts Cortana arbeiten - oder die Identität von Menschen feststellen.

Um Nutzernamen, Geheimwörter und PIN überflüssig zu machen, schlägt Ahmed Hassanat von der jordanischen Mutah-Universität lautlose Passwörter vor: schwer abzufangen und nützlich bei lauter Umgebung. Zur Identifikation am Bankautomaten oder im Online-Shop würde es reichen, allein die Lippen zu bewegen. Nötig wäre nur eine Kamera, kein spezielles Equipment wie etwa für Fingerabdrücke. Experimente zeigten bereits das Potenzial zur praktischen Umsetzung.

Doch noch erreicht kein Programm eine hohe Trefferquote - erst recht nicht, wenn die getesteten Sprecher einfach drauflosreden. Vielversprechend sei der Einsatz lernfähiger künstlicher Intelligenz, die sich an biologische Vorbilder anlehnt, sagt Schultz. Ein Team um Michael Wand von der Fachhochschule der italienischen Schweiz erreicht mit sogenannten tiefen neuronalen Netzen eine deutlich bessere Worterkennung als mit herkömmlichen Methoden, allerdings bei begrenztem Wortschatz.

Und parallel wird auch an anderen Ansätzen geforscht, die ohne Audio-Signal auskommen: Spracherkennung durch Messung der Muskelaktivität in Gesicht und Hals, Ultraschallbilder der Zunge oder Verfolgung der Hirnaktivität selbst - Schultz zufolge aber eher unpraktisch, da bisher nur am offenen Schädel möglich.


Verfasser: dpa-infocom GmbH

KEYWORDS

TEILEN


Das könnte Sie auch interessieren
Bereits ein Schüler aus Rostock entwickelte ein Handy mit einem aufgesetzten Hologramm (im Bild). Forscher haben nun ein Nano-Hologramm in der Dicke eines Haares nachgelegt. Foto: Uwe Anspach/dpa Nano-Hologramm entwickelt: Pop-Up-Infos für Handy & Co Hologramme auf dem Smartphone? Bisher sind nur mit technischen Tricks 3D-Spiegelungen über den kleinen Geräten möglich. Forscher tüfteln an Minilösungen für Alltagsgeräte.
Regina Dugan präsentierte auf Facebooks Entwicklerkonferenz F8 ein neues Forschungsprojekt. Es soll Menschen ermöglichen, aus dem Gehirn heraus Worte in den Computer zu schreiben. Foto: Andrej Sokolow/dpa Facebook will Menschen direkt mit dem Gehirn tippen lassen Es klingt wie Science-Fiction, aber Facebook arbeitet wirklich daran: Das Online-Netzwerk forscht an einer Technologie, mit der Menschen ihre Gedanken ohne Umweg über eine Tastatur direkt aus dem Kopf online bringen könnten. Gedanken ausspionieren werde man aber nicht.
Emily Hammes lötet während des 34. Chaos Communication Congress in Leipzig LED-Schmuck. Das Do It Yourself ist ein wesentlicher Grundsatz der Hackerszene. Foto: Sebastian Willnow/dpa-Zentralbild/dpa Hackerkongress in Leipzig: Vom Lötkolben zur Big-Data-Kritik Der kritische Blick auf die digitale Gesellschaft beginnt mit Auseinanderbauen und Zusammenlöten. Auf dem Chaos Communication Congress in Leipzig treffen düstere Zukunftsszenarien auf eine bunt blinkende Gegenwelt.
Unzählige Web-Server ermöglichen heute den Austausch von Daten übers Internet. 1990 legte Berners-Lee den ersten Web-Server der Welt an. Foto: Daniel Reinhardt WWW: Drei Buchstaben, die die Welt veränderten Das World Wide Web hat unser Leben drastisch verändert. Dabei wollte der Wissenschaftler Tim Berners-Lee vor 25 Jahren eigentlich den Informationsaustausch unter Kollegen vereinfachen.