Neue KI-basierte Hörhilfe löst das Cocktail-Party-Problem mit völlig neuem Ansatz

Die Herausforderung, in lauten Umgebungen ein Gespräch klar zu verfolgen, trifft nicht nur Menschen mit eingeschränktem Hörvermögen. Das sogenannte "Cocktail-Party-Problem" beschreibt diese Schwierigkeit, sich auf eine einzelne Stimme inmitten eines Kakophonie von Geräuschen und anderen Gesprächen zu konzentrieren. Forscher der Paul G. Allen School of Computer Science & Engineering der University of Washington und von Hearvana AI haben nun einen komplett neuen Ansatz vorgestellt, um dieses Problem mit Hilfe künstlicher Intelligenz zu lösen.

Anstatt sich auf die übliche Strategie von Geräuschunterdrückung und Quellen-Separation nach Blickrichtung zu verlassen, wie sie in modernen Smart-Hörgeräten Anwendung findet, setzen die Wissenschaftler auf einen gänzlich neuen Ansatz: Eine softwarebasierte Hörhilfe, die sich ausschließlich darauf konzentriert, die Antworten der Gesprächspartner des Nutzers zu verstärken. Das KI-Modell hört aktiv mit, was der Anwender selbst sagt und nutzt diese Information als Grundlage, um gezielt die Stimmen der anderen Beteiligten hervorzuheben – während Hintergrundgeräusche und andere Gespräche weitgehend ignoriert werden.

Dieses Vorgehen wird von den Autoren als "proaktive Hörhilfe" beschrieben. Das System versucht quasi aktiv, die Gesprächspartner zu identifizieren und ihre Stimmen zu verstärken, ohne dass der Nutzer manuell eingreifen oder Einstellungen vornehmen muss. Die Forschenden betonen, dass ihr Modell auf synthetischen Daten trainiert wurde, aber dennoch problemlos auf reale Aufnahmen übertragen werden kann. Durch die Analyse von Gesprächswechsel-Signalen – also wann wer spricht – gelingt es dem System, Sprachseparierung und Dialogmodellierung miteinander zu verbinden.

"Unser Ansatz verbindet die Sprachseparierung mit zentralen Aufgaben der Dialogmodellierung", so die Autoren in ihrer Studie. "Dies ist ein wichtiger Schritt hin zu proaktiven Hörassistenten, die die Dynamik von Gesprächen interpretieren und sich daran anpassen." Das System soll zudem mit einer geringen Latenz von nur 12,5 ms funktionieren. Das reicht aus, um Lippenbewegungen weiterhin als Synchron wahrzunehmen. 

Trotz der vielversprechenden Ergebnisse weisen die Entwickler auch auf einige Einschränkungen hin. Die aktuelle Version ist primär für Situationen konzipiert, in denen der Nutzer aktiv am Gespräch teilnimmt und seine eigene Stimme als Ankerpunkt zur Identifizierung der anderen Beteiligten nutzt. Passives Zuhören oder das Belauschen von Gesprächen sind daher kaum möglich. Zudem kann die Priorisierung der Echtzeit-Performance dazu führen, dass überlappende Sprecher schlechter unterschieden werden können. Zukünftige Entwicklungen könnten hier durch den Einsatz inhaltsbewussterer Modelle Abhilfe schaffen. Eine Feinabstimmung des Modells auf realen akustischen Bedingungen könnte die Leistung ebenfalls verbessern, ebenso wie eine Anpassung an sprach- und kulturspezifische Gesprächsverhalten. Bisher haben die Autoren die KI mit modifizierten Headsets getestet.

Interessierte können das Programm auf Github finden und sich einen Eindruck von den Trainingsdaten auf Hugging Face verschaffen. Die Studie eröffnet somit einen spannenden Einblick in die Zukunft der Hörtechnologie.